Agentic AI e IA generativa a confronto

Sia l'agentic AI che l'IA generativa (IA gen) offrono vantaggi in termini di produttività perché supportano, migliorano e ottimizzano attività e processi. Entrambe le forme di intelligenza artificiale utilizzano i modelli linguistici di grandi dimensioni (LLM). 

Per distinguere le due soluzioni, possiamo considerare l'agentic AI come proattiva e l'IA gen come reattiva. 

• L'agentic AI è un sistema in grado di impostare e raggiungere obiettivi in modo proattivo, con una supervisione umana minima. Se parte del raggiungimento di questo obiettivo prevede la creazione di contenuti, possono occuparsene gli strumenti di IA generativa. L'agentic AI funge da agente dell'utente e/o del sistema.
• L'IA generativa è uno strumento che crea nuovi contenuti in risposta a una richiesta. Può essere un componente di un sistema agentic, ma non agisce autonomamente per completare un'attività, in quanto non possiede la capacità di agire in maniera indipendente.

L'agentic AI e l'IA gen funzionano in modo collaborativo. I sistemi di agentic AI possono utilizzare l'IA generativa per conversare con un utente, creare contenuti in modo indipendente nell'ambito di un obiettivo più ampio o comunicare con strumenti esterni. In sostanza, l'IA generativa è un elemento fondamentale del processo "cognitivo" dell'agentic AI. 

Scopri gli scenari di utilizzo dell'agentic AI

La differenza tra agentic AI e IA gen può sembrare poco evidente, perché entrambe necessitano del prompt di un utente e, in genere, hanno un formato simile a un chatbot. Inoltre, molte applicazioni che una volta erano pura IA gen ora includono elementi agentic, una tendenza destinata a continuare. 

Ad esempio, molte delle piattaforme di chatbot più diffuse (ChatGPT, Gemini, Claude, ecc.) avviano automaticamente una ricerca web, analizzano i dati e li restituiscono come parte della conversazione. Si tratta di una forma primitiva di agentic AI.  

L'agentic AI e l'IA generativa si differenziano per la capacità di agire in modo indipendente e di collaborare con strumenti esterni

Per chiarire meglio la differenza tra le due tecnologie, esaminiamo un ipotetico scenario di utilizzo: 

Un rappresentante commerciale desidera utilizzare l'IA per scrivere un'email di follow up a un potenziale cliente. 

Con l'IA generativa, il rappresentante commerciale apre un'interfaccia di IA gen e digita un prompt, ad esempio: "Scrivi un'email di follow up educata e professionale a Maria Wang in merito alla nostra proposta". L'IA gen genera istantaneamente una bozza dell'email e ha raggiunto il suo scopo. Ora spetta al rappresentante commerciale copiare il testo, incollarlo in un'email, inserire l'indirizzo email del destinatario e premere invio.

Ora vediamo in che modo l'agentic AI gestirebbe un'attività simile. 

All'interno di un sistema agentic, il rappresentante commerciale imposta una regola o un comando nel proprio sistema di gestione delle relazioni con i clienti (CRM). Ad esempio: "Per ogni potenziale cliente che contrassegno come 'Follow-up necessario', attendi due giorni lavorativi e poi invia un'email di follow up".

Dopo che il rappresentante commerciale ha contrassegnato Maria Wang come "Follow-up necessario", viene attivato il flusso di lavoro agentic. Il sistema dispone delle sue istruzioni (il prompt iniziale) e definisce in modo indipendente un piano da attuare con l'aiuto di strumenti esterni. Il piano potrebbe essere simile al seguente: 

1) Dopo due giorni lavorativi, il sistema invia una richiesta al flusso di lavoro agentic.

2) Il sistema recupera i dettagli di Maria dal CRM.

3) Un altro strumento recupera informazioni aggiuntive su Maria (cronologia del cliente, dettagli sulla personalizzazione, informazioni sull'azienda, ecc.) che forniscono il contesto per il prompt dell'email di follow up.

4) Il sistema crea un prompt per l'email di follow up e la fornisce a un modello di IA gen integrato, che scrive il testo dell'email.

5) Il sistema fornisce una bozza dell'email di follow up al rappresentante commerciale, che approva l'email o dà istruzione che venga riformulata.

6) Se il rappresentante commerciale approva l'email, il sistema effettua una chiamata API (Interfaccia di programmazione delle applicazioni) al servizio email di Maria.

7) Il sistema invia l'email a Maria. 

8) Il sistema aggiorna il CRM per mostrare che l'email è stata inviata. 

L'agentic AI e l'IA generativa differiscono nella loro capacità di adattamento 

Entrambi i tipi di IA garantiscono adattabilità, ma con modalità distinte. L'IA generativa offre adattabilità producendo contenuti in molti stili e per diversi contesti. L'agentic AI si dimostra adattabile modificando il piano e la strategia in base ai cambiamenti delle condizioni dell’ambiente o alle nuove informazioni.  

L'agentic AI fornisce un framework per i carichi di lavoro che un tempo venivano classificati come automazione robotica dei processi (RPA). L'introduzione dell'IA rende gli agenti molto più adattabili ai cambiamenti nell'ambiente di runtime. Ad esempio, i bot per lo screen scraping avrebbero difficoltà con modifiche sul sito target anche di entità minima, mentre l'agentic AI può adattarsi ai cambiamenti e adeguare il proprio approccio alla raccolta dei dati. Pertanto, gli agenti basati sull'IA possono operare a un livello che in precedenza avrebbe richiesto l'intervento umano.

Capacità di analizzare il contesto

L'agentic AI utilizza il contesto per agire. I sistemi agentic hanno accesso a:

• Il prompt iniziale.
• Lo stato o le condizioni dell'ambiente fisico o digitale.
• Gli strumenti disponibili (accesso alle API, un'applicazione di IA generativa, ecc.).
• La memoria e le azioni passate.

Grazie a tutte queste informazioni e alle formule matematiche che facilitano la navigazione nei dati, un sistema agentic è in grado di analizzare e comprendere il contesto e quindi di agire. 

L'IA generativa invece utilizza il contesto per realizzare contenuti. Poiché l'obiettivo dell'IA generativa è produrre nuovi contenuti, le applicazioni generative hanno accesso a:

• Il prompt.
• La cronologia delle conversazioni.
• I dati su cui sono state addestrate.

Con queste informazioni, insieme alle tecniche di machine learning e agli algoritmi di deep learning, l'IA generativa è in grado di estrarre informazioni, creare connessioni e produrre un output. 

L'agentic AI è un software progettato per interagire con dati e strumenti in modo tale da richiedere il minimo intervento da parte dell'utente. Pensati per realizzare obiettivi specifici, questi sistemi sono capaci di svolgere attività autonomamente, scomponendole in passaggi più semplici ed eseguendole senza bisogno di input da parte dell'utente. L'agentic AI può stabilire obiettivi, delegare attività ad altri agenti di IA o strumenti esterni e adattarsi a condizioni nuove o non strutturate su cui non è stata addestrata.  

Gli agenti di IA sono componenti all'interno di un sistema agentic. Sono paragonabili a entità che, da un livello superiore, riescono a gestire gli altri strumenti software. Possono essere strutture fisiche, programmi software o una commistione dei due.

Un agente di IA in un sistema robotico utilizza le telecamere, i sensori e i monitor per acquisire dati sull'ambiente circostante ed elaborare tali informazioni per stabilire l'azione successiva. A titolo esemplificativo, potremmo paragonarlo a un veicolo a guida autonoma che incontra dei detriti sulla strada e decide se frenare o proseguire la marcia. 

L'agentic AI in un programma software invece raccoglie i dati da altre sorgenti, come API, ricerche online, prompt testuali e database, per ottenere più informazioni contestuali e migliorare l'accuratezza delle sue intuizioni. È l'esempio del dipendente che desidera automatizzare le varie fasi dell'invio di un'email di follow up personalizzata dopo aver incontrato un potenziale cliente. 

Come funziona l'agentic AI?

L'agentic AI può risolvere i problemi seguendo tre passaggi: percezione, pianificazione e azione. Esegue azioni concatenate, ovvero è in grado di eseguire una sequenza di azioni in risposta a una singola richiesta o prompt. 

Ad esempio, se si chiede a un agente di IA di creare un sito web, il sistema eseguirà tutti i passaggi necessari. In risposta a un solo prompt dell'utente, l'agente di IA scriverà il codice per la struttura del sito, riempirà le pagine con i contenuti, creerà gli elementi visivi e testerà la reattività del sito.

Per questo l'agentic AI può essere considerata sia "agente" sia "project manager". Gli agenti di IA sono in grado di trovare una soluzione a eventuali intoppi e di intraprendere un'azione, ad esempio la creazione di prompt personalizzati per rispondere alle domande che potrebbero sorgere. 

Cos'è un flusso di lavoro agentic?

Il funzionamento dell'agentic AI si basa su un processo noto come flusso di lavoro agentic. Un flusso di lavoro agentic può essere costituito da un'orchestrazione di agenti, robot e persone. Si tratta di un processo end to end progettato per raggiungere un obiettivo specifico. Colma il divario tra il mondo digitale e quello fisico, integrando al contempo la supervisione umana. 

Un flusso di lavoro agentic è una serie strutturata di azioni che gli agenti di IA gestiscono e completano, a volte con un intervento umano. Quando gli viene assegnato un obiettivo da completare, l'agente di IA avvia il flusso di lavoro suddividendo l'attività in una serie di passaggi più brevi che poi esegue.

Per portare a termine questi passaggi, l'agente di IA crea molteplici versioni di se stesso che vanno a comporre un sistema multiagente o ad agenti multipli (MAS). In questo flusso di lavoro, l'agente primario, anche noto come meta agente, agente di orchestrazione o supervisore, può creare altri agenti e delegare loro le attività, assegnare valori e interagire con la memoria in un ciclo di feedback continuo. Gli agenti lavorano in concomitanza fino al raggiungimento dell'obiettivo generale.

Nell'ambito del MAS, ogni agente è dotato di una struttura interna che ne consente il funzionamento in modalità autonoma e in modalità collaborativa. La collaborazione dipende dagli archivi di memoria condivisi, che forniscono il contesto inerente alla conoscenza individuale, alle esperienze passate e agli stati di convinzione.

Scenari di utilizzo dell'agentic AI

L'agentic AI offre un’elevata dinamicità nella risoluzione dei problemi e nei processi decisionali. Alcuni scenari di utilizzo specifici per settore dell'agentic AI includono:

Settore manifatturiero: i flussi di lavoro agentic possono gestire le catene di distribuzione, ottimizzare i livelli di inventario, fare previsioni sulla domanda e pianificare la logistica. 

Settore sanitario: l'agentic AI è in grado di interagire con i clienti monitorando le esigenze, applicando piani terapeutici e fornendo supporto personalizzato. 

Sviluppo software: l'agentic AI può essere usata per la creazione automatica di codice di debug, la gestione dei cicli di vita di sviluppo e la progettazione delle architetture di sistema. 

Supporto personalizzato per i dipendenti: l'agentic AI è in grado di adattare il suo approccio all'evolversi delle situazioni e offrire un supporto personalizzato e proattivo. Ciò significa che può aiutare a completare attività come la pianificazione, la risposta alle domande e l'onboarding. 

Gestione del rischio finanziario: l'agentic AI può offrire supporto in ambito finanziario e commerciale grazie alla sua capacità di analizzare i trend di mercato, di negoziare e di adattare la propria strategia in base ai flussi di dati a cui ha accesso in tempo reale. 

Scopri gli scenari di utilizzo dell'agentic AI

L'IA generativa è un tipo di intelligenza artificiale in grado di produrre nuovi contenuti, come testi, video, audio e codice software. Utilizza il deep learning per calcolare le relazioni statistiche tra le parole e crea un output basato su dati di addestramento, riconoscimento di schemi e probabilità. 

L'IA generativa è reattiva, il che significa che deve ricevere una query specifica per generare una risposta. Non può fissare obiettivi, delegare attività o adattarsi a condizioni nuove o non strutturate. 

I contenuti che un'applicazione di IA generativa può creare sono limitati ai dati su cui è stata addestrata. Tuttavia, è possibile utilizzare tecniche come la retrieval-augmented generation (RAG), che incorporano sorgenti di dati esterne per rendere più accurato l'output dei modelli di IA generativa.

Scenari di utilizzo dell'IA generativa

Principalmente l'IA generativa supporta il processo decisionale umano fornendo informazioni e opzioni che l'utente può scegliere o scartare. Alcuni scenari di utilizzo dell'IA generativa includono:

Scrittura: le applicazioni di IA generativa sono in grado di rispondere alle richieste di creazione di contenuti scritti praticamente su qualsiasi argomento. Possono anche adeguare il tipo di scrittura in base alla lunghezza e allo stile richiesti.

Generazione di immagini e video: gli strumenti di IA generativa possono creare immagini di alta qualità e aggiungere nuovi elementi ai lavori esistenti. Molte applicazioni di IA gen offrono anche strumenti in grado di riprodurre un breve video in risposta a una richiesta. 

Creazione di dialoghi o musica: utilizzando un testo scritto e un campione vocale, gli strumenti vocali basati su intelligenza artificiale sono in grado di elaborare un parlato o un cantato che imitano il suono delle voci umane. Altri strumenti sono capaci di comporre musica artificiale a partire da richieste degli utenti e campioni.

Generazione e completamento di codice: alcuni strumenti di IA generativa sono in grado di creare stringhe di codice a partire da una richiesta scritta degli sviluppatori di software.

Data augmentation: l'IA generativa è in grado di creare grandi quantità di dati artificiali per tutti quei contesti in cui l'utilizzo di dati reali è impossibile o non è la scelta ottimale. I dati creati artificialmente sono utili per chi vuole addestrare un modello a comprendere dati riservati ma non vuole includere informazioni personali che possano identificare i singoli individui. Questi dati si possono utilizzare anche per ampliare set di dati troppo esigui o incompleti quando si desiderano svolgere attività di addestramento o test.

Scopri gli scenari di utilizzo dell'IA generativa

La responsabilità di eventuali errori da parte del sistema autonomo resta forse l’elemento dissuasivo principale legato all'adozione dell'agentic AI. La soluzione risiede nel riuscire a conciliare autonomia e supervisione.

Collaborazione tra umani e IA

Prima di implementare un sistema agentic, è essenziale creare un framework che garantisca responsabilità, trasparenza e controllo. 

Torniamo all'esempio in cui un rappresentante commerciale utilizza l'IA per inviare un'email a un potenziale cliente: il dipendente probabilmente vorrebbe vedere l'email prima di inviarla.

L'agentic AI può prendere decisioni in modo indipendente e con un intervento umano minimo. Ma questo significa ottenere efficienza e rinunciare al controllo. Una soluzione sarebbe consolidare le fasi di test e convalida con più risorse. In questo modo si mantiene l'approccio umano per monitorare le azioni ed evitare errori di valutazione. 

Considerazioni simili in termini di affidabilità e sicurezza valgono anche per l'implementazione di sistemi di IA generativa. Il rischio più evidente che l'IA generativa pone è la capacità di generare informazioni errate o fuorvianti. Ciò include la diffusione di stereotipi e pregiudizi dannosi, nonché la creazione di immagini deepfake con finalità dannose. È importante prestare attenzione alle "allucinazioni" (output imprecisi che si presentano come fattuali) e verificare i fatti anziché prendere le risposte alla lettera. 

Privacy e sicurezza

La capacità dell'agentic AI di accedere ai database esterni crea maggiori rischi per la sicurezza e la privacy. Di conseguenza sono necessari framework di sicurezza che proteggano i dati in entrata e in uscita dal flusso di lavoro. 

Anche l'IA generativa può comportare rischi per la sicurezza. Gli utenti possono inserire informazioni sensibili in applicazioni non sicure. Inoltre, l'IA gen potrebbe creare problemi legali se dovesse riprodurre contenuti soggetti a copyright o appropriarsi della voce o dell'identità di persone reali senza il loro consenso. 

Red Hat® AI offre un portafoglio di prodotti di IA sviluppati a partire dalle soluzioni che i nostri clienti già conoscono. Questa base è garanzia di affidabilità, flessibilità e scalabilità per i nostri prodotti.

Grazie alle soluzioni per l'IA di Red Hat, le organizzazioni traggono svariati vantaggi, tra cui:

• Adottare l'IA per promuovere l'innovazione.
• Semplificare l'erogazione di soluzioni di intelligenza artificiale.
• Eseguire il deployment in tutti gli ambienti.

Scopri le soluzioni per l'IA di Red Hat

Una base che ti permette di scegliere

Le soluzioni Red Hat AI sono in grado di supportare sia l'IA generativa che quella predittiva. Offrendoti la possibilità di usare il tuo modello, Red Hat ti supporta per l'addestramento e il fine tuning dei modelli fondativi in base alle esigenze aziendali.

Un valido punto di partenza può essere Red Hat Enterprise Linux® AI: una piattaforma per modelli fondativi concepita per sviluppare, testare ed eseguire LLM e SLM per applicazioni aziendali. La piattaforma di IA consente agli sviluppatori di accedere rapidamente a un unico server e di avere a disposizione un set completo di LLM e strumenti di IA, ovvero tutto il necessario per ottimizzare i modelli e creare applicazioni di IA gen. 

Esplora Red Hat Enterprise Linux AI

Scopri anche Red Hat OpenShift® AI, che fornisce una piattaforma unificata per la creazione di sistemi MAS. Inoltre, tramite le capacità MLOps di Red Hat OpenShift puoi controllare l'apprendimento e il ragionamento adattivi utilizzati dagli agenti di IA.

Scopri Red Hat OpenShift AI

In aggiunta, il nostro ecosistema di partner di IA si sta ampliando. Molti partner tecnologici collaborano con Red Hat per certificare la compatibilità dei propri prodotti con Red Hat AI, dando così maggiore possibilità di scelta ai clienti.

Scopri di più sui nostri partner