Tipi di IA: una guida completa

Se ti sembra che l’Intelligenza Artificiale (IA) sia improvvisamente ovunque, è perché lo è davvero. Secondo recenti ricerche di mercato di McKinsey, l’adozione globale dell’IA è cresciuta da circa il 50–60% delle organizzazioni nel 2020–2021 a un impressionante 88% nel 2025.

Tuttavia, questa crescita esplosiva ha creato un problema linguistico. "IA" è diventato un termine passe-partout usato per descrivere tecnologie molto diverse. Viene usato in modo intercambiabile per semplici chatbot basati su regole, generatori di immagini e robot fantascientifici futuristici.

Per chi lavora con i dati, questa ambiguità è un ostacolo. Quando una persona di riferimento chiede una "soluzione di IA", dovresti capire: serve un semplice modello di regressione, un agente generativo o un sistema di visione artificiale?

In questa guida completa analizzeremo questa terminologia. Non ci limiteremo a elencare definizioni; invece, la osserveremo attraverso quattro lenti distinte: come è costruita, cosa può fare, come decide e come si inserisce nei flussi di lavoro reali.

Se sei alle prime armi con l’argomento, ti consiglio il corso Understanding Artificial Intelligence.

Che cos’è l’IA?

L’Intelligenza Artificiale (IA) è un sottocampo dell’informatica che si concentra sulla creazione di agenti intelligenti capaci di svolgere compiti che tipicamente richiedono l’intelligenza umana, come la risoluzione di problemi, il riconoscimento vocale e il decision-making.

L’IA è una scienza interdisciplinare con molti approcci. Può essere basata su regole (operando in condizioni predefinite) oppure utilizzare algoritmi di machine learning per apprendere dai dati, consentendo ai sistemi di adattarsi a scenari imprevisti.

Tuttavia, definire l’IA in modo preciso risulta sorprendentemente difficile a causa di quello che i ricercatori chiamano "Effetto IA". Questo fenomeno descrive come la percezione sociale dell’IA cambi costantemente con la maturazione delle tecnologie. Quando una capacità diventa comune, le persone smettono di chiamarla "IA" e la considerano software ordinario. 

A causa di questa definizione mutevole e dell’ampio perimetro, una singola classificazione non basta. Servono più lenti per avere il quadro completo:

• Tecnologia: Gli algoritmi e le architetture sottostanti. 
• Capacità: Misurazione del livello di intelligenza da ristretta a superintelligente.
• Funzionalità: Come i sistemi elaborano le informazioni e mantengono la memoria?

Per esempio, un’auto a guida autonoma può essere classificata in tre modi contemporaneamente:

• IA ristretta (in base alla capacità specifica).
• Deep Learning (in base alla tecnologia sottostante).
• Memoria limitata (in base alla funzionalità).

Nelle sezioni seguenti esploreremo questi tipi specifici.

Per un’introduzione rigorosamente non tecnica alle basi, ti consigliamo di leggere la nostra Guida all’IA per principianti.

Tipi di IA basati sulla tecnologia

Il modo più rigoroso per classificare l’IA è in base alla tecnologia sottostante, il "motore" che alimenta il sistema. Questa classificazione separa i sistemi in base a come elaborano i dati e apprendono. Vediamo i diversi tipi.

Machine learning

Il Machine Learning (ML) è un sottoinsieme dell’IA che si concentra su sistemi che apprendono dai dati e migliorano senza essere esplicitamente programmati per ogni singola regola. Invece di scrivere codice che dice "se questo, allora quello", si forniscono dati all’algoritmo e lo si lascia trovare i pattern.

Il machine learning si divide in tre paradigmi principali di apprendimento, ciascuno adatto a diversi tipi di problemi:

• Apprendimento supervisionato: La forma più comune in ambito business. Utilizza dati etichettati (coppie input-output) per addestrare gli algoritmi. Per esempio, puoi mostrare al modello 1.000 email etichettate "Spam" o "Non Spam" ed esso impara a classificare la successiva email. Algoritmi comuni includono Regressione lineare, K-Nearest Neighbors (KNN) e Alberi decisionali.
• Apprendimento non supervisionato: L’algoritmo riceve dati non etichettati e deve trovare autonomamente strutture o pattern nascosti. È spesso usato per la segmentazione dei clienti (clustering). K-Means Clustering e Analisi delle Componenti Principali (PCA) sono tra gli algoritmi più utilizzati.
• Reinforcement Learning (RL): Seguendo una strada del tutto diversa, l’RL insegna agli agenti tramite tentativi ed errori usando un sistema di ricompense e penalità. Un agente RL riceve feedback sulla sua interazione con l’ambiente e impara gradualmente quali comportamenti massimizzano le ricompense cumulative nel tempo. È il metodo usato per addestrare robot e IA avanzate per i giochi, come AlphaGo.

