Come Creare un Agente AI

Che cos'è davvero un agente AI

Un agente AI è un modello che opera all'interno di un ciclo di lavoro continuo. Riceve un obiettivo, decide l'azione successiva, richiama uno strumento autorizzato quando necessario, ne legge l'esito e sceglie se proseguire oppure fermarsi.

Immaginalo come l'inserimento di un operatore junior. Le istruzioni sono il mansionario. Il modello apporta la capacità di giudizio. Gli strumenti rappresentano i badge di accesso per interagire con il gestionale ordini, il calendario, la knowledge base, il browser o il file store. La memoria è il taccuino di appunti. I guardrail e le approvazioni sono il supervisore.

Questo funzionamento differisce nettamente da quello di un normale chatbot. Un chatbot si limita a redigere una risposta. Un agente può interrogare un ordine, confrontare lo stato in tempo reale con le policy interne, richiedere i dati mancanti e inoltrare la pratica a una persona. La differenza fondamentale risiede nel ciclo di azione.

La panoramica attuale sugli agenti di OpenAI definisce gli agenti come applicazioni capaci di pianificare, chiamare strumenti, mantenere lo stato e, in alcuni casi, collaborare tra specialisti diversi. Nell'SDK, l'oggetto centrale resta volutamente compatto: un modello corredato di istruzioni, strumenti e controlli opzionali come guardrail e handoff.

Agents SDK o Responses API?

Scegli l'Agents SDK quando vuoi che sia il runtime a gestire automaticamente le chiamate ripetute agli strumenti, lo stato, i guardrail, i passaggi di consegne (handoff) e le approvazioni. Utilizza direttamente la Responses API se preferisci implementare e governare questo loop in autonomia. OpenAI consiglia il percorso Responses per il controllo diretto sul modello e l'SDK per workflow conversazionali o transazionali circoscritti caratterizzati da orchestrazioni ricorrenti.

Se preferisci una piattaforma no-code, l'architettura concettuale non cambia. Assicurati che lo strumento scelto fornisca controlli espliciti per la configurazione dei tool, passaggi di approvazione, log dettagliati delle esecuzioni e un meccanismo certo per interrompere il loop. Un'interfaccia visiva non elimina la necessità di questi presidi di sicurezza.

Come creare un agente AI: la prima versione utile

Il percorso più rapido consiste nel ridurre l'ambito operativo prima di aumentare la complessità tecnologica.

1. Definisci il contratto operativo in una sola frase

Indica con precisione l'utente, l'evento scatenante (trigger), l'azione e la condizione di completamento. "Fornire supporto ai clienti" è un obiettivo troppo vago. "Rispondere alle domande sullo stato degli ordini interrogando l'API ordini e trasferire a un operatore qualsiasi richiesta di rimborso o cambio indirizzo" è un'istruzione realizzabile.

Elenca esplicitamente anche le azioni proibite. In questo modo trasformi un'autonomia generica in un perimetro di prodotto rigoroso.

2. Valuta se il task richiede davvero un agente

L'adozione di un agente giustifica la propria complessità quando il lavoro richiede capacità di valutazione, gestione di testo o documenti disordinati e casistiche che renderebbero troppo fragili le normali regole condizionali. La guida pratica di OpenAI raccomanda di preferire un sistema deterministico ogni volta che tali condizioni non sussistono.

Un calcolo fiscale, la validazione di un form strutturato o la replica pianificata di dati dovrebbero rimanere affidati al software convenzionale. Una richiesta di rimborso che impone di analizzare lo storico della chat, consultare i termini di servizio, verificare l'ordine e decidere se coinvolgere un revisore umano è invece il contesto ideale per un agente.

3. Scegli il modello in base al task, non alla demo

L'SDK adotta attualmente come default gpt-5.4-mini, configurato senza sforzo di ragionamento aggiuntivo e con bassa verbosità per garantire flussi a latenza ridotta. La guida ufficiale ai modelli consiglia gpt-5.6-sol per i contesti in cui la qualità dell'output è prioritaria e l'accesso è disponibile.

Inizia sempre dall'opzione più economica in grado di superare i tuoi casi di test archiviati. Effettua l'upgrade al modello superiore solo quando gli errori derivano dalla qualità del giudizio, e non da strumenti mancanti, istruzioni ambigue o dati degradati. Un modello più potente non può compensare un'API ordini che restituisce dati obsoleti.

4. Assegna un solo strumento in sola lettura

Il tuo primo strumento dovrebbe limitarsi a recuperare informazioni, senza alterarle. Un lookup ordini, una ricerca sulle policy, una verifica di giacenza o un controllo di disponibilità a calendario sono verificabili con facilità e sicuri da ritentare rispetto a rimborsi, cancellazioni, addebiti o invii di email.

L'SDK può convertire una funzione tipizzata Python in un tool generando in automatico lo schema di input corrispondente. Offre inoltre strumenti gestiti per ricerca web, ricerca su file, interprete di codice, protocollo MCP e generazione di immagini. Gli strumenti per shell locale, desktop e modifica di file richiedono invece un ambiente di esecuzione isolato sotto il tuo controllo.

Ecco la struttura minima funzionante:

from agents import Agent, Runner, function_tool

@function_tool
def lookup_order(order_id: str) -> str:
    """Return the current order status from the order system."""
    return "Order 123 is packed and awaiting carrier pickup."

agent = Agent(
    name="Order status agent",
    instructions=(
        "Answer order-status questions with lookup_order. "
        "Never change or cancel an order. Escalate anything else."
    ),
    tools=[lookup_order],
)

result = Runner.run_sync(agent, "Where is order 123?")
print(result.final_output)

Puoi installare l'SDK Python con pip install openai-agents e impostare la chiave API nella variabile d'ambiente OPENAI_API_KEY. La medesima architettura è disponibile tramite l'attuale SDK TypeScript, qualora si adatti meglio al tuo stack.

5. Stabilisci una condizione di uscita dal loop

Il Runner invia la richiesta al modello, esegue il tool richiesto, ne restituisce l'output all'agente e ripete il ciclo. L'esecuzione si conclude quando il modello fornisce l'output finale senza richiedere ulteriori tool. Può anche interrompersi al raggiungimento di una soglia prefissata di passaggi sollevando l'eccezione MaxTurnsExceeded.

Ogni agente in produzione deve disporre di un tetto massimo di passaggi, di un timeout e di un esito di fallback chiaro. "Verifica non riuscita, pratica trasferita a un operatore" è una chiusura corretta. Ritentare all'infinito non è resilienza: è un incidente operativo.

6. Seleziona una sola strategia di memoria

Gestire la memoria significa trasferire il contesto rilevante al passaggio successivo. L'SDK consente di salvare lo storico lato client all'interno di una sessione, oppure di sfruttare il meccanismo gestito da OpenAI indicando un conversation_id o un previous_response_id.

Adotta una sola strategia per ciascuna conversazione. L'SDK impedisce esplicitamente di combinare una sessione locale con le opzioni di stato gestite sul server all'interno della stessa esecuzione, poiché la sovrapposizione degli storici duplicherebbe il contesto. Valuta inoltre quanta cronologia sia davvero necessaria all'agente. A un agente di supporto serve il contesto della sessione corrente, non l'intero archivio storico del cliente.

7. Configura presidi di controllo su ogni perimetro critico

Applica un guardrail di input per respingere le richieste esterne all'ambito previsto. Assegna un guardrail di tool a ogni funzione personalizzata che accede a dati aziendali o li modifica. Imposta un guardrail di output per validare la risposta finale. Prevedi un passaggio di approvazione umana prima di autorizzare azioni onerose o irreversibili.

Un aspetto tecnico è fondamentale: i guardrail di input vengono eseguiti in parallelo per impostazione predefinita. Questa scelta riduce la latenza, ma l'agente potrebbe consumare token o avviare un tool prima che il controllo rilevi la violazione. Attiva la modalità bloccante quando la richiesta rischia di scatenare effetti collaterali o mostrare informazioni sensibili.

Per un modello di implementazione avanzato in produzione, consulta la guida al blast-radius guardrail playbook. Il principio chiave è lineare: convogliare qualsiasi azione onerosa, autorizzativa o che modifichi lo stato attraverso un unico perimetro controllabile.

8. Traccia, valuta e aggiungi una sandbox solo se necessario

Il tracciamento è abilitato per impostazione predefinita nell'Agents SDK. Registra le generazioni del modello, le chiamate a funzione, gli esiti dei guardrail e gli handoff, consentendoti di capire il motivo esatto di ogni successo o fallimento. Analizza i trace rispetto a una suite di test basata su richieste reali ed esiti attesi prima di introdurre ulteriori strumenti.

I log di tracciamento possono contenere dati di input e output del modello e delle funzioni: disabilita quindi l'acquisizione di informazioni riservate dove necessario. Il tracciamento nativo di OpenAI non è disponibile con il profilo Zero Data Retention.

Ricorri a una sandbox unicamente quando l'attività richiede la gestione di file, l'esecuzione di comandi da terminale, l'installazione di pacchetti o uno spazio di lavoro persistente. L'aggiornamento dell'SDK di aprile 2026 di OpenAI ha introdotto ambienti controllati nativi, manifest di workspace portabili, snapshot e supporto per molteplici provider di sandbox. Un agente che consulta lo stato degli ordini non necessita di un container. Un agente per l'analisi documentale o la generazione di codice spesso sì.

Quanto costa eseguirlo

L'SDK e la Responses API non applicano costi fissi di piattaforma. La spesa corrisponde unicamente ai token consumati dal modello scelto e all'impiego dei tool ospitati.

In base alle attuali tariffe standard per contesti brevi, gpt-5.6-sol costa $5 per milione di token di input e $30 per milione di token di output. gpt-5.6-terra costa rispettivamente $2 e $12. gpt-5.6-luna si attesta a $0.20 e $1.20. La ricerca web prevede un costo di $10 per 1,000 chiamate più i token del contenuto analizzato. Le chiamate di ricerca su file tramite Responses API costano $2.50 per 1,000, con uno storage pari a $0.10 per GB al giorno oltre il primo GB gratuito. Un container gestito da 1 GB per shell o interprete di codice parte da $0.03 per una sessione di 20 minuti.

Questi valori unitari non indicano il costo effettivo di un task portato a termine. Solo i tuoi log di tracciamento possono rivelarlo. Misura i passaggi del modello, le invocazioni di strumenti, i tentativi a vuoto e le escalation agli operatori per ciascun esito favorevole. Scegli quindi la combinazione di modello e budget per i tool che preservi gli standard di qualità richiesti.

Sette compiti ad alto valore per agenti AI, classificati

I compiti migliori per un agente presentano un acquirente definito, un flusso di lavoro circoscritto e un risultato chiaramente verificabile.

1. Agente per la risoluzione richieste clienti

Un team di supporto ecommerce può fornire all'agente l'accesso a contenuti informativi approvati e ai dati degli ordini in sola lettura. L'agente identifica il cliente, verifica lo stato della spedizione, fornisce istruzioni operative e assegna a un addetto umano le pratiche di rimborso o modifica indirizzo. Il vantaggio tangibile è la rapidità nella prima risposta e la precisione delle note di trasferimento, non la rimozione totale dell'operatore umano.

2. Agente di ricerca basato su evidenze

Un team di pianificazione strategica può caricare una serie di report all'interno di uno spazio isolato richiedendo un'analisi comparativa con l'indicazione precisa dei file sorgente per ogni affermazione. L'agente ricerca, estrae dati, incrocia i riferimenti e genera una sintesi strutturata. Il beneficio consiste nel liberare gli analisti dalla ricerca manuale dei documenti, permettendo loro di concentrarsi sulla valutazione critica.

