Orchestrazione di agenti AI: come farli lavorare insieme

In breve: orchestrare agenti AI significa far lavorare più modelli e strumenti sullo stesso processo, con un regista che decide chi fa cosa, in che ordine e quando serve una persona. Conviene quando un solo agente non basta per complessità, specializzazione o permessi; negli altri casi un singolo agente ben collegato costa meno e sbaglia meno.

Punti chiave

• L'orchestrazione è un'architettura, non un prodotto: un coordinatore, agenti specializzati, strumenti collegati via API e regole di controllo.
• Microsoft e Anthropic consigliano di partire dalla soluzione più semplice e di aggiungere agenti solo quando servono.
• I sistemi multi-agente consumano molti più token: nel caso descritto da Anthropic, circa 15 volte una chat.
• Ogni azione che tocca soldi, clienti o dati personali deve passare da un controllo umano.
• I rischi tipici sono errori che si propagano da un agente all'altro, istruzioni nascoste nei testi in ingresso e agenti con più permessi del necessario: si gestiscono con permessi minimi, controlli tra un passaggio e l'altro e registri completi.

L'azienda come orchestra di intelligenze artificiali è un'immagine suggestiva, ma a un e-commerce o a un'azienda B2B serve un processo che funzioni ogni giorno. Secondo Istat, nel 2025 il 16,4% delle imprese italiane con almeno 10 addetti usa almeno una tecnologia di intelligenza artificiale, contro l'8,2% del 2024; tra le grandi imprese si arriva al 53,1%. Il passo successivo è collegare chatbot e assistenti già in uso tra loro e con i sistemi aziendali.

Cos'è l'orchestrazione di agenti AI?

L'orchestrazione di agenti AI è il coordinamento di più agenti e strumenti perché completino insieme un processo, con un punto di controllo che distribuisce il lavoro e ricompone i risultati.

Un agente AI è un sistema in cui un modello linguistico decide quali passaggi eseguire e quali strumenti chiamare per raggiungere un obiettivo, entro limiti fissati. Nella guida Building effective agents, Anthropic lo distingue dal workflow, in cui modelli e strumenti seguono percorsi già definiti nel codice.

L'orchestratore è il componente che riceve il compito, lo divide, lo assegna e stabilisce quando il lavoro è finito: può essere un modello oppure un flusso a regole fisse in n8n o Make. Gli strumenti sono le funzioni che un agente può usare, come leggere un ordine, cercare un cliente nel CRM o aprire un ticket. Il Model Context Protocol (MCP) è uno standard aperto per collegare le applicazioni AI a dati e strumenti esterni; la documentazione ufficiale lo paragona a una porta USB-C.

È il passo successivo all'automazione dei processi aziendali: oltre alle regole "se A fai B", alcuni passaggi passano a modelli che leggono, classificano e propongono decisioni.

Quando servono più agenti e quando ne basta uno?

Servono più agenti quando uno solo non regge il compito per complessità delle istruzioni, numero di strumenti o separazione dei permessi; negli altri casi ne basta uno. È l'indicazione della guida di Microsoft sugli schemi di orchestrazione: usare il livello di complessità più basso che soddisfa in modo affidabile i requisiti, perché ogni livello aggiunge coordinamento, latenza e costi.

Anche i numeri invitano alla prudenza. Anthropic ha descritto il suo sistema di ricerca multi-agente: su un test interno ha superato del 90,2% un singolo agente, ma un agente consuma circa 4 volte i token di una chat e un sistema multi-agente circa 15 volte. Rende poco quando gli agenti devono condividere lo stesso contesto. Nella stessa analisi, Anthropic indica i casi in cui il multi-agente dà il meglio: compiti con molto lavoro in parallelo, informazioni che non stanno nel contesto di un solo modello e molti strumenti complessi da usare. Aggiunge che, a giugno 2025, gli agenti non erano ancora bravi a coordinarsi e a delegarsi lavoro in tempo reale.