Per costruire una solida base di machine learning, ti consiglio di seguire il percorso di competenze Machine Learning Fundamentals with Python.

Deep learning

Il deep learning (DL) è un sottoinsieme specializzato dell’ML ispirato alla struttura del cervello umano. Utilizza reti neurali artificiali con molti livelli (da cui "deep") per modellare relazioni complesse e non lineari in vasti dataset. Mentre l’ML tradizionale può raggiungere un plateau con più dati, il DL spesso continua a migliorare.

Le architetture chiave includono:

• Reti Neurali Convoluzionali (CNN): Lo standard d’oro per l’elaborazione delle immagini. Usano "filtri" per scansionare automaticamente le immagini e rilevare gerarchie spaziali come bordi, forme e texture.
• Reti Neurali Ricorrenti (RNN): Progettate per dati sequenziali come serie temporali o parlato. Mantengono una "memoria" degli input precedenti per influenzare l’output corrente.
• Transformer: L’architettura alla base dei moderni Large Language Models (LLM), come GPT 5.2 e Gemini 3. Utilizza un meccanismo di attenzione per elaborare intere sequenze di dati simultaneamente, pesando l’importanza delle parole tra loro anziché processarle una per una.
• Reti Generative Avversarie (GAN): Un framework in cui due reti competono, un "generatore" che crea dati finti e un "discriminatore" che tenta di rilevare i falsi. Questa competizione produce output sintetici altamente realistici.
• Modelli di diffusione: Il motore dietro strumenti come Midjourney. Generano immagini di alta qualità imparando a invertire sistematicamente il rumore casuale in immagini chiare e ben definite.

Se vuoi costruire tu stesso questi modelli, ti consiglio di iniziare con il corso Introduction to Deep Learning with PyTorch.

Elaborazione del linguaggio naturale

L’elaborazione del linguaggio naturale (NLP) si concentra nel permettere ai computer di comprendere, interpretare e generare il linguaggio umano in modo significativo. L’NLP colma il divario tra comunicazione umana e comprensione da parte delle macchine, gestendo ambiguità, dipendenza dal contesto e complessità insite nel linguaggio naturale.

Le tecniche includono:

• Analisi del sentiment: Analizzare il sentimento dietro una frase, ad esempio classificare se una recensione è positiva o negativa
• Named Entity Recognition (NER): Identificare persone o luoghi nel testo
• Tokenizzazione: Scomporre il testo in unità più piccole, come parole, sillabe o persino singoli caratteri

Vediamo un esempio di analisi del sentiment usando transformers in Python:

# Example: Sentiment analysis using transformers
from transformers import pipeline
# Load pre-trained sentiment analysis model
sentiment_analyzer = pipeline("sentiment-analysis")
# Analyze multiple texts
texts = [
    "This product exceeded my expectations!",
    "Terrible customer service, very disappointed.",
    "The quality is okay, nothing special."
]
results = sentiment_analyzer(texts)
for text, result in zip(texts, results):
    print(f"Text: {text}")
    print(f"Sentiment: {result['label']}, Confidence: {result['score']:.2f}\n")

Text: This product exceeded my expectations!
Sentiment: POSITIVE, Confidence: 1.00

Text: Terrible customer service, very disappointed.
Sentiment: NEGATIVE, Confidence: 1.00

Text: The quality is okay, nothing special.
Sentiment: NEGATIVE, Confidence: 0.98

Visione artificiale

La visione artificiale consente alle macchine di ricavare informazioni significative da immagini e video digitali, permettendo ai computer di percepire e comprendere i dati visivi in modo simile alla percezione umana. Questo campo si occupa di identificare oggetti, misurare distanze o persino riconoscere pattern invisibili agli occhi umani.

I sistemi di visione artificiale combinano tecniche di elaborazione delle immagini con il machine learning, in particolare il deep learning, per estrarre rappresentazioni sempre più astratte dai dati visivi grezzi. I compiti chiave includono:

• Classificazione delle immagini: Identificare cosa c’è in un’immagine (ad es., "Questa è un gatto").
• Rilevamento di oggetti: Localizzare dove si trova un oggetto (ad es., "C’è un pedone alle coordinate x,y").
• Riconoscimento facciale: Verificare l’identità in base alle caratteristiche del volto.

L’imaging medico rappresenta una delle applicazioni più impattanti della visione artificiale, con sistemi di IA che rilevano tumori in radiografie, TAC e risonanze magnetiche con livelli di accuratezza pari o superiori a quelli dei radiologi umani. Questi sistemi non sostituiscono i professionisti sanitari, ma li supportano, ad esempio segnalando potenziali anomalie per una revisione esperta.

Elaborazione audio

L’elaborazione audio si concentra sul riconoscere, interpretare e sintetizzare segnali acustici, inclusi sia il parlato umano sia i suoni ambientali. L’obiettivo è consentire alle macchine di ascoltare, comprendere e generare contenuti audio, colmando il divario tra onde acustiche e significato semantico. 

L’Automatic Speech Recognition (ASR) converte il linguaggio parlato in testo scritto e alimenta assistenti vocali, servizi di trascrizione e strumenti di accessibilità. I moderni sistemi ASR utilizzano architetture transformer per mappare direttamente le forme d’onda audio in sequenze di testo, raggiungendo un’accuratezza quasi umana su parlato pulito e migliorando costantemente in condizioni difficili come rumore di fondo o accenti. 

I motori Text-to-Speech (TTS) come Amazon Polly eseguono l’operazione inversa, sintetizzando parlato naturale a partire da testo scritto tramite vocoder neurali che generano prosodia, intonazione ed espressione emotiva realistiche. I sistemi TTS contemporanei possono clonare voci partendo da pochi minuti di audio campione, aprendo sia possibilità creative sia questioni etiche.

Le applicazioni si estendono oltre l’elaborazione del parlato, in ambiti creativi e pratici. La tecnologia di voice cloning abilita assistenti virtuali personalizzati, narrazione di audiolibri con voci coerenti e controversi audio deepfake.

Robotica e IA incarnata

Questa è l’intersezione tra IA e ingegneria. L’IA incarnata consiste nel mettere "cervelli" avanzati (come i modelli visione-linguaggio) in corpi robotici fisici. Mentre molta IA esiste in forma puramente digitale, l’IA incarnata deve confrontarsi con gravità, attrito e l’imprevedibile complessità degli ambienti fisici. 

Questo ancoraggio alla realtà introduce sfide assenti nell’IA puramente computazionale, ma consente anche l’interazione diretta con il mondo fisico. I robot tradizionali richiedevano una programmazione esplicita per ogni compito, con ingegneri che codificavano manualmente movimenti precisi e alberi decisionali per ottenere risultati specifici. 

I moderni sistemi di IA incarnata comprendono comandi in linguaggio naturale, come "raccogli la mela" o "apri quella porta", usando la percezione visiva per identificare gli oggetti e pianificare azioni appropriate senza richiedere una programmazione specifica per il compito. 

Questo avanzamento affronta il Paradosso di Moravec, l’osservazione secondo cui compiti banali per gli umani, come piegare il bucato, aprire porte e muoversi in stanze ingombre, risultano straordinariamente difficili per i robot, mentre compiti difficili per gli umani, come gli scacchi o il calcolo, sono relativamente facili per l’IA. 

L’IA incarnata, usando foundation model, sta finalmente colmando questo divario fornendo ai robot la comprensione percettiva e la pianificazione adattiva che gli umani danno per scontate. Le applicazioni includono dispositivi consumer come aspirapolvere robot, cobot industriali e avanzati umanoidi come Atlas di Boston Dynamics.

Tipi di IA basati sulle capacità

Se la tecnologia definisce come è costruita un’IA, la capacità definisce cosa può fare rispetto all’intelligenza umana. Questa classificazione funge da linea temporale dell’evoluzione dell’IA, muovendosi dai limiti attuali ai futuri teorici.

Intelligenza artificiale ristretta

L’Intelligenza Artificiale Ristretta (ANI), nota anche come Weak AI, rappresenta l’intelligenza artificiale che esiste oggi. Indica sistemi progettati per eccellere in compiti specifici e predefiniti, ma che falliscono completamente se assegnati a qualcosa al di fuori dei loro ristretti parametri di addestramento. Un bot per gli scacchi non può guidare un’auto e uno strumento di diagnostica medica non può scrivere poesie.

Tuttavia, la definizione di "ristretta" si sta ampliando. Lo stato dell’arte attuale coinvolge avanzati Large Language Model (LLM) multimodali. Stiamo assistendo all’uscita di modelli come GPT-5.2 e Gemini 3, che possono elaborare contemporaneamente input testuali, audio e visivi. 

Pur imitando il ragionamento, mancano ancora di una comprensione genuina del mondo. Gli sviluppatori interagiscono con questi sistemi ANI tramite API per integrarli nelle applicazioni.

Il passo successivo all’interno dell’ANI è l’IA agentica. Si tratta di sistemi che vanno oltre la chat passiva; possono eseguire autonomamente azioni multi-step come navigare sul web per prenotare un volo, fungendo da ponte verso un’intelligenza più ampia.

Intelligenza artificiale generale

L’Intelligenza Artificiale Generale (AGI) è il sacro graal della ricerca sull’IA. Si riferisce a uno stadio teorico in cui una macchina possiede la capacità di apprendere, ragionare e risolvere problemi in domini completamente non correlati, eguagliando la flessibilità cognitiva umana.

Il discriminante chiave è la generalizzazione. Un sistema ANI addestrato a parlare portoghese non può usare quella conoscenza per imparare più velocemente lo spagnolo. Un sistema AGI potrebbe applicare la logica da un campo a un altro senza riaddestramento manuale.

La timeline per l’AGI è oggetto di intenso dibattito. Gli ottimisti del settore ne prevedono l’arrivo tra il 2026 e il 2029. Al contrario, gli scettici sostengono che ci manchi l’architettura fondamentale (in particolare, accurati "world model") per raggiungerla, collocando la timeline al 2040 o oltre.

Superintelligenza artificiale

La superintelligenza artificiale (ASI) descrive uno stadio ipotetico in cui l’IA supera le menti umane più brillanti in praticamente ogni campo: creatività scientifica, saggezza generale, abilità sociali e problem solving. L’ASI non si limiterebbe a eguagliare Einstein o Da Vinci; li supererebbe tanto quanto loro hanno superato l’intelligenza umana media.

La preoccupazione più significativa attorno all’ASI riguarda il miglioramento ricorsivo, in cui un’ASI ridisegna la propria architettura per diventare più intelligente, poi usa quell’intelligenza potenziata per ulteriori miglioramenti, creando un loop di feedback fuori controllo con un’accelerazione esponenziale dell’intelligenza. 

Questa esplosione di intelligenza potrebbe produrre rapidamente sistemi così lontani dalla comprensione umana che prevederne il comportamento diventerebbe impossibile, sollevando profonde questioni di sicurezza su allineamento e controllo. Se gli obiettivi di un’ASI fossero anche solo leggermente disallineati con i valori umani, la sua superiore intelligenza potrebbe perseguirli in modi dannosi per l’umanità.

Non esiste una roadmap credibile per costruire l’ASI e molti ricercatori mettono in dubbio che la superintelligenza sia persino raggiungibile o coerente come concetto. Tuttavia, la sua possibilità teorica motiva seri lavori accademici sull’allineamento dell’IA per garantire che sistemi sempre più capaci restino benefici e controllabili. 

Tipi di IA basati sulla funzionalità

Se la capacità misura la potenza, la funzionalità misura come il sistema interagisce con il mondo ed elabora i dati. Questa classificazione ci consente di distinguere tra un computer per gli scacchi degli anni ’90 e i robot sociali del futuro. Diamo un’occhiata a ciascun tipo.

Macchine reattive

Le macchine reattive rappresentano la forma più basilare e antica di IA. Questi sistemi non hanno alcun concetto di passato o futuro, ma operano strettamente sugli input immediati in base a regole pre-programmate.

La caratteristica distintiva dell’IA reattiva è che è stateless e deterministica. Se fornisci esattamente lo stesso input a una macchina reattiva dieci volte, produrrà esattamente lo stesso output dieci volte. Non può apprendere dall’esperienza perché non memorizza ricordi.

Un buon esempio di questo tipo è Deep Blue di IBM, il computer per gli scacchi che ha sconfitto Garry Kasparov. Non ha imparato la psicologia di Kasparov. Ha semplicemente calcolato la mossa migliore in base allo stato attuale della scacchiera. Anche i filtri antispam standard che segnalano parole chiave senza analizzare la cronologia delle tue email rientrano in questa categoria.

IA a memoria limitata

L’IA a memoria limitata domina le applicazioni moderne. Memorizzando temporaneamente dati o contesto recenti per prendere decisioni informate, i sistemi di IA a memoria limitata consentono comportamenti dinamici. A differenza delle macchine reattive, fanno riferimento a informazioni storiche entro una finestra di contesto limitata.

Quasi tutta l’IA Predittiva e l’IA Generativa utilizzate oggi rientrano in questa categoria. LLM come Claude Opus 4.5 mantengono la cronologia della conversazione, ricordando ciò che hai detto pochi minuti prima per fornire risposte coerenti che si basano sugli scambi precedenti. La finestra di contesto determina quante informazioni storiche il sistema può richiamare. 

Le auto a guida autonoma tracciano la velocità e la traiettoria dei veicoli vicini per diversi secondi, prevedendone le posizioni future piuttosto che reagire solo alla loro posizione attuale.

IA con teoria della mente

La Theory of Mind AI occupa uno spazio conteso tra prototipo di ricerca e capacità pratica. I sistemi che rientrano in questa categoria modellerebbero stati mentali umani, credenze, intenzioni, emozioni e desideri per prevedere accuratamente il comportamento. 

Questa capacità è essenziale per l’interazione sociale naturale, consentendo all’IA di interpretare segnali impliciti, rilevare l’inganno o adattare le risposte all’umore dell’utente. 

Modelli di frontiera precedenti come GPT-4 di OpenAI hanno già raggiunto risultati a livello umano in compiti di false belief, come prevedere azioni basate su credenze errate, come mostrato nello studio PNAS 2024 del ricercatore di Stanford Michal Kosinski. 

Eppure, gli esperti dibattono se ciò significhi che i moderni LLM possano già essere classificati come autentici sistemi con teoria della mente o se applichino semplicemente il pattern matching derivato dall’addestramento linguistico. Sforzi prototipali includono ToMnet di DeepMind, progettato per dedurre le credenze di altri agenti in ambienti simulati.

IA autocosciente

L’IA autocosciente descrive il concetto di macchine che possiedono coscienza, sentienza e una chiara comprensione della propria esistenza separata dal mondo circostante. 

Ciò rappresenta non solo intelligenza ma esperienza soggettiva. Una macchina del genere non si limiterebbe a elaborare informazioni su sé stessa, ma avrebbe una percezione vissuta del "Io esisto" con sentimenti, bisogni e desideri associati.

Questo livello trascende la capacità computazionale, entrando nel territorio filosofico sulla natura stessa della coscienza. Un’IA autocosciente proverebbe dolore, piacere o paura di essere disattivata? In tal caso, merita considerazione morale o diritti? Queste domande spostano la conversazione dall’ingegneria all’etica.

Nessun sistema esistente si avvicina a questo livello. Esempi di finzione, come HAL 9000 da 2001: Odissea nello spazio o Data da Star Trek, illustrano il concetto, ma resta speculativo se sarà mai raggiunto.

Tipi chiave di modelli di IA

Oltre alla teoria di alto livello, chi lavora con i dati deve comprendere le architetture specifiche che incontrerà in produzione. In linea di massima, i tipi di modelli di IA utilizzati oggi nell’industria possono essere classificati come creatori o analisti. Puoi leggere di più su questa distinzione in questo articolo su modelli generativi versus discriminativi.

IA generativa: i creatori

I modelli di IA generativa sono progettati per generare nuove istanze di dati che somigliano ai dati di addestramento. Questi modelli apprendono la distribuzione di probabilità sottostante a un dataset per produrre testo, immagini, codice o audio originali. Questo passaggio dall’analisi alla creazione offre molte possibilità per la generazione scalabile di contenuti, l’augmentazione creativa e la simulazione. 

Esempi popolari includono LLM come Claude per la scrittura e il coding, modelli di diffusione come Midjourney o Nano Banana Pro per la sintesi di immagini, e modelli di generazione video come Sora che possono simulare scene complesse. Va notato che non tutti i generatori di immagini si basano sulla diffusione; modelli come GPT Image 1.5 utilizzano invece un’architettura autoregressiva.

L’IA generativa rappresenta un grande passo avanti nei flussi di lavoro di IA agentica, in cui i modelli non solo rispondono ma creano attivamente asset o piani. Più avanti approfondiremo gli agenti di IA.

IA discriminativa: gli analisti

Mentre l’IA generativa conquista i titoli, l’IA discriminativa, nota anche come IA predittiva, rimane la spina dorsale delle operazioni aziendali. Questi modelli non creano nuovi dati; imparano invece il confine tra classi in un dataset per classificare input o prevedere valori futuri.

Il valore di business dell’IA discriminativa risiede nella sua capacità di informare il decision-making e valutare il rischio. Le organizzazioni usano questi modelli per automatizzare giudizi che richiedono un’applicazione coerente di criteri appresi.

A differenza dei modelli generativi, i modelli discriminativi non sono incentrati sulla creatività ma privilegiano accuratezza e affidabilità, operando spesso in scenari ad alto impatto dove gli errori hanno conseguenze significative.

Esempi includono:

• Modelli di credit scoring che prevedono il rischio di insolvenza.
• Filtri antispam che classificano le email come posta indesiderata o legittima.
• Strumenti diagnostici medici che identificano anomalie nelle radiografie.
• Sistemi di monitoraggio finanziario che rilevano transazioni fraudolente. 

Foundation model

I foundation model si addestrano su dataset vasti e diversificati che includono testo, immagini, codice e dati strutturati, apprendendo pattern generali applicabili tra domini. Un foundation model non si limita a classificare immagini o generare testo; sviluppa una comprensione ampia del linguaggio, del ragionamento e della conoscenza del mondo che si trasferisce a nuovi compiti con un addestramento aggiuntivo minimo.

Questo approccio riduce drasticamente il tempo e i dati necessari per distribuire l’IA in nuove applicazioni. Invece di costruire un modello separato per ogni problema specifico, le organizzazioni fanno fine-tuning di un singolo foundation model per compiti diversi, dall’analisi di documenti legali alla generazione di codice fino alla traduzione linguistica.

Stiamo assistendo a una crescita dei Small Language Model (SLM). Si tratta di versioni efficienti e distillate dei foundation model progettate per essere eseguite localmente sui dispositivi (come laptop o telefoni), offrendo privacy e velocità senza l’enorme costo computazionale dei giganti basati su cloud.

Tipi di agenti di IA

L’IA sta evolvendo da strumenti passivi ad agenti autonomi in grado di eseguire flussi di lavoro complessi. Mentre un modello standard attende un input per produrre un output, un Agente di IA può percepire l’ambiente, ragionare su come raggiungere un obiettivo e agire per eseguirlo. Per comprendere l’architettura degli agenti e come costruirli, ti consiglio di iniziare con il corso Introduction to AI Agents.

I tipi di agenti di IA sono generalmente classificati in base al livello di complessità e autonomia. Diamo un’occhiata.

Agenti riflessi semplici

Gli agenti riflessi sono la forma più semplice di agente. Operano con una rigida regola "Condizione-Azione", reagendo solo alla percezione corrente e ignorando la storia. Un termostato smart ne è un esempio con regole come: se la temperatura scende sotto i 68°F, accendi il riscaldamento. Se supera i 72°F, attiva il raffrescamento. 

I robot da catena di montaggio sono un altro esempio; eseguono azioni quando i sensori rilevano condizioni che indicano che i pezzi hanno raggiunto le posizioni designate. Gli agenti riflessi eccellono in compiti ripetitivi in ambienti stabili, ma faticano quando le condizioni cambiano inaspettatamente, poiché manca loro la comprensione contestuale per adattarsi.

Agenti riflessi basati su modello

Gli agenti riflessi basati su modello mantengono un modello interno del mondo, tracciando lo stato nel tempo per gestire ambienti parzialmente osservabili. Non solo reagiscono, ma ricordano informazioni chiave necessarie per operare correttamente.