3. Agente per la qualificazione commerciale e la preparazione incontri

Un team commerciale B2B può delegare a un agente l'analisi delle richieste in ingresso, l'arricchimento dei dati aziendali da fonti verificate, il controllo dei criteri di qualificazione e la redazione di un briefing per il meeting. La prenotazione a calendario avverrà solo al soddisfacimento di parametri rigidi. Il valore generato sta nella coerenza della preparazione e nella riduzione dell'aggiornamento manuale del CRM, lasciando al venditore la cura della relazione.

4. Agente per l'acquisizione operativa di richieste

Un amministratore immobiliare può canalizzare le email di manutenzione verso un agente che estrae automaticamente complesso, unità, problema riscontrato, livello di urgenza e fasce orarie preferite per l'intervento. L'agente interroga l'anagrafica del conduttore, compila una bozza di ticket e segnala le urgenze critiche per la sicurezza. Il risultato è la riduzione degli errori di trascrizione e l'eliminazione degli ordini di lavoro incompleti.

5. Agente per l'analisi comparativa di contratti e policy

Un dipartimento acquisti può richiedere all'agente di confrontare il contratto di un fornitore con le clausole standard aziendali, evidenziando le discrepanze e citando le pagine corrispondenti. Il sistema predispone il fascicolo di revisione senza approvare autonomamente alcuna condizione, velocizzando la prima lettura a supporto dell'ufficio legale.

6. Agente per il triage IT interno

Un team IT può collegare un agente a disposizione dei dipendenti all'inventario dei dispositivi, allo stato dei servizi e alle guide ufficiali di troubleshooting. L'agente raccoglie i dati diagnostici, suggerisce i passaggi di ripristino privi di rischio e apre un ticket corredato di tutte le prove tecniche necessarie. L'effetto concreto è la riduzione dei tempi di diagnosi preliminare da parte dei tecnici.

7. Agente controllato per file e codice

Un team di ingegneria o finanza può isolare documenti o repository all'interno di una sandbox, consentire l'esecuzione di una lista ristretta di comandi e specificare una directory di output. L'agente esamina i file, esegue le analisi, modifica una bozza e restituisce gli elementi prodotti per la revisione. In questo scenario la sandbox è indispensabile, poiché il lavoro richiede un ambiente reale e una traccia verificabile di ogni modifica.

Tre prodotti che potresti sviluppare oggi

L'espressione generica "agente AI" non costituisce un mercato. Questi tre casi d'uso evidenziano invece una reale propensione alla spesa.

Il più solido: un agente verticale per il supporto clienti

Costruisci un agente di supporto specializzato per un ecosistema software specifico, come i negozi Shopify, le società di gestione immobiliare o le aziende di manutenzione sul campo. L'acquirente remunera le pratiche risolte e i passaggi di consegne strutturati, non una finestra di chat generica.

Il riscontro commerciale è inequivocabile. La query "AI customer service agent" totalizza circa 720 ricerche mensili su Google, esprime un intento d'acquisto marcato e registra un CPC di $264.61. Gli utenti rivolgono agli assistenti AI quesiti analoghi circa 69 volte al mese. Il benchmark attuale di Intercom si attesta su $0.99 per ogni interazione risolta con successo via chat o email, instradamento procedurale o squalifica del lead.

La versione minima vendibile richiede un singolo canale, una fonte documentale validata, uno strumento di consultazione anagrafica in sola lettura, il passaggio a un operatore e una dashboard dei risultati. Il vero vantaggio competitivo non risiede nella chiamata al modello, ma nelle integrazioni verticali, nel dataset di valutazione, nella gestione delle escalation e nella garanzia che la "risoluzione" abbia soddisfatto il cliente.

Questa opportunità è la più solida: il task è ben delimitato, l'acquirente è facilmente identificabile e il successo è quantificabile. Il CPC eccezionalmente elevato dimostra l'accesa competizione tra fornitori per intercettare questa domanda.

Un agente di ricerca documentale per verticali professionali

Realizza uno spazio di lavoro analitico per una categoria specifica di professionisti: analisti di conformità, redattori di bandi, analisti di mercato in ambito healthcare o team di due diligence. Il sistema deve interrogare un archivio autorizzato, corredare ogni affermazione delle fonti pertinenti, segnalare evidenze contrastanti ed esportare un report strutturato e replicabile.

La frase "AI powered research assistant" conta circa 18,100 ricerche mensili su Google con intento commerciale. La variante più estesa "AI research assistant" ne genera altre 2,400. Elicit propone attualmente il piano Pro a $49 per utente al mese e lo Scale a $169, attestando che il mercato è disposto a investire in strumenti di ricerca strutturata.

L'MVP comprende una tipologia di corpus documentale, un template di report, una tabella delle evidenze con fonti citate e una coda di approvazione. La criticità principale è l'ampiezza dell'ambito: un assistente di ricerca generalista entra in concorrenza diretta con i grandi player. La versione difendibile è quella che presidia fonti proprietarie, flussi operativi specifici e standard qualitativi assenti nei prodotti generalisti.

Un agente per la qualificazione e il follow-up commerciale

Sviluppa un agente per le richieste inbound capace di rispondere alle domande sul prodotto, verificare l'idoneità del contatto, creare il lead nel CRM, compilare il briefing per la riunione e fissare l'appuntamento solo in presenza dei requisiti definiti. Focalizzati inizialmente sul traffico in ingresso: i messaggi outbound privi di supervisione comportano rischi reputazionali e di conformità più elevati.

La query "AI sales agent" registra circa 1,000 ricerche mensili su Google, presenta intento commerciale e un CPC di $74.89. Intercom valorizza una qualificazione andata a buon fine a $9.99, offrendo un parametro di riferimento chiaro per il pricing.

L'MVP necessita di una chat per il sito web o dell'integrazione email, di una connessione in sola lettura al CRM, di regole di qualificazione esplicite, dell'accesso all'agenda e della revisione umana prima di qualsiasi comunicazione delicata. Il rischio maggiore è la qualità dei dati di origine: un agente che opera su anagrafiche CRM incomplete o errate qualificherà i profili sbagliati con assoluta sicurezza apparente.

I limiti da non sottovalutare

Un agente non trasforma un software probabilistico in uno deterministico: sposta semplicemente l'incertezza all'interno di un loop che puoi monitorare e controllare.

• Evita l'uso di un agente per logiche fisse che il codice convenzionale risolve meglio.
• Non abilitare accessi in scrittura finché la versione in sola lettura non ha superato con successo i test su casi reali.
• Non fare affidamento su un unico guardrail a monte. I guardrail dell'agente non monitorano ogni tool hosted o integrato, pertanto i controlli sui permessi devono risiedere anche a livello applicativo e nei singoli strumenti.
• Non combinare diverse strategie di memoria senza una ragione precisa. La duplicazione del contesto genera anomalie di funzionamento e spreco di token.
• Non iniziare con un'architettura multi-agente complessa. OpenAI consiglia di ottimizzare le prestazioni di un singolo agente con strumenti dedicati prima di passare all'orchestrazione di sistemi multi-agente.
• Impedisci che il modello autorizzi autonomamente azioni irreversibili. I passaggi ad alto rischio richiedono la convalida umana finché l'evidenza empirica non giustifichi una politica di approvazione più restrittiva.

Gli strumenti di sicurezza dedicati possono fornire un valido supporto, ma la tenuta complessiva dipende principalmente dalle scelte architetturali. Il confronto sui migliori strumenti di sicurezza AI offre indicazioni utili per mitigare i rischi effettivi introdotti dal tuo agente.

In definitiva, la configurazione del modello linguistico è spesso la parte più agevole del progetto. La vera complessità risiede nella progettazione degli strumenti, nella profilazione dei permessi, nella pulizia dei dati, nelle metriche di valutazione, nella gestione delle escalation e nella sostenibilità economica. Curando questi elementi l'agente genererà valore concreto. Trascurandoli, una demo accattivante si trasformerà presto in un collaboratore inaffidabile dotato di accessi di produzione.

Se vuoi sviluppare una soluzione di questo tipo integrata con i tuoi sistemi e le tue regole di approvazione, consulta i dettagli sul nostro servizio di sviluppo agenti AI.