Quando l’intelligenza artificiale agisce: l’era agentica dell’AI

Ripensare l’umano nell’epoca delle decisioni autonome

Angelo Irano

Pubblicato originariamente su LinkedIn il 12 maggio 2025. Questa edizione è stata sottoposta a revisione accademica e bibliografica. Il saggio documenta la fase della ricerca dedicata alla redistribuzione dell’azione nei sistemi socio-tecnici; la cornice attuale è presentata nella pagina Redistribuire l’azione.

Nota alla revisione

Questo saggio, pubblicato originariamente su LinkedIn, viene qui riproposto in un’edizione sottoposta a revisione accademica e bibliografica. Le formulazioni relative ad autonomia, intenzionalità e apprendimento sono state precisate alla luce della distinzione tra prestