Il team leader invisibile: come nasce l’AI che coordina altre AI

Primo articolo della serie dedicata ai sistemi multi-agente e a come stanno cambiando il modo di lavorare, anche per chi non scrive codice.

Quando usiamo un assistente AI il rapporto è quasi sempre uno a uno: una domanda, una risposta. Un cervello, una conversazione. Da qualche tempo si sta affermando un modello diverso, e più utile per chi lavora: un’AI che coordina un gruppo di altre AI, distribuendo i compiti come farebbe un buon capo progetto.

Lo uso nel lavoro quotidiano e il cambio di prospettiva è concreto. Vale la pena spiegarlo con calma, perché è qui che si gioca buona parte del prossimo salto di produttività per chi lavora da remoto e con strumenti digitali.

L’analogia: dal singolo esperto al team

Immagina di dover preparare un’analisi complessa: raccogliere dati da cinque fonti, confrontarli, verificarli e scrivere una sintesi. Puoi farlo da solo, un pezzo alla volta. Oppure puoi essere il team leader di un piccolo gruppo: assegni a ciascun collaboratore una fonte, tutti lavorano in parallelo, e tu raccogli i risultati per comporre il quadro finale.

Il secondo metodo è più veloce, ma soprattutto è più pulito: non devi tenere in testa tutti i dettagli di tutte le fonti nello stesso momento. Ognuno approfondisce il suo pezzo e ti consegna solo la conclusione. Tu ragioni sulle sintesi, non sul rumore.

È il principio dei sistemi multi-agente. C’è un agente principale — la letteratura tecnica lo chiama lead agent o orchestratore — che riceve il problema, lo scompone in sotto-compiti e li affida a diversi sub-agenti specializzati. Ognuno lavora nel proprio spazio, in parallelo, e restituisce solo ciò che serve.

I numeri di Anthropic

Anthropic, l’azienda che sviluppa Claude, ha documentato il sistema multi-agente dietro la propria funzione di ricerca in un resoconto tecnico pubblico. I dati sono espliciti:

• Un sistema con un agente-guida (Claude Opus) che coordina più sub-agenti (Claude Sonnet) ha superato il singolo agente del 90,2% nel loro test interno di ricerca.
• Per le domande complesse questa architettura ha ridotto i tempi fino al 90%, perché i sub-agenti lavorano simultaneamente invece che in fila.
• Il parallelismo agisce su due piani: si lanciano più sub-agenti insieme e, allo stesso tempo, ogni sub-agente può eseguire più operazioni in parallelo.

Va detto subito il rovescio della medaglia, perché sarà un tema ricorrente della serie: costa. Un sistema multi-agente consuma circa 15 volte più risorse (i “token”, l’unità di misura del lavoro di questi modelli) rispetto a una normale conversazione. È una leva per compiti ad alto valore, non uno strumento da accendere per qualsiasi cosa.

Perché un solo agente non basta

Il motivo di fondo riguarda la memoria di lavoro. Ogni modello AI ha una “finestra di contesto”: lo spazio mentale in cui tiene tutto ciò su cui sta ragionando. Più cose ci infili — documenti letti, risultati di ricerche, tentativi intermedi — più quello spazio si affolla e la qualità cala.

I sistemi multi-agente aggirano il problema: il lavoro voluminoso lo svolgono i sub-agenti, ciascuno nella propria finestra separata, e l’agente principale riceve indietro solo le conclusioni. La sua memoria di lavoro resta lucida, concentrata sul ragionamento che conta. È la differenza tra un capo che legge cinque relazioni di sintesi e uno che prova a leggere cinquecento pagine grezze in un colpo solo.

Cosa cambia per chi lavora (anche senza scrivere codice)

Questi sistemi nascono in ambito tecnico — sono pensati per aiutare a scrivere software — ma il modello mentale è universale:

• Delegare invece di accentrare. Il valore si sposta dal “saper fare” al saper scomporre un problema e assegnarlo bene. È una competenza da coordinatore.
• Lavorare in parallelo. Compiti che immaginavamo in sequenza possono avvenire insieme. Cambia il modo di pianificare la giornata.
• Ragionare sulle sintesi. Diventa centrale la capacità di filtrare e integrare risultati, più che di produrli uno alla volta.

I sistemi multi-agente ci stanno insegnando un metodo di lavoro prima ancora che uno strumento.

Dove lo si tocca con mano

Lo strumento in cui questa architettura è più matura oggi è Claude Code, l’ambiente di Anthropic nato per gli sviluppatori. Al suo interno l’agente principale delega a sub-agenti specializzati — c’è chi esplora e cerca informazioni, chi progetta, chi esegue — ognuno con la propria finestra di contesto separata. Più avanti nella serie vedremo anche il livello superiore, in cui più sessioni AI comunicano tra loro come una squadra coordinata.

Nei prossimi articoli entreremo nel dettaglio: com’è fatta davvero questa squadra di agenti, chi sono i singoli sub-agenti e a cosa servono, e come si mette in piedi un flusso di lavoro coordinato, con esempi concreti. Passo dopo passo.

Fausto Pitzalis

Blogger dal 2001, Nativo Digitale, Developer.
Da 15 anni mi occupo di IT per una grande Azienda.
Lavoro per abbattere il Digital Divide.
Visita i miei altri progetti
sardiniamobility.com
www.cyberness.it