Tre domande aiutano a decidere:

• Il processo ha fasi davvero diverse? Leggere un'email, controllare il gestionale e scrivere un'offerta richiedono strumenti diversi.
• Servono confini di sicurezza? L'agente che risponde ai clienti non deve poter emettere rimborsi.
• Il valore giustifica il costo? Se ogni pratica vale pochi euro, basta un agente o un flusso a regole.

Quali vantaggi porta l'orchestrazione a un'azienda?

Il vantaggio principale è dividere un lavoro complesso in parti più semplici da costruire, controllare e migliorare una alla volta. La guida di Microsoft elenca quattro benefici rispetto a un unico agente che fa tutto:

• Specializzazione: ogni agente si concentra su un ambito, con istruzioni più corte e meno errori di interpretazione.
• Scalabilità: si possono aggiungere o modificare agenti senza riprogettare l'intero sistema.
• Manutenzione: test e correzioni si fanno sul singolo agente, non su un blocco unico.
• Ottimizzazione: ogni agente può usare il modello, i dati e gli strumenti più adatti al suo compito, anche per contenere i costi.

C'è poi la velocità sui compiti che si possono dividere: nel sistema di Anthropic, far lavorare in parallelo da 3 a 5 sotto-agenti, ciascuno con più strumenti in parallelo, ha ridotto i tempi di ricerca fino al 90% sulle domande complesse. È un dato su un'attività di ricerca, non una promessa valida per ogni processo.

Per l'azienda il beneficio concreto è avere dati che passano da un sistema all'altro senza copia e incolla: se gli agenti scrivono in un registro comune lo stato di ogni pratica, chi decide vede in un unico punto informazioni che prima erano sparse tra piattaforma, gestionale e CRM.

Dove si applica in un e-commerce o in un'azienda B2B

Questi sono scenari d'uso tipici, da valutare caso per caso:

• Assistenza post-vendita: smistamento dei ticket, raccolta dei dati dell'ordine e bozza della risposta, come nell'esempio più avanti.
• Magazzino e catena di fornitura: un agente legge le giacenze, uno controlla gli ordini aperti ai fornitori e uno segnala i ritardi delle spedizioni; la proposta di riordino arriva all'ufficio acquisti da approvare. Per le basi vedi la guida alla digitalizzazione della logistica nelle PMI.
• Marketing personalizzato: un agente prepara le varianti dei messaggi per segmento di clienti e un altro le controlla contro le regole del marchio e il consenso privacy, prima dell'invio. Nel B2B lo stesso schema supporta l'account-based marketing, con ricerche sulle aziende target svolte in parallelo.
• Vendite e offerte: lettura delle richieste, calcolo dal listino e bozza dell'offerta da far firmare al commerciale.
• Amministrazione: confronto tra ordini, documenti di trasporto e fatture, con le anomalie segnalate a una persona.

Per un quadro più ampio su come cambia la vendita online tra aziende vedi il futuro dell'e-commerce B2B.

Quali sono i principali schemi di orchestrazione?

Gli schemi di base sono cinque: sequenziale, parallelo, smistamento, orchestratore-lavoratori e controllo incrociato. Li descrive la guida di Anthropic; quella di Microsoft ne riprende quasi tutti, alcuni con altri nomi (concorrente, handoff, maker-checker).

