I sistemi multi-agente sono collezioni di agenti AI che interagiscono per raggiungere obiettivi individuali o condivisi, complessi. Possono essere sviluppati e deployati in un singolo ambiente o in modo indipendente in ambienti distribuiti. Questa è la definizione di Gartner, e descrive una realtà operativa molto diversa da quella di un singolo chatbot o assistente AI: sistemi in cui l'intelligenza è distribuita tra più componenti specializzati che devono coordinarsi per produrre un risultato coerente.
Il mercato ha recepito questa direzione con una velocità significativa: Gartner riporta un aumento del 1.445% nelle richieste di informazioni sui sistemi multi-agente tra il primo trimestre del 2024 e il secondo trimestre del 2025.
Da agenti task-specific a ecosistemi agentici
Gartner descrive l'evoluzione dell'agentic AI in cinque stadi. Nella prima fase gli agenti sono specifici per task, integrati in applicazioni singole. Nella seconda e terza fase l'agente diventa in grado di gestire workflow multi-step all'interno di un'applicazione. Nella quarta fase, entro il 2028, reti di agenti specializzati collaboreranno dinamicamente su più applicazioni e funzioni di business, permettendo agli utenti di raggiungere obiettivi complessi senza interagire con ciascuna applicazione individualmente. Nel quinto stadio, entro il 2029, almeno il 50% dei knowledge worker avrà sviluppato nuove competenze per lavorare con, governare o creare agenti AI su richiesta per task complessi.
Il salto di valore principale avviene nella transizione dalla terza alla quarta fase: quando gli agenti possono coordinarsi attraverso le frontiere delle applicazioni, l'automazione smette di essere un miglioramento incrementale dei processi esistenti e diventa la reingegnerizzazione dei processi stessi.
Come funziona un sistema multi-agente
Gartner descrive l'architettura fondamentale dei sistemi multi-agente come una divisione del lavoro tra agenti specializzati, ciascuno focalizzato su un task specifico, con un livello di orchestrazione che coordina il loro lavoro verso un obiettivo condiviso. I sistemi multi-agente permettono alle organizzazioni di ripensare e ridisegnare processi, prodotti ed esperienze complesse scomponendo i workflow in passaggi gestibili. Ogni passaggio viene gestito dall'agente più adatto, accelerando l'automazione innovativa e migliorando l'efficienza. Gli agenti comprovati possono essere riutilizzati attraverso workflow diversi, migliorando l'affidabilità e la scalabilità riducendo gli errori che affliggono i sistemi AI monolitici.
Gartner identifica il valore strategico nel livello di orchestrazione, non nei singoli agenti: il valore di business si sta spostando dai modelli AI all'orchestrazione agentica. Man mano che i sistemi di record cedono il posto ai sistemi d'azione e i singoli agenti cedono il posto a outcome orchestrati, il vantaggio competitivo si costruisce codificando la logica di processo di dominio in blueprint che garantiscono affidabilità e dimostrano risultati.
I rischi dell'orchestrazione: compounding error e attack surface allargata
I sistemi multi-agente introducono rischi che non esistono nei sistemi AI monolitici. Gartner ne identifica quattro principali. Il primo è il compounding error: in un sistema dove l'output di un agente diventa l'input del successivo, un errore si propaga e si amplifica lungo la catena. Un agente che estrae informazioni in modo non accurato non solo sbaglia il suo task: contamina tutti i task successivi che dipendono da quella informazione. La validazione degli output a ogni passaggio è una necessità operativa, non un'opzione.
Il secondo è la superficie d'attacco allargata: più agenti significano più credenziali, più punti di accesso, più vettori di attacco potenziali. La gestione delle identità delle macchine è già uno dei principali trend di cybersecurity per il 2025 secondo Gartner; in un sistema multi-agente questo problema si moltiplica per ogni agente nel sistema. Il terzo è il costo non lineare: le interazioni tra agenti generano costi computazionali e di latenza che non sono lineari rispetto al numero di agenti e possono produrre sorprese significative in produzione. Il quarto è la complessità di monitoraggio: osservare il comportamento di un sistema multi-agente richiede strumenti e pratiche di observability molto più sofisticate di quelle usate per i sistemi AI monolitici.
I requisiti architetturali per un sistema multi-agente che scala
Gartner identifica i requisiti architetturali fondamentali per sistemi multi-agente enterprise-class. Il design modulare e event-driven con layer semantici permette accesso rapido, sicuro e scalabile a dati multidimensionali, semplifica la collaborazione tra agenti e garantisce la flessibilità per aggiornamenti futuri. Il design modulare supporta anche l'interoperabilità con agenti di terze parti, un requisito sempre più rilevante man mano che gli ecosistemi agentici si estendono oltre i confini organizzativi.
I framework di governance robusti, le pipeline di testing continuo e il monitoraggio trasparente sono requisiti essenziali per costruire sistemi multi-agente affidabili. Governance, sicurezza, responsabilità e risk management devono essere integrati in ogni layer del sistema fin dalla progettazione. L'approccio corretto è adottare framework di governance, observability e compliance dall'inizio, usare workflow orchestrati e validare le azioni e gli output degli agenti ad ogni passaggio.
Chi coordina chi: il problema del supervisore
Un sistema multi-agente ben progettato include un livello di coordinamento che Gartner associa a quello che chiama "orchestration layer": la componente che riceve un obiettivo di alto livello, lo decompone in task, assegna i task agli agenti appropriati, gestisce le dipendenze tra i task, raccoglie e integra i risultati e gestisce le eccezioni quando un agente non riesce a completare il proprio task.
Entro il 2028, il 40% dei CIO richiederà che i "Guardian Agent" siano disponibili per tracciare, supervisionare o contenere autonomamente i risultati delle azioni degli agenti AI, secondo la previsione Gartner. I Guardian Agent sono la risposta architetturale al problema del controllo in sistemi dove il numero di agenti e interazioni cresce oltre la capacità di supervisione umana diretta. Non eliminano la supervisione umana: la spostano al livello del sistema di supervisione, non dei singoli agenti. Questo è il design corretto per sistemi che devono scalare senza perdere governance.
