I cinque tipi di agente AI, dal termostato all'AI che impara

Quando si parla di agenti AI si immagina subito qualcosa di fantascientifico. In realtà la famiglia è larga, e all'estremo più semplice c'è un oggetto che hai in casa da anni: il termostato. All'altro estremo c'è un'AI che impara dai propri errori e migliora da sola. In mezzo ci sono tre gradini intermedi.

Conoscere questa scala serve, perché aiuta a capire quale agente usare per quale problema. Non serve sempre il più intelligente. Anzi, spesso il più stupido è quello giusto.

1. Agenti a riflessi semplici

Il gradino base. Funziona con una regola secca: "se succede questo, allora fai quello". Nessuna memoria, nessuna previsione, nessun ragionamento sul futuro. Percepisce lo stato attuale e reagisce.

Il termostato è l'esempio classico: se la temperatura scende sotto la soglia, accende. Un robot aspirapolvere: se trova sporco, pulisce. In fabbrica ne trovi ovunque, e fanno un lavoro prezioso. Un sensore che ferma una macchina se rileva calore o vibrazioni eccessive. Un controllo qualità che scarta il pezzo sottopeso dal nastro.

Sono leggerissimi, velocissimi e affidabili: stesso input, stesso output, sempre. Il limite è ovvio. Senza memoria non imparano e non si adattano. Se cambia l'ambiente, le regole vanno riscritte a mano da un umano.

2. Agenti basati su modelli

Un gradino sopra. Questi mantengono un modello interno del mondo, cioè una memoria di quello che hanno percepito e dedotto. Così se la cavano anche quando non vedono tutto direttamente.

L'esempio che chiarisce tutto: una pressa industriale. Un agente a riflessi semplici la spegnerebbe ogni volta che la temperatura supera i 100 gradi. Uno basato su modelli invece sa che un picco di calore è normale all'avvio, ma non dopo un'ora di lavoro. Usa questa memoria per evitare spegnimenti inutili. Ricorda il contesto, quindi decide meglio.

3. Agenti basati su obiettivi

Qui compare la pianificazione. Un agente basato su obiettivi non reagisce soltanto: ha un traguardo e ragiona su come arrivarci, valutando le azioni possibili e scegliendo quella che lo avvicina.

Pensa a un robot in un magazzino che deve prelevare un pacco da uno scaffale. Potrebbe muoversi a caso e sbattere contro gli ostacoli, come un aspirapolvere. Molto meglio pianificare un percorso che eviti le deviazioni. Lavora in quattro fasi: definisce l'obiettivo, pianifica, sceglie l'azione, esegue. E se durante il tragitto trova un imprevisto, i più flessibili ricalcolano al volo, esattamente come Google Maps che ti devia intorno all'ingorgo.

Il limite: ragionano in termini binari, obiettivo raggiunto o no. Vanno benissimo finché il criterio di successo è chiaro.

4. Agenti basati sull'utilità

E quando gli obiettivi sono più di uno e vanno in conflitto? Qui serve un salto. L'agente basato sull'utilità non punta a un solo traguardo: pesa i compromessi con una funzione di utilità, cioè una formula che dà un punteggio a ogni possibile risultato. Poi sceglie l'azione col punteggio più alto.

L'auto a guida autonoma è il caso da manuale. Deve bilanciare durata del viaggio, consumo, sicurezza, traffico. Non basta "arriva a destinazione": deve calcolare quale combinazione conviene di più, momento per momento. Stesso ragionamento per i sistemi di prezzo dinamico o per la logistica, dove costo, rischio ed efficienza tirano in direzioni diverse.

È il tipo più sfumato, ma anche il più delicato da costruire: la funzione di utilità va scritta bene, e qui si apre pure la domanda etica di chi decide quei valori. Su un'auto che può fare male a una persona, non è un dettaglio.

5. Agenti di apprendimento

L'ultimo gradino. Questi migliorano da soli col tempo, adattandosi a dati ed esperienze nuove invece di seguire regole fisse. Ricevono ricompense per le azioni giuste e penalità per quelle sbagliate, e affinano la strategia, un po' come si impara per tentativi.

È il cuore di guida autonoma, robotica e assistenti virtuali. Sono i più flessibili di tutti, capaci di scovare schemi nei dati che a un umano sfuggirebbero. Il prezzo è che vanno addestrati e nutriti di dati in continuazione.

Il bello arriva quando lavorano insieme

Nella pratica non scegli un tipo solo. I sistemi multi-agente li mescolano, ognuno sul compito per cui è tagliato. L'esempio di un ospedale rende l'idea meglio di mille definizioni.

Al livello base, un agente a riflessi semplici tiene d'occhio i parametri vitali e fa scattare l'allarme se il battito di un paziente scende troppo. Sopra di lui, un agente basato su modelli gestisce le scorte di farmaci, con la memoria dei consumi storici e dei tempi dei fornitori. Più in alto, un agente basato su obiettivi coordina le dimissioni, incrociando esami, terapie e via libera degli specialisti, e se un passaggio slitta rifà il piano. Un agente basato sull'utilità assegna i letti bilanciando sicurezza, occupazione e rischio di contagio. In cima, un agente di apprendimento affina nel tempo il triage, imparando a segnalare prima i pazienti a rischio.

Cinque agenti che lavorano come un gruppo di assistenti. Con la giusta orchestrazione, il sistema è semplice dove può esserlo e complesso solo dove serve davvero. Questa è la parte che conta: non l'agente più potente, ma quello giusto al posto giusto.

---

Fonti: IBM Think, "Tipi di agenti AI" (ibm.com/think/topics/ai-agent-types) · IBM Think, "Simple reflex agents", "Model-based reflex agents", "Goal-based agents", "Utility-based agents" (ibm.com/think/topics) · IBM Think, "Cos'è l'agentic AI?" (ibm.com/think/topics/agentic-ai)