Schema	Come funziona	Esempio e-commerce	Esempio B2B
Sequenziale	Ogni agente lavora sul risultato del precedente, in un ordine fisso	Scheda prodotto: dati del fornitore, testo, traduzione, controllo SEO	Offerta: lettura della richiesta, calcolo dal listino, bozza del documento
Parallelo	Più agenti analizzano lo stesso input nello stesso momento; i risultati vengono uniti	Recensioni analizzate insieme per qualità, spedizione e prezzo	Azienda target analizzata su sito, notizie e bilancio
Smistamento	Un primo agente classifica la richiesta e la passa allo specialista giusto	Ticket divisi tra resi, spedizioni e pagamenti	Richieste dal sito divise tra commerciale, assistenza e amministrazione
Orchestratore-lavoratori	Un agente centrale divide il compito, lo assegna e ricompone le risposte	Analisi settimanale delle vendite con un sotto-agente per canale	Preparazione di un incontro: azienda, interlocutori e storico CRM
Controllo incrociato	Un agente produce, un altro verifica con criteri espliciti e rimanda indietro se serve	Testi prodotto controllati contro le affermazioni non consentite	Risposte a capitolati controllate contro i requisiti richiesti

Microsoft descrive anche due schemi più avanzati. Nella chat di gruppo più agenti discutono nello stesso thread, guidati da un moderatore che decide chi parla; la guida suggerisce di limitarla a tre agenti o meno, perché con più partecipanti il flusso diventa difficile da controllare. Nello schema magentic un agente responsabile costruisce e aggiorna un elenco di compiti per problemi aperti, senza un percorso definito in partenza; è lento ad arrivare a una conclusione e va evitato quando il lavoro ha scadenze strette.

Nella pratica gli schemi si combinano: per molti processi bastano smistamento iniziale, tratto sequenziale e controllo finale. Microsoft stessa suggerisce di non forzare un flusso dentro un unico schema, per esempio una prima parte sequenziale e poi un'analisi in parallelo.

Come funziona su un processo reale?

Su un processo reale l'orchestrazione divide la pratica in passaggi, dà a ogni agente un compito stretto e lascia alla persona le decisioni che costano. Prendiamo uno scenario, dichiarato come tale: un e-commerce di articoli per la casa riceve alcune centinaia di richieste post-vendita al mese tra email e modulo del sito, e oggi una persona le gestisce aprendo a mano piattaforma, gestionale di magazzino e sito del corriere.

1. Ingresso. Un flusso n8n riceve email e moduli e salva la richiesta.
2. Smistamento. Un agente su un modello piccolo ed economico assegna categoria (stato dell'ordine, reso, prodotto danneggiato, fattura) e urgenza.
3. Raccolta dati. Lo specialista della categoria legge ordine, spedizione e politica di reso. Non ha accesso ai pagamenti.
4. Bozza. Un agente scrittore prepara la risposta con il tono del negozio e i soli dati reali dell'ordine.
5. Controllo. Un agente verificatore controlla le regole: nessuna promessa di rimborso, date coerenti con il tracking, lingua del cliente. Se qualcosa non torna rimanda indietro una volta, poi passa a una persona.
6. Approvazione. Le risposte informative partono da sole; resi e rimborsi arrivano all'operatore come bozza da approvare, e tutto resta registrato.

Lo stesso disegno vale nel B2B: per un fornitore di componenti, la richiesta di offerta può essere letta da un agente che estrae codici e quantità, verificata da un secondo agente su listino e condizioni del cliente nel CRM, e trasformata in una bozza che il commerciale firma. L'agente non decide gli sconti: li propone, con il calcolo in chiaro.

Ogni agente deve avere un compito, permessi limitati e un criterio per dire "ho finito". Per capire se il sistema rende servono indicatori fissati prima, come spiego nella guida ai KPI per misurare il valore dell'AI.

Come comunicano gli agenti tra loro: MCP e A2A

Gli agenti comunicano in due direzioni: verso gli strumenti e i dati, e verso altri agenti. Per ciascuna esiste oggi un protocollo aperto.

• MCP (Model Context Protocol) collega un'applicazione AI a strumenti e dati esterni: database, file, gestionale, CRM. È il canale "agente-strumento".
• A2A (Agent2Agent) collega agenti diversi tra loro. Google lo ha presentato ad aprile 2025 con oltre 50 partner tecnologici, descrivendolo come complementare a MCP. A giugno 2025 il progetto è passato alla Linux Foundation, con il sostegno di oltre 100 aziende. Con A2A gli agenti si scoprono, si scambiano compiti e informazioni e collaborano senza condividere memoria interna, strumenti o logica proprietaria.

Per una PMI la domanda pratica è un'altra: serve A2A solo se devi far parlare agenti di fornitori diversi, per esempio l'agente del tuo CRM con uno costruito su misura. Se tutti gli agenti vivono nello stesso flusso n8n o nello stesso framework, si passano i dati direttamente e il protocollo non è necessario.

Conta anche quanto contesto si passa da un agente all'altro. La guida di Microsoft ricorda che nei sistemi multi-agente il contesto cresce in fretta, perché ogni agente aggiunge ragionamenti e risultati degli strumenti: conviene passare al successivo solo ciò che gli serve, riassumendo o eliminando il resto, per restare nei limiti dei modelli e contenere i costi.

Quali strumenti servono per orchestrare agenti AI?

Servono quattro mattoni: motore di flussi, modelli linguistici, connettori e un database.

• Motore di flussi: n8n o Make gestiscono attivazioni, nuovi tentativi e approvazioni. In n8n il nodo AI Agent Tool permette a un agente principale di chiamare altri agenti come strumenti.
• Modelli: uno più capace per orchestrare e scrivere, modelli piccoli per classificare ed estrarre.
• Connettori: API di Shopify, WooCommerce, CRM e gestionale, oppure server MCP. Dove mancano le API, l'orchestrazione non è affidabile.
• Memoria e registri: un database, per esempio Supabase, con lo stato di ogni pratica e le decisioni umane.

Come questi sistemi stiano cambiando il mercato del software lo trovi in agenti AI e futuro del SaaS. Altri casi d'uso sono nella sezione AI in azienda del blog; il disegno di flussi e collegamenti è il cuore dei miei progetti di automazione e AI per le aziende.

Quali framework e piattaforme si usano per orchestrare agenti?

La scelta dipende da chi costruisce e mantiene il sistema: piattaforme visuali se il team non scrive codice, framework di programmazione se c'è uno sviluppatore. Le descrizioni qui sotto vengono dalla documentazione ufficiale di ciascuno strumento.

Strumento	Tipo	Cosa offre	Quando ha senso
n8n	Piattaforma di automazione visuale	Flussi con trigger, integrazioni e nodi AI; con AI Agent Tool un agente ne chiama altri come strumenti	PMI ed e-commerce che vogliono collegare piattaforma, CRM e gestionale senza scrivere molto codice
LangGraph	Framework per sviluppatori (Python)	Flussi a grafo con stato condiviso, passaggi fissi e passaggi decisi dal modello, ripresa dopo un'interruzione, intervento umano	Processi lunghi in cui serve controllo preciso su stato e percorso
CrewAI	Framework per sviluppatori (Python)	Squadre di agenti con ruoli, strumenti, memoria e flussi con stato persistente	Team tecnici che ragionano per ruoli, per esempio ricercatore, analista e revisore
Microsoft Agent Framework	Framework per sviluppatori (.NET e Python)	Successore di AutoGen e Semantic Kernel: schemi multi-agente, flussi con percorsi espliciti, gestione dello stato e dei passaggi con intervento umano	Aziende che lavorano già su Azure e nell'ecosistema Microsoft
OpenAI Agents SDK	Libreria per sviluppatori (Python)	Pochi elementi: agenti, passaggio di consegne tra agenti, controlli su input e output, tracciamento integrato	Progetti che usano già i modelli OpenAI e vogliono partire leggeri

Nessuno di questi strumenti sostituisce il disegno del processo: con uno schema sbagliato, anche il framework migliore produce un sistema costoso. Se ti interessa il lato open source dell'automazione, vedi anche i framework open source per automatizzare il lavoro.

Quali rischi comporta un sistema multi-agente e come si gestiscono?

I rischi principali sono quattro: errori che si propagano, istruzioni malevole nei testi in ingresso, agenti con troppi poteri e cicli senza fine. Tutti si riducono con scelte di progetto precise.

1. Errori che si sommano. Anthropic, raccontando il suo sistema di ricerca, scrive che gli agenti mantengono uno stato e gli errori si accumulano: un passaggio sbagliato può portare l'intero lavoro fuori strada. Microsoft consiglia di validare l'output di ogni agente prima di passarlo al successivo e di fermare il flusso se la risposta è incompleta o fuori tema.
2. Istruzioni nascoste nei contenuti (prompt injection). L'OWASP la mette al primo posto tra i rischi delle applicazioni basate su modelli linguistici. Nella forma indiretta, istruzioni dentro un sito o un file letto dal modello ne cambiano il comportamento; per un e-commerce il caso tipico è un'email di un cliente che contiene ordini rivolti all'agente.
3. Troppi poteri (excessive agency). Sempre secondo OWASP, le cause sono funzioni non necessarie, permessi eccessivi sui sistemi collegati e troppa autonomia; nei sistemi multi-agente il comando dannoso può arrivare anche da un altro agente compromesso. Un agente che deve solo leggere gli ordini non deve poterli modificare o cancellare.
4. Cicli e costi fuori controllo. Microsoft segnala il rischio di passaggi di consegne o revisioni che non finiscono mai: servono un numero massimo di tentativi e un comportamento di riserva, come passare la pratica a una persona.

Le contromisure che la guida di Microsoft raccomanda sono quelle classiche dei sistemi distribuiti, applicate agli agenti: tempi massimi e nuovi tentativi, permessi minimi per ogni agente e per l'orchestratore, controlli di sicurezza in più punti (input dell'utente, chiamate agli strumenti, risposte, output finale), registro di ogni passaggio e test sia del singolo agente sia del flusso completo. Sulla parte di protezione dei sistemi vedi anche AI e sicurezza informatica.

Come applicarlo nella tua azienda: i primi passi

1. Scegli un solo processo ripetitivo e misurabile, annotando pratiche al mese e minuti per pratica.
2. Disegna i passaggi con dati, sistemi e chi decide. Dove c'è una regola fissa basta un'automazione classica.
3. Prepara un set di casi reali per i test: Anthropic racconta di aver iniziato con circa 20 richieste rappresentative dell'uso reale, abbastanza per vedere l'effetto delle modifiche nelle prime fasi.
4. Parti con un solo agente e aggiungine un secondo solo dove il primo sbaglia per troppe istruzioni o troppi permessi.
5. Inserisci i controlli umani su rimborsi, sconti, dati personali e invii a clienti nuovi, con un limite ai tentativi automatici. Microsoft suggerisce di decidere per ogni punto se l'intervento umano è obbligatorio o facoltativo e se è un'approvazione o un commento da rimandare all'agente.
6. Misura per 30 giorni: tempo per pratica, bozze approvate senza modifiche, errori e costo dei modelli, poi decidi. Poiché le risposte dei modelli cambiano da un'esecuzione all'altra, valuta la qualità con criteri scritti o con un modello giudice, non con il confronto parola per parola.

Errori da evitare

• Partire dall'architettura invece che dal processo: cinque agenti dove ne basta uno sono solo costi in più.
• Aggiungere agenti senza una vera specializzazione: Microsoft lo indica tra gli errori comuni, insieme alla latenza che cresce a ogni passaggio tra agenti.
• Dare a tutti gli stessi permessi: chi scrive risposte non deve annullare ordini.
• Usare l'AI dove serve una regola, o una regola dove serve l'AI: il calcolo dell'IVA va lasciato a un passaggio fisso; la lettura di un'email libera a un modello.
• Far scrivere più agenti in parallelo sugli stessi dati: senza un ordine chiaro di aggiornamento, i dati diventano incoerenti.
• Trascurare la qualità dei dati: con anagrafiche e listini incoerenti gli agenti propagano l'errore più in fretta, come spiego parlando di AI e contesto operativo.
• Non registrare le decisioni: senza log non sai quale agente ha sbagliato né puoi dimostrare il controllo umano; sul tema vedi governance e spiegabilità dell'AI.

