1 Agenti Reattivi Semplici
Agiscono esclusivamente sulle percezioni correnti, applicando regole condizione-azione (SE-ALLORA) senza alcuna memoria storica o capacità di apprendimento. La loro logica è pura, immediata e spesso prevedibile, come nel caso di un filtro antispam che blocca le email contenenti determinate parole chiave o schemi. Questi agenti sono efficaci in ambienti statici e con regole ben definite, ma crollano di fronte a situazioni dinamiche o impreviste.
2 Agenti con Apprendimento
In teoria dovrebbero migliorare le loro prestazioni nel tempo osservando i dati e adattandosi. Tuttavia, il testo originale contiene contraddizioni: nonostante l’indicazione di “apprendimento”, viene descritta la stessa logica dei reattivi senza memoria. Correggendo per chiarezza, si può pensare a sistemi come i motori di raccomandazione di Netflix, che affinano i suggerimenti di film basandosi sulle preferenze degli utenti accumulate nel tempo. Questi agenti introducono una dimensione temporale e statistica che li rende più sofisticati dei semplici reattivi.
3 Sistemi di IA Agentici (Agenti Moderni Basati su LLM)
Si tratta di agenti costruiti su grandi modelli linguistici e architetture moderne, capaci di ragionamento complesso, pianificazione e interazione con strumenti esterni. Possono suddividere compiti, chiamare API, gestire applicazioni e memorizzare informazioni contestuali. Esempi concreti includono assistenti di programmazione IA che leggono requisiti, scrivono codice, testano e correggono errori autonomamente. Questi sistemi rappresentano la vera evoluzione degli agenti, portando l’AI da semplice reattiva a un livello agentico sofisticato.
4 Agenti Basati su Obiettivi
Agiscono con regole condizione-azione guidate da obiettivi specifici. Non possiedono memoria storica e non apprendono dall’esperienza; la loro efficacia è limitata a scenari ben definiti. Un esempio è un termostato che accende il riscaldamento quando la temperatura scende sotto i 20°C. La distinzione chiave rispetto ai reattivi semplici sta nella definizione di un obiettivo esplicito che guida le azioni.
5 Agenti Cognitivi/Conversazionali
Questi agenti sono progettati per interagire tramite linguaggio naturale e simulare un ragionamento simile a quello umano. Possono comprendere contesti complessi, formulare risposte articolate e gestire conversazioni multi-turno. Un esempio è un assistente clienti IA in grado di recuperare dati dell’account, rispondere a domande e guidare l’utente in modo conversazionale, rendendo l’esperienza molto più fluida rispetto ai tradizionali sistemi a menu o a risposte predefinite.
6 Sistemi Multi-Agente (MAS)
In scenari complessi, un singolo agente non basta. I sistemi multi-agente utilizzano modelli interni del mondo per gestire l’osservabilità parziale e coordinare azioni tra più entità autonome. Mantengono uno stato condiviso dell’ambiente per evitare conflitti e ottimizzare obiettivi collettivi. Robot in un magazzino che collaborano per spostare inventario senza collisioni rappresentano un esempio concreto di MAS, dove la sinergia tra agenti diventa cruciale.
7 Agenti Basati sull’Utilità
Si concentrano sulla massimizzazione di una funzione di utilità, valutando costi, benefici e probabilità di successo prima di agire. Questi agenti mantengono modelli interni dell’ambiente e prendono decisioni razionali per ottimizzare i risultati, come nella navigazione di Google Maps, che sceglie percorsi più efficienti evitando il traffico o altri ostacoli. L’approccio basato sull’utilità permette di gestire scenari complessi e dinamici, dove il semplice SE-ALLORA non basta.
8 Agenti Incorporati (o Agenti Situati)
Vivono e operano in ambienti fisici reali, interagendo tramite sensori e attuatori. Possono adattarsi alle condizioni dinamiche dell’ambiente, come robot autonomi per consegne che si muovono sui marciapiedi evitando ostacoli grazie a telecamere e sensori avanzati. La combinazione tra percezione fisica e capacità decisionali rende questi agenti estremamente versatili, ma anche soggetti a vincoli hardware e complessità operative.
9 Agenti Reattivi Basati su Modello
A differenza dei semplici reattivi, questi agenti mantengono un modello interno del mondo e un senso dello “stato” dell’ambiente. Possono prevedere conseguenze delle proprie azioni e pianificare comportamenti coerenti nel tempo. L’esempio classico è un aspirapolvere autonomo (Roomba) che ricorda quali aree di una stanza ha già pulito, ottimizzando i percorsi e riducendo sprechi energetici. La capacità di modellare l’ambiente trasforma l’azione da mera reattività a decisione strategica.