Introduzione al dilemma: prompt, skill o agente?

Nel mondo dell’intelligenza artificiale, la scelta dell’architettura giusta è fondamentale per bilanciare efficacia, costi e affidabilità. Il principio guida è chiaro: usare il sistema meno complesso che funzioni in modo affidabile. In pratica, un prompt semplice basta per percorsi conosciuti e una tantum; una skill confezionata è ideale per metodi ripetitivi e stabili; infine, un agente complesso è necessario solo quando gli obiettivi sono aperti e il percorso di esecuzione deve essere scoperto.

Questo approccio non è solo teorico: le aziende stanno già sperimentando l’adozione di sistemi “agentici”. Una ricerca globale di McKinsey del 2025 ha rilevato che il 23 % delle organizzazioni sta scalando un sistema AI agentico. Sebbene il dato sia impressionante, solleva una domanda cruciale: quando un compito richiede davvero un comportamento agentico e quando è più opportuno optare per una soluzione più semplice?

Definizioni operative: prompt, skill e agente

Prompt

Un prompt è un’istruzione singola che indica al modello cosa fare per una singola richiesta. È adatto quando l’input, la trasformazione e l’output atteso possono essere definiti prima dell’esecuzione. Esempio tipico: “Calcola il fatturato netto per regione nel Q2, escludi i resi e ordina dal più alto al più basso”. Il modello può generare SQL, eseguire la query e formattare il risultato, ma non deve inventare una strategia né decidere passi successivi.

Skill

Una skill è un prompt confezionato per il riutilizzo. Include regole, esempi, contesto, requisiti di input e controlli di output, garantendo che un compito ricorrente venga gestito sempre nello stesso modo. Il valore principale è la repeatability: gli analisti non devono riscrivere o modificare il prompt ogni volta, riducendo errori e variabilità.

Agente

Un agente è un sistema che pianifica i propri passi, scegliendo cosa fare in base a ciò che apprende durante l’esecuzione, fino a quando ritiene di aver raggiunto l’obiettivo. L’agente è necessario quando il percorso è incerto: deve formulare ipotesi, testarle con diversi strumenti, adattare il piano in base ai risultati intermedi e decidere quando fermarsi.

Quando scegliere ciascuna soluzione

Uso di un prompt: lavoro limitato e ben definito

    • Una query o poche operazioni prevedibili risolvono la domanda.
    • Le fonti dati e le definizioni di business sono note.
    • L’output è informativo o soggetto a revisione umana.
    • Il compito non richiede decisioni autonome successive.

Esempio pratico: un responsabile vendite chiede “Quali sono i prodotti più venduti nel Midwest nell’ultimo trimestre?”. Il sistema traduce la domanda in SQL, esegue la query e restituisce un grafico. Non c’è necessità di un agente, poiché il percorso è già definito.

Costruire una skill: quando i prompt si ripetono

    • Gli input variano ma il metodo rimane stabile.
    • Il compito è frequente tra più utenti o team.
    • Coerenza, versionamento e testing sono fondamentali.
    • Gli esperti di dominio possono descrivere la procedura corretta.

Un segnale di avvertimento: il prompt diventa lungo perché ripete costantemente lo stesso contesto. Se la skill inizia a riempirsi di eccezioni (“Usa il workflow A a meno che la fonte B sia mancante, tranne per i lanci di prodotto…”) è il momento di valutare se il compito sta evolvendo verso una necessità più dinamica.

Adottare un agente: percorso incerto e obiettivi aperti

    • La richiesta è un obiettivo, non una procedura.
    • Esistono più percorsi di indagine validi.
    • Il sistema deve formulare e testare ipotesi.
    • La scelta degli strumenti dipende dai risultati intermedi.
    • Il workflow deve recuperare da informazioni mancanti o azioni fallite.

Esempio avanzato: “Indaga perché i ricavi del Midwest sono diminuiti, testa possibili spiegazioni su vendite, inventario e promozioni e suggerisci la prossima azione”. Qui l’agente deve decidere da dove partire, eseguire più query, analizzare i risultati, rivedere il piano e determinare quando l’indagine è completa.

Il pericolo della sovra‑automazione: debito architetturale

Gli agenti ampliano le capacità di un sistema AI, ma introducono anche nuovi punti di fallimento. Ogni passo di ragionamento aggiunge la possibilità di un’assunzione errata, una query non valida, una chiamata a uno strumento fallita o un problema di permessi. Maggiore è l’autonomia, più è necessario implementare tracciamento, valutazione, controlli di accesso, limiti di costo e meccanismi di approvazione umana.

Un esempio semplificato di affidabilità evidenzia l’effetto cumulativo: se un workflow di otto step ha una probabilità di successo del 95 % per ogni step indipendente, la probabilità che tutti gli step riescano è circa 0,95⁸ ≈ 66 %. Anche se i sistemi in produzione possono includere retry e auto‑correzioni, il calcolo ricorda che piccole debolezze per step si amplificano in processi lunghi.

Costi, latenza e impatto operativo

Il principio di complessità si riflette anche su costi e latenza. Un prompt richiede una sola risposta del modello. Una skill può aggiungere recupero dati, validazione e qualche chiamata a strumenti. Un agente, invece, genera un piano, esegue molteplici chiamate, analizza risultati, rivede il piano e può ripetere il ciclo più volte. Questo overhead è giustificato per indagini ambigue, ma è uno spreco per report settimanali con passaggi già definiti.

Linee guida pratiche per la progettazione

Per decidere quale livello di complessità adottare, le organizzazioni possono seguire questi passaggi:

    • Definire l’obiettivo: è una domanda specifica o un risultato desiderato?
    • Mappe dei percorsi: il percorso è noto e fissato o deve essere scoperto?
    • Valutare la ripetibilità: il compito sarà eseguito più volte da diversi utenti?
    • Considerare i rischi: quanti punti di fallimento potenziali ci sono?
    • Stimare costi e latenza: quante chiamate a modelli e strumenti sono necessarie?

Se le risposte indicano un percorso ben definito e una singola esecuzione, un prompt è sufficiente. Se il compito è ricorrente con regole stabili, si passa a una skill. Solo quando l’obiettivo è aperto, le informazioni sono parziali e il sistema deve decidere dinamicamente il prossimo passo, un agente è la scelta più appropriata.

Conclusioni: la semplicità è la migliore strategia

In sintesi, la “scala di complessità” dell’AI non è una graduatoria di maturità, ma una guida pratica per scegliere l’architettura più adatta. Un prompt è la base: rapido, economico e facile da gestire. Le skill aggiungono struttura e coerenza per compiti ripetitivi. Gli agenti, infine, offrono flessibilità decisionale per problemi complessi e aperti, ma a costo di maggiore debito architetturale, costi e latenza.

Adottare la strategia del “minimo necessario” permette alle aziende di scalare l’AI in modo sostenibile, mantenendo alta l’affidabilità e riducendo i rischi operativi. Quando il design parte dal principio di “usare il sistema meno complesso che funzioni”, le organizzazioni possono trarre il massimo valore dall’intelligenza artificiale senza incorrere in sorprese indesiderate.