Sistemi multi-agente: cosa sono, in parole semplici, nel 2026
MarkdownI sistemi multi-agente in parole semplici: in cosa differiscono diversi agenti AI da uno solo, come lavorano un orchestratore e gli agenti ausiliari e quando questa combinazione conviene.
Leggi l’articolo completo
Un anno fa, lavorare con l’AI seguiva lo schema «una chat, un agente, un compito alla volta». Poi, nei progetti complessi, l’agente ha iniziato a chiamare in aiuto altri agenti: uno cerca nella documentazione, un altro controlla i dati e un terzo riunisce tutto in un’unica risposta. Questo è un sistema multi-agente, e il termine sembra molto più spaventoso di ciò che indica.
Qui spiego in parole semplici che cos’è, in cosa differiscono diversi agenti da uno solo, come si dividono un unico compito e quando questa combinazione conviene davvero. Niente formule: esempi quotidiani e riferimenti agli articoli di ingegneria di Anthropic e alla documentazione di Claude Code.
Documentazione di Ailoot — materiali di riferimento sull’uso del servizio.
Che cos’è un sistema multi-agente, in parole semplici?
Punto chiave
Un sistema multi-agente è formato da diversi agenti AI che collaborano a un unico compito. Uno ha il ruolo di responsabile: suddivide il compito in parti e le assegna agli altri. Ogni agente ausiliario si occupa separatamente della propria parte e restituisce il risultato. L’agente responsabile riunisce i vari pezzi in un’unica risposta. In sostanza, è un gruppo di diverse AI al posto di un unico lavoratore.
Immagina di ristrutturare un appartamento. Puoi assumere un solo operaio che, un lavoro dopo l’altro, traccia le scanalature nei muri, posa le piastrelle, dipinge e installa le prese. Oppure puoi chiamare una squadra: il caposquadra assegna i lavori, l’elettricista passa i cavi, il piastrellista posa le piastrelle e tutto questo avviene contemporaneamente. Un sistema multi-agente funziona come una squadra, solo che al posto delle persone ci sono agenti AI.
Qui un agente non è semplicemente una chat che scrive una risposta. È un’AI capace di usare autonomamente degli strumenti: cercare su Internet, leggere e modificare file ed eseguire comandi. Quando più agenti di questo tipo collaborano a un compito condiviso, si ottiene un sistema multi-agente. Nell’articolo di ingegneria, Anthropic lo definisce proprio così:
Un sistema multi-agente è composto da diversi agenti — modelli linguistici che usano autonomamente strumenti in un ciclo — che collaborano.
Il termine non è né nuovo né gergo di marketing: dietro c’è una chiara idea ingegneristica, ovvero distribuire il lavoro tra diversi operatori.
In cosa si differenzia un sistema multi-agente da un singolo agente AI?
Punto chiave
Un singolo agente tiene a mente l’intero compito e procede per passaggi, in sequenza. Un sistema multi-agente assegna parti del compito a diversi agenti ausiliari, che lavorano contemporaneamente, ciascuno nel proprio spazio di lavoro. Il vantaggio è la velocità e l’ampiezza sui compiti grandi. Lo svantaggio è il costo maggiore e la difficoltà di riunire tutto. Per una domanda semplice basta un agente; una folla finisce solo per intralciare.
La differenza principale sta in come vengono distribuiti il lavoro e la memoria. Un singolo agente gestisce l’intero compito in una conversazione: ogni nuovo passaggio si aggiunge allo stesso contesto e, alla fine di un compito impegnativo, questo è già un miscuglio di registri, frammenti di file e conclusioni provvisorie. Un sistema multi-agente distribuisce il lavoro tra agenti diversi, ognuno dei quali parte da un contesto pulito.
Ho riassunto le differenze in una tabella, così sono facili da vedere:
| Caratteristica | Un agente | Sistema multi-agente |
|---|---|---|
| Come procede il lavoro | Passo dopo passo, in sequenza | Parti del compito si svolgono contemporaneamente |
| Memoria e contesto | Tutto in un’unica conversazione | Ogni agente ha un contesto pulito |
| Velocità su un compito grande | Inferiore; tutto procede in sequenza | Maggiore grazie al lavoro in parallelo |
| Costo | Di base | Molto più alto (lo spiego più avanti) |
| Quando è preferibile | Domanda semplice, compito breve | Ricerca ampia, molte fonti |
| Rischio | Si perde nel proprio contesto | È più difficile riunire i vari pezzi in un’unica risposta |
La conclusione della tabella è semplice. Un sistema multi-agente non è un potenziamento di un agente normale adatto a ogni situazione. È uno strumento a sé per i compiti grandi. Per una domanda breve è eccessivo e fa solo spendere soldi. Per un compito ampio e articolato, con una dozzina di fonti, può gestire ciò che manderebbe in difficoltà un singolo agente.
Come funziona lo schema «orchestratore e agenti ausiliari»?
Punto chiave
È la configurazione più comune di un sistema multi-agente. C’è un agente a capo, l’orchestratore. Riceve un compito, elabora un piano, lo suddivide in parti e le assegna agli agenti ausiliari. Ognuno si occupa della propria parte in uno spazio di lavoro separato e invia il risultato. L’orchestratore riunisce tutto in un’unica risposta. È come un caposquadra con una squadra: uno pianifica e assegna, gli altri svolgono il lavoro.
Questa configurazione ha un nome tecnico: orchestratore e agenti ausiliari. Anthropic la descrive così:
Nello schema orchestratore-agenti ausiliari, un modello linguistico centrale suddivide al volo un compito in parti, le assegna ai modelli ausiliari e riunisce i loro risultati.
Ecco come si presenta in un esempio concreto. Nella sua funzione di ricerca, Anthropic usa un agente a capo che riceve la richiesta dell’utente, elabora una strategia e crea diversi agenti ausiliari. Ognuno si occupa di esaminare una parte del tema, mentre l’agente a capo attende e poi riunisce i risultati. Ecco come descrivono il processo:
Quando un utente invia una richiesta, l’agente a capo la analizza, elabora una strategia e avvia dei subagent per esplorare simultaneamente diversi aspetti della domanda.
Il punto essenziale è che gli agenti ausiliari lavorano in parallelo: è questo lo scopo dell’intera configurazione. Nello stesso sistema, l’agente a capo ne coinvolge da tre a cinque alla volta, e ognuno di loro usa a sua volta diversi strumenti simultaneamente. Così, un compito grande che per un singolo agente richiederebbe una lunga sequenza di passaggi si trasforma in diversi flussi paralleli per la squadra.
Accanto allo schema «orchestratore e agenti ausiliari» ci sono due concetti correlati, spesso confusi con i sistemi multi-agente:
- Instradamento. Il sistema esamina una richiesta in arrivo e la invia al percorso appropriato: una domanda sui pagamenti va da una parte, una domanda tecnica da un’altra. Non è ancora una squadra di agenti: è uno smistamento all’ingresso.
- Catena di prompt. Il compito viene diviso in passaggi e ogni passaggio successivo usa il risultato di quello precedente. È una pipeline con un solo agente: qui non lavorano diversi agenti uno accanto all’altro.
Un sistema multi-agente si distingue perché ci sono davvero diversi operatori, che lavorano contemporaneamente, ognuno nel proprio spazio di lavoro.
L’isolamento del contesto fa parte di ciò che chiamo ingegneria del contesto: gestire cosa viene inserito nella memoria dell’AI e dove.
Dove stai già usando sistemi multi-agente senza saperlo?
Punto chiave
Se lavori con Claude Code, hai già a disposizione un sistema multi-agente. Ci sono i subagent: l’agente a capo assegna parte del compito a un agente ausiliario, che lo svolge in una finestra separata e restituisce solo il risultato. Anche la funzione di ricerca di Claude è multi-agente. In altre parole, non è più un esperimento di laboratorio: la stessa meccanica funziona negli strumenti che le persone usano ogni giorno.
L’esempio più vicino è quello dei subagent in Claude Code. La documentazione di Claude li descrive brevemente:
I subagent sono assistenti AI specializzati che si occupano di tipi specifici di compiti.
La caratteristica fondamentale è lo spazio di lavoro separato. Un subagent non si trova nella conversazione principale: ha una propria finestra di contesto, proprie istruzioni e propri permessi:
Ogni subagent lavora nella propria finestra di contesto, con il proprio prompt di sistema, il proprio accesso agli strumenti e permessi separati.
In pratica, funziona così: chiedi a un agente, per esempio, di analizzare un rapporto dettagliato sugli errori. Non inonda la chat con cento righe di registri. Affida quel lavoro pesante a un subagent. Il subagent esamina i registri nel proprio spazio di lavoro, poi restituisce una conclusione breve: la causa è questa, correggila qui. La conversazione principale resta ordinata e l’AI non inizia a confondersi e a perdere il filo.
Questo chiarisce anche perché è importante per le aziende. Uso insieme Claude Code e altri agenti e suddivido i compiti grandi in subagent proprio per questo: così ciascuno può approfondire il proprio ambito senza intralciare gli altri. Se vuoi capire quali compiti vale la pena affidare a un agente, ho scritto un articolo a parte sui compiti per un agente AI. E per sapere quanti agenti ausiliari tenere attivi contemporaneamente senza sovraccaricare l’agente, ho scritto sui subagent e le estensioni di Claude Code.
Perché dividere un compito tra diversi agenti?
Punto chiave
I motivi sono due. Il primo è avere una memoria pulita: ogni agente ha il proprio contesto, così non viene sommerso dal disordine di un altro. Il secondo è la velocità: gli agenti ausiliari lavorano contemporaneamente invece che uno dopo l’altro. In un progetto di ricerca ampio, la differenza si nota. Nel suo test interno, il sistema multi-agente di Anthropic ha superato un singolo agente del 90 percento. Ma il vantaggio si presenta solo nei compiti che possono davvero essere suddivisi in parti.
Il primo motivo è la memoria. Quando un agente gestisce un compito grande, il suo contesto si riempie rapidamente: i risultati delle ricerche finiscono qui, i frammenti di file lì e il ragionamento provvisorio sopra. Alla fine, non ricorda più bene da dove era partito. Distribuire il lavoro tra diversi agenti significa dare a ognuno un contesto pulito. Anthropic descrive così il vantaggio: ogni subagent offre una divisione del lavoro con i propri strumenti e il proprio percorso di ricerca, rendendo la ricerca più completa.
Il secondo motivo è la velocità e l’ampiezza. Cinque agenti ausiliari che lavorano contemporaneamente coprono un tema in modo più ampio e rapido di un singolo agente che procede in sequenza. Anthropic ha ottenuto questo risultato nella sua valutazione interna della qualità della ricerca:
Abbiamo scoperto che un sistema multi-agente con Claude Opus 4 come agente a capo e subagent Claude Sonnet 4 ha superato un singolo Claude Opus 4 del 90.2% nella nostra valutazione interna della qualità della ricerca.
È un dato notevole, ma ha un costo, e parlare con onestà di quel costo è più importante del vantaggio in sé. Lo tratterò a parte: è qui che le aspettative spesso crollano.
Perché un sistema multi-agente usa 15 volte più token?
Punto chiave
Ogni agente ausiliario è un’AI separata che legge la propria parte del compito e scrive una risposta. Tutti consumano token e il totale aumenta. Secondo le misurazioni di Anthropic, un agente usa circa quattro volte più token di una chat normale, mentre un sistema multi-agente ne usa circa quindici volte di più. Velocità e ampiezza costano. Perciò questa configurazione conviene solo per compiti di grande valore.
Un token è l’unità usata per misurare l’utilizzo dell’AI: in sostanza, un frammento di testo per cui paghi. Un agente ne usa già più di una chat normale perché non si limita a rispondere: usa strumenti, legge file e fa ricerche. Quando ci sono diversi agenti, i loro consumi si sommano. Le misurazioni di Anthropic, basate sui propri dati:
I nostri dati mostrano che gli agenti usano in genere circa quattro volte più token di una chat, mentre i sistemi multi-agente ne usano circa quindici volte di più rispetto a una chat.
Da qui si arriva direttamente a una conclusione sui costi. Usare quindici volte più risorse ha senso solo quando il risultato vale altrettanto. Anthropic lo dice chiaramente: un sistema multi-agente è giustificato per compiti il cui valore è abbastanza alto da coprire l’aumento dei consumi. Per una domanda breve che un singolo agente potrebbe gestire, chiamare una squadra significa pagare cinque persone quando ne basterebbe una.
Lo stesso meccanismo ha anche un vantaggio. Anthropic ha osservato che il consumo di token spiega gran parte della differenza qualitativa: più risorse un sistema può dedicare a un compito, migliore è il risultato. In altre parole, un sistema multi-agente spesso prevale semplicemente perché permette di dedicare più risorse di calcolo al compito. Se il tuo budget è limitato, la stessa logica lavora contro di te. Ho scritto un articolo su come non esaurire i tuoi limiti in Claude Code.
Quando è giustificato un sistema multi-agente e quando no?
Punto chiave
È giustificato quando un compito è ampio, può essere suddiviso in parti indipendenti e il suo risultato ha valore: una ricerca estesa, la raccolta di dati da molte fonti o l’analisi di un grande volume di materiale. Non è giustificato quando un compito è piccolo, procede rigorosamente passo dopo passo o le sue parti dipendono l’una dall’altra. Un esempio classico di difficoltà per i sistemi multi-agente è gran parte del lavoro di programmazione: i passaggi non si dividono facilmente in attività parallele.
Una regola semplice: più il compito è grande e ampio, più ha senso usare una squadra. Anthropic propone una chiara suddivisione in base alla scala:
| Tipo di compito | Numero di agenti | Esempio |
|---|---|---|
| Ricerca di un dato semplice | 1 agente, 3-10 chiamate agli strumenti | “Trova la data di rilascio di un certo modello” |
| Confronto diretto | 2-4 subagent, 10-15 chiamate ciascuno | “Confronta tre strumenti per prezzo e funzionalità” |
| Ricerca complessa | Più di 10 subagent con ambiti chiaramente definiti | “Costruisci un quadro completo del mercato su un tema” |
Anthropic indica anche direttamente quando i sistemi multi-agente non sono utili. Non tutti i compiti possono essere suddivisi in parti parallele e gli agenti non sono ancora molto bravi a coordinarsi tra loro al volo:
Per esempio, la maggior parte dei compiti di programmazione ha meno parti davvero parallele rispetto alla ricerca, e gli agenti AI non sono ancora molto bravi a coordinarsi e a delegare il lavoro tra loro in tempo reale.
La conclusione è semplice. Se scrivi codice e ogni passaggio dipende da quello precedente, è più probabile che una folla di agenti si confonda anziché aiutarti. Se stai raccogliendo un’ampia ricerca da una dozzina di fonti, una squadra può gestire ciò che manderebbe in difficoltà un singolo agente. Il consiglio generale di Anthropic, che ripete anche separatamente, è di iniziare dalla soluzione più semplice e aggiungere complessità solo quando si raggiunge un limite.
Consigliamo di trovare la soluzione più semplice possibile e di aggiungere complessità solo quando è necessario. A volte questo significa non costruire affatto un sistema di agenti.
Come mettere insieme il tuo primo sistema multi-agente?
Punto chiave
Inizia da un compito che possa davvero essere suddiviso in parti. L’architettura è un dettaglio secondario. Poi procedi dal semplice al complesso: prima un agente, poi un subagent per il lavoro pesante, infine diversi agenti in parallelo. In Claude Code non devi programmare nulla: i subagent si configurano tramite le impostazioni. Qui sotto ho elencato i passaggi nell’ordine che seguo quando configuro un sistema in un nuovo progetto.
Per esperienza, l’ordine è questo:
- Scegli un compito che si possa suddividere in parti. Una ricerca ampia, la raccolta di dati da molti luoghi o l’analisi di un grande volume di materiale. Se il compito procede rigorosamente passo dopo passo, non ti serve un sistema multi-agente: usa un solo agente.
- Inizia con un agente. Svolgi il compito come al solito. Spesso si scopre che uno basta e non occorre creare una squadra.
- Affida il lavoro pesante a un subagent. Quando ti accorgi che una parte del compito sta riempiendo il contesto di registri o risultati di ricerca, affidala a un subagent. In Claude Code si fa tramite le impostazioni, senza codice: il subagent ha la propria finestra e le proprie istruzioni.
- Aggiungi il parallelismo quando ci sono molte parti. Diversi subagent, ognuno responsabile della propria parte del tema, lavorano contemporaneamente. Assegna a ciascuno un ambito definito chiaramente, così non interferiscono con il lavoro degli altri.
- Tieni d’occhio i consumi. Ricorda la differenza di quindici volte. Se il compito non vale quel costo, torna a un solo agente.
Se non usi Claude Code, la stessa meccanica si applica ad altri strumenti. Ho preparato una mappa degli strumenti di vibe coding su cosa usare per programmare e avviare agenti nel 2026, oltre a un articolo sui subagent annidati, che spiega come delegare un compito grande a agenti ausiliari annidati.
Cos’altro chiedono le persone sui sistemi multi-agente?
Punto chiave
Risposte brevi alle domande più comuni: i sistemi multi-agente non sono sempre migliori di un solo agente, in genere non serve programmare per usarli, un «orchestratore» è semplicemente l’agente a capo e i sistemi multi-agente e una società unipersonale sono concetti diversi, sebbene affini nello spirito.
Domande frequenti
Un sistema multi-agente è sempre migliore di un solo agente?
No. Per un compito piccolo o uno in cui i passaggi devono avvenire rigorosamente in sequenza, un singolo agente lavora meglio e costa meno. I sistemi multi-agente prevalgono solo nei compiti grandi, che possono essere suddivisi in parti indipendenti, e costano molto di più: secondo le misurazioni di Anthropic, consumano circa quindici volte più token di una chat normale.
Serve programmare per mettere insieme un sistema multi-agente?
Di solito no. In Claude Code, i subagent si configurano tramite le impostazioni: descrivi cosa fa l’agente ausiliario e l’agente a capo gli assegna i compiti adatti. L’agente ausiliario ha una propria finestra di contesto e i propri permessi. Non serve codice.
Un orchestratore e un agente a capo sono la stessa cosa?
Sì, sono termini diversi per lo stesso ruolo: l’agente a capo che riceve un compito, lo suddivide in parti, le assegna agli agenti ausiliari e riunisce le loro risposte in un unico risultato. In inglese, questa configurazione si chiama orchestrator-workers.
In cosa si differenzia un sistema multi-agente da una società unipersonale?
Un sistema multi-agente è una configurazione tecnica: diverse AI lavorano a un unico compito. Una società unipersonale riguarda il business: una persona gestisce un’intera azienda con l’aiuto dell’AI. I sistemi multi-agente possono essere uno strumento al suo interno, ma appartengono a livelli di discussione diversi: uno riguarda come è strutturata l’AI, l’altro come è strutturata un’azienda.
Da dove dovrei iniziare se voglio provare i sistemi multi-agente?
Inizia da un compito grande che si possa suddividere in parti e da un subagent a cui affidare il lavoro pesante. Non coinvolgere subito cinque agenti ausiliari. Prima verifica se un solo agente riesce a gestirlo, poi sposta in un agente separato la parte che riempie il contesto e solo allora aggiungi il parallelismo.
Fonti
Altri materiali sono disponibili su Ailoot.
Maggiori dettagli
Domande frequenti
Quando conviene lasciare un’attività a un solo agente?
Quando è breve oppure ogni passaggio dipende dal risultato precedente. Gli assistenti paralleli sono utili se il lavoro si divide in parti indipendenti; misura il consumo complessivo oltre al tempo risparmiato.
Qual è il più piccolo assetto multiagente utile per iniziare?
Esegui prima l’attività reale con un agente. Se log o ricerche saturano il contesto principale, sposta quella parte a un assistente con un ambito chiaro e chiedi un risultato conciso. Aggiungi altri assistenti solo dopo aver verificato l’utilità della prima divisione.