I sistemi di frenata automatica di emergenza ne sono un esempio, fondendo dati da radar e telecamere per tracciare le traiettorie dei veicoli nel tempo, invece di reagire solo alle minacce immediate. Mantengono stime di stato accurate anche con informazioni incomplete, come ricordare la posizione stimata di un’auto dopo che scompare dietro un camion.

Agenti basati su obiettivi

Gli agenti basati su obiettivi agiscono per raggiungere obiettivi specifici piuttosto che reagire soltanto. Dato un obiettivo come "organizza una vacanza in Italia", considerano più sequenze di azioni e valutano quale porta alla soddisfazione dell’obiettivo. Questo rappresenta l’avanguardia dell’IA agentica.

Strumenti come Roo Code per l’ingegneria del software o assistenti di prenotazione autonomi eseguono workflow multi-step come ricerca, confronto, verifica dei vincoli e decisioni per portare a termine interi compiti. Piattaforme di workflow come n8n consentono di costruire processi complessi in cui gli agenti di IA gestiscono punti decisionali e logiche adattive.

Se vuoi costruire una solida base sugli Agenti di IA, ti consiglio il percorso AI Agent Fundamentals.

Agenti basati sull’utilità 

Gli agenti basati sull’utilità fanno un passo ulteriore: ottimizzano il percorso migliore verso gli obiettivi anziché qualsiasi percorso funzionante. Lo fanno impiegando funzioni di utilità che assegnano punteggi numerici agli esiti, consentendo un confronto quantitativo. 

Mentre un agente basato su obiettivi prenota un qualsiasi volo per Roma, un agente basato sull’utilità considera fattori come costo, durata, scali e orari di partenza per massimizzare l’utilità complessiva.

Esempi includono sistemi di trading algoritmico che bilanciano profitto e rischio e app di navigazione come Waze, che ottimizzano i percorsi in base alle preferenze dell’utente come tempo più rapido, distanza più breve o evitamento dei pedaggi.

Agenti che apprendono

Gli agenti che apprendono operano in ambienti sconosciuti o in cambiamento, migliorando continuamente attraverso l’esperienza senza intervento umano. L’architettura include un critico che fornisce feedback sulle prestazioni e un elemento di apprendimento che modifica la policy dell’agente. 

I rover marziani imparano quali caratteristiche del terreno indicano percorsi sicuri mentre incontrano formazioni geologiche nuove. L’algoritmo di raccomandazione di Netflix è un altro esempio: affina continuamente la comprensione delle preferenze dell’utente in base alla cronologia di visione, migliorando così i suggerimenti nel tempo.

Framework agentici: costruire gli agenti

I framework agentici fungono da sistema operativo per agenti complessi, collegando il nucleo di ragionamento (tipicamente un LLM) a memoria, strumenti e coordinamento multi-agente. Gestiscono:

• Orchestrazione: Decidere quale agente gestisce ogni sotto-attività e coordinare il flusso di lavoro tra i componenti
• Pianificazione: Scomporre obiettivi complessi in passi eseguibili e adattarsi quando le circostanze cambiano
• Uso di strumenti: Fornire agli agenti accesso a motori di ricerca, database, API o esecuzione di codice
• Memoria: Mantenere la cronologia delle conversazioni e il contesto a lungo termine oltre le interazioni immediate

I framework più diffusi includono:

• LangChain/LangGraph: Standard di settore per collegare LLM a fonti dati con ampie integrazioni.
• Google ADK: Framework open source per costruire agenti sofisticati su Vertex AI.
• CrewAI: Orchestra molteplici agenti con ruoli differenti che collaborano su compiti complessi.

Per un rapido riferimento su queste architetture, ti consiglio di consultare il cheat sheet AI Agents. 

Conclusione

Abbiamo coperto molti aspetti; tiriamo le somme. 

Invece di vedere l’IA come una tecnologia monolitica, dovremmo riconoscerla come un ecosistema diversificato di approcci specializzati, ciascuno adatto a problemi particolari. Comprendere appieno l’IA richiede di esaminarla attraverso tre lenti distinte: tecnologia, capacità e funzionalità.

Attualmente operiamo nella transizione da un’IA ristretta focalizzata su compiti specifici a forme iniziali di IA agentica che eseguono autonomamente flussi di lavoro complessi, rendendo questo un punto di svolta cruciale per l’adozione in tutti i settori.

Fai il primo passo per diventare un esperto di IA iscrivendoti al percorso di competenze AI Fundamentals.