Domande frequenti (FAQ)

Cos'è l'orchestrazione di agenti AI?

È il coordinamento di più agenti AI e strumenti su uno stesso processo, guidato da un orchestratore che divide il lavoro, lo assegna e ricompone i risultati. L'orchestratore può essere un modello linguistico o un flusso a regole fisse, per esempio in n8n o Make.

Che differenza c'è tra un agente AI e un'automazione classica?

Un'automazione classica esegue regole fisse, come "se arriva un ordine, crea la fattura". Un agente AI usa un modello linguistico per decidere passaggi e strumenti e gestisce testi non strutturati come email e documenti. Di solito conviene combinarli.

Quanti agenti servono per automatizzare un processo aziendale?

Quasi sempre meno di quanti si pensi. Microsoft e Anthropic consigliano di partire dalla soluzione più semplice, spesso un solo agente con i suoi strumenti, e di aggiungerne altri solo per fasi con istruzioni, strumenti o permessi davvero diversi.

Quanto costa un sistema multi-agente?

Le voci sono progettazione, integrazioni, consumo dei modelli, hosting dei flussi e supervisione. Il consumo cresce con gli agenti: nel sistema di ricerca descritto da Anthropic, il multi-agente usa circa 15 volte i token di una chat. Modelli piccoli per i compiti semplici lo contengono.

Gli agenti AI possono lavorare con Shopify, WooCommerce e il CRM?

Sì, se questi sistemi espongono API o connettori e se ogni agente ha permessi limitati al suo compito. Se per quel sistema esiste un server MCP il collegamento si semplifica; senza API, l'orchestrazione su quel sistema non è affidabile.

Serve un controllo umano sulle decisioni degli agenti?

Sì, su rimborsi, sconti, invii e dati personali. L'AI Act europeo richiede la sorveglianza umana per i sistemi ad alto rischio e trasparenza verso chi parla con un chatbot; anche negli altri casi i punti di approvazione evitano gli errori più costosi.

Quanto tempo serve per vedere i risultati?

Non esiste un tempo valido per tutti: dipende dal processo, dalla qualità dei dati e dalle integrazioni disponibili. Partendo da un solo processo, dopo circa 30 giorni di uso reale hai già i numeri per decidere: tempo per pratica, bozze approvate senza modifiche, errori e costo dei modelli. L'estensione ad altri processi conviene solo dopo.

Fonti

• Anthropic, «Building effective agents»
• Anthropic, «How we built our multi-agent research system», giugno 2025
• Microsoft Learn, «AI agent orchestration patterns», Azure Architecture Center
• Model Context Protocol, documentazione ufficiale: «What is MCP?»
• n8n Docs, nodo «AI Agent Tool»
• Istat, «Imprese e ICT – Anno 2025», comunicato stampa
• Commissione europea, «AI Act: regulatory framework for AI»
• Google for Developers, «Announcing the Agent2Agent Protocol (A2A)», aprile 2025
• Linux Foundation, «Linux Foundation Launches the Agent2Agent Protocol Project», 23 giugno 2025
• OWASP Gen AI Security Project, «LLM01: Prompt Injection»
• OWASP Gen AI Security Project, «LLM06:2025 Excessive Agency»
• LangChain Docs, «LangGraph overview»
• CrewAI, documentazione ufficiale
• Microsoft Learn, «Microsoft Agent Framework overview»
• OpenAI, documentazione «OpenAI Agents SDK»

Se vuoi capire quale processo della tua azienda conviene orchestrare per primo, e con quanti agenti, parti da una diagnosi gratuita.