Pensa a tutto quello che serve per produrre, fatto bene, un articolo per il blog aziendale: scegliere un angolo che non si sovrapponga ad articoli già pubblicati, scrivere nel tono di voce concordato, controllare che i claim siano verificabili contro la knowledge interna, restare dentro a una lista chiusa di categorie e tag, evitare termini che la guida editoriale ha bandito, produrre le varianti per i tre canali social mantenendo coerenza, controllare la lunghezza dei titoli per la SEO, generare un’immagine di copertina coerente con la linea visiva. Mille sfaccettature, mille passaggi, mille regole da rispettare contemporaneamente.
Per i lavori così, con questa quantità di vincoli e di formati di output, in TECH.TEAM usiamo il pattern multi-agente: una piccola squadra di agenti AI, ognuno specializzato su una parte del compito, che si passano il lavoro lungo un flusso. Chi sceglie l’angolo, chi scrive, chi verifica i fatti, chi controlla lo stile, chi produce le varianti per ciascun canale, chi genera la cover. Ognuno con le regole solo della sua parte. Ognuno con un prompt corto e mirato sul suo compito.
In questo articolo ti raccontiamo cos’è un sistema multi-agente, perché è la ricetta giusta per i lavori complessi in azienda, e i tre esempi reali del nostro stack interno.
Cos’è un sistema multi-agente
Una piccola squadra che si scambia il lavoro. Ogni agente ha:
- un ruolo: cosa fa e cosa non fa
- un prompt mirato sul suo ruolo, corto e specifico
- un input che gli arriva da un altro agente (o da un file, o da un evento)
- un output che passa al prossimo
Esempio concreto sull’articolo del blog. L’agente A legge il brief e propone una scaletta. L’agente B scrive il corpo seguendo la scaletta. L’agente C controlla i claim contro le fonti aziendali. L’agente D ottimizza il titolo per la SEO. L’agente E produce le varianti per i canali social. L’agente F genera il prompt per la cover. Tu intervieni al gate finale per dare il via libera o chiedere una riscrittura.
È la stessa logica con cui funziona un team umano: nessuno fa tutto, ognuno fa la sua parte, e ci si passa il materiale lungo un flusso. Solo che qui i membri del team sono agenti AI che girano in parallelo o in sequenza, ognuno chiamato dal sistema quando serve.
Quattro caratteristiche del pattern
1. Ogni agente regge la sua parte di complessità. Spezzando il compito in parti specializzate, ogni agente lavora su un numero di regole e vincoli che riesce davvero a tenere a mente: chi scrive si concentra sulla scrittura, chi controlla i fatti si concentra sui fatti, chi produce le varianti social si concentra sui formati. Il modello sa cosa deve fare e con quali regole. Output più affidabili.
2. Controllo incorporato nel sistema. Il pattern prevede sempre agenti di verifica accanto agli agenti di produzione. Nel nostro caso: agenti di scrittura + agenti di verifica fattuale (controllano i claim contro un file di “feature-map” interna) + agenti di compliance editoriale (controllano regole di stile, divieti, formati). Se la verifica blocca, l’output torna indietro all’agente che lo ha prodotto con la nota specifica. Tu, persona, intervieni solo nei gate decisionali che hai scelto tu, non a ogni passaggio.
3. Contesto mirato. Ogni agente lavora con un prompt e un contesto specifici sulla sua parte, e basta. Le chiamate al modello sono più di una (una per agente), ma ciascuna è molto più corta e mirata. Sul totale per esecuzione completa il consumo di token resta contenuto: scompare il “context-tax” del prompt-tuttofare che deve sapere ogni cosa. È un guadagno economico, e soprattutto di lucidità: ogni passaggio del lavoro si concentra solo su quello che serve in quel momento.
4. Manutenibilità. Se cambi una regola, modifichi solo l’agente interessato senza riscrivere tutto. Se aggiungi un canale (un nuovo formato social, un nuovo tipo di output) aggiungi un agente in coda senza toccare gli altri. Il sistema cresce a moduli.
Quando il multi-agente dà il meglio
Il pattern brilla quando il compito ha caratteristiche concrete che ne giustificano l’investimento:
- tante sfaccettature da rispettare insieme: scrittura + verifica fatti + stile + formati + canali multipli + vincoli SEO + linea visiva. Più assi convergono nello stesso lavoro, più il pattern ripaga.
- regole specifiche da rispettare in modo rigoroso: compliance, claim verificabili, stile aziendale, formati rigorosi. Gli agenti di verifica specializzati abbattono gli errori catturandoli prima che escano.
- volumi alti su un compito articolato: stai facendo decine o centinaia di esecuzioni di un lavoro complesso. Il controllo dentro al sistema ti restituisce le ore che spenderesti a riguardare ogni output a mano.
- un flusso chiaro su carta: sai quali sono i passaggi del lavoro e in che ordine. Il pattern multi-agente è essenzialmente “scrivere su carta un team e poi metterlo in produzione”. Se il flusso lo hai già in testa o documentato, il salto è lineare.
Per compiti semplici, di poche regole e output che controlli a vista, un’unica chat con un buon prompt resta lo strumento più rapido. E per le esplorazioni e i brainstorming la chat libera è quasi sempre la scelta giusta. Il multi-agente è la risposta specifica ai lavori complessi.
I nostri esempi
Su questo lab ti raccontiamo cosa abbiamo costruito in TECH.TEAM, come esempi reali del pattern. Non sono prodotti commerciali, sono il nostro stack interno.
Pipeline marketing settimanale. Ogni settimana produciamo un pacchetto editoriale completo per un cliente interno (newsletter, blog GEO, LinkedIn, Instagram, Facebook, carosello visual). Lo facciamo con un sistema di dieci agenti che si passano il lavoro lungo il flusso: dalla scelta del tema, alla scrittura, alla verifica claim, alla produzione delle varianti per ciascun canale, fino al check finale. Il sistema legge cosa è stato fatto le settimane precedenti e produce una nuova edizione che non ripete temi già coperti.
Pipeline editoriale di questo lab. L’articolo che stai leggendo è uscito da una pipeline di sei agenti. Uno legge il master input che abbiamo scritto, uno lo trasforma in versione WordPress-ready con metadata e categorie, uno disegna il prompt per la cover (e la genera), uno produce i tre post social (LinkedIn, Facebook, Instagram), uno fa il check di compliance editoriale, uno fa il check SEO. Lo dichiariamo perché farlo senza dirlo sarebbe disonesto.
Discovery IA. L’iniziativa interna di cui questa serie fa parte è coordinata da agenti che orchestrano altri agenti: pianificano il calendario editoriale, tengono traccia dello stato dei lavori, gestiscono le comunicazioni con i collaboratori umani. La parte umana del lavoro resta dove serve davvero (decisioni editoriali, validazioni di tono, lettura finale); la parte ripetitiva è delegata al sistema.
Tutti e tre i casi hanno una caratteristica in comune: il sistema gira da solo per la maggior parte del tempo, la persona interviene solo nei gate decisionali. E in tutti e tre i casi abbiamo prima disegnato il flusso (settimane di lavoro a tavolino), poi scritto gli agenti.
Tre lezioni dopo mesi di uso interno
1. Definisci prima il flusso, poi gli agenti. Una mezza giornata di disegno del flusso a monte ti risparmia settimane di patch a valle. Il flusso è il vero deliverable da consolidare: gli agenti sono solo la sua esecuzione.
2. Gli agenti di verifica valgono come gli agenti di produzione. Investi tempo equivalente su chi scrive e su chi controlla. Il valore di un sistema multi-agente sta tanto nella velocità di produzione quanto nel fatto che gli errori vengono catturati prima di uscire.
3. La manutenzione minima va prevista sempre. I modelli evolvono, i contesti aziendali cambiano, le regole interne si raffinano. Una mezza giornata al mese di manutenzione (rileggere i prompt, controllare gli output, aggiornare i file di contesto) è il costo ricorrente. Pianificalo nel budget tempo.
Perché lo raccontiamo
Sui workflow complessi in azienda il pattern multi-agente è quello che ci sta dando di più, in mesi di uso interno. Output più affidabili, ore liberate dai controlli ripetitivi, costi di consumo modello sotto controllo, sistema che cresce a moduli. La barriera vera non è la dimensione aziendale né il budget consumo modello: è disegnare il flusso bene prima di scriverlo come sistema.
Se ti aiuta a capire dove nel tuo lavoro c’è un compito complesso che merita di essere strutturato come pattern multi-agente, avremo fatto bingo.
Domande frequenti
Cosa serve per costruire un sistema multi-agente?
A monte: un flusso chiaro su carta. A valle: un workflow tool che possa orchestrare le chiamate ai modelli e passare i dati da un agente all’altro (ne abbiamo parlato nell’articolo precedente sull’orchestratore). Un modello generativo a chiave API (cloud o on-prem). Un file system per la memoria condivisa. Niente prodotto preconfezionato, è una composizione di componenti già esistenti.
Quanto costa in termini di consumo modello?
Ogni esecuzione completa fa più chiamate al modello (una per agente), ma ognuna gira con un contesto corto e mirato. Il consumo totale per esecuzione resta tipicamente contenuto e la qualità del risultato è più affidabile. La voce di costo dominante resta comunque il setup iniziale di tempo umano, non il consumo modello.
È solo per grandi aziende?
No. I sistemi che usiamo noi non hanno richiesto un team grande per costruirli: una persona con esperienza di workflow + AI può partire. Cresce un agente alla volta. La barriera vera è avere un compito sufficientemente complesso da meritare l’investimento, e averne disegnato il flusso prima.
Si può imparare da soli?
La parte di prompt engineering si impara facendo. La parte di orchestrazione (workflow tool, file di contesto, gate di verifica) richiede mestiere di tubazione, simile a quello del 90% di cui abbiamo parlato nell’articolo precedente. Si può imparare, ed è un investimento di tempo serio. Spesso ha senso partire con un partner esterno che ti aiuta a disegnare il primo flusso, poi proseguire in autonomia.
