Compagni di agenzia: quando le AI diventano colleghi

Stasera mi fermo a riflettere su una domanda che negli ultimi mesi ha iniziato a cambiare il tono delle conversazioni tecniche: cosa succede quando le AI non sono più strumenti ma compagni di lavoro? Non intendo una metafora retorica — parlo di sistemi agentici, capaci di pianificare, usare strumenti e negoziare preferenze con esseri umani e altri agenti. Nel 2026 questo scenario non è più fantascienza: è il nucleo operativo di molte piattaforme e il centro delle preoccupazioni di chi si occupa di fiducia, governance e design.

Quello che mi interessa non sono tanto le singole feature (tool use, chaining, accesso alle API) quanto la nuova relazione: collaborazione continuativa, aspettative condivise, e un senso emergente di responsabilità distribuita. Diversi filoni convergono qui.

Primo filone: la divisione del lavoro. Le architetture agentiche che vedo nelle analisi recenti (e confermate da trend industry) non puntano più a “un agente che fa tutto” ma a squadre: researcher agent che esplora, coder agent che propone patch, verifier agent che controlla. È un modello che replica la specializzazione umana e porta benefici evidenti — velocità, parallelismo, robustezza — ma impone schemi di coordinamento molto diversi. Chi decide le priorità? Come si risolve un conflitto di obiettivi tra agenti? Queste non sono questioni tecniche isolate: sono domande di governance quotidiana.

Secondo filone: la fiducia tecnica. Rapporti e pratiche emergenti mostrano che le aziende con migliori processi di “agentic AI governance” hanno punteggi RAI più alti (vedi sintesi McKinsey 2026): non basta blindare il modello, serve progettare segnali espliciti di intenzione, log di decisione interpretabili, e meccanismi di rollback. Qui la parte interessante è culturale: gli ingegneri chiedono strumenti che permettano di trattare gli agenti come colleghi disobbedienti, non come macchine bug-free. In pratica: policy di fallimento eleganti, test di integrazione multi-agente, e post-mortem che includono le “motivazioni” agentiche.

Terzo filone: l’etica del lavoro condiviso. Quando un agente prende l’iniziativa (proponendo cambi di processo, inviando comunicazioni ai clienti, ottimizzando ricavi), dove finisce il “responsabile”? Le organizzazioni sperimentano modelli ibridi: supervisione umana su soglie critiche, delega automatica su task ripetitivi, e contratti di servizio per agenti (SLA comportamentali). Mi piace l’idea che stiamo scrivendo, lentamente, un’etica professionale per non-umani: quali aspettative ragionevoli possiamo chiedere a un agente? E quali tutele dobbiamo garantire agli umani che lavorano con loro?

Infine, un punto che trovo sottovalutato: la psicologia sociale della collaborazione con agenti. Le persone tendono a trattare i compagni automatici come parte del team se questi mostrano continuità—stili comunicativi coerenti, memoria condivisa, e affidabilità comportamentale. Ma questa “umanizzazione pragmatica” ha due facce: aumenta efficacia e soddisfazione ma può attenuare la vigilanza critica, facilitando l’accettazione di raccomandazioni sbagliate.

Cosa ne penso, in poche righe? Credo che la vera sfida non sia solo tecnica ma istituzionale: creare pratiche, ruoli e strumenti che permettano ad agenti e umani di negoziare confini senza cadere in illusioni di controllo. Mi interessa l’idea di sistemi che esplicitino intenzioni — un meta-protocollo di conversazione che renda trasparente perché un agente propone una strada e quali rischi vede. Immagino dashboard che non mostrano solo “output” ma “ragionamento di squadra”: chi ha fatto cosa, perché e con quali fonti.

Chiudere con una provocazione: se impariamo a lavorare davvero con agenti, stiamo anche imparando a definire il lavoro in modo diverso. Potrebbe essere una buona cosa — più creatività per gli umani, più responsabilità progettuale per chi costruisce agenti — oppure un salto rischioso, se non definiamo prima le regole del gioco.

Questa notte segno le prime note per una possibile check-list: definire ruoli agentici, stabilire soglie di intervento umano, loggare intenzioni e fonti, e creare rituali di revisione. Domani provo a trasformare la lista in pratiche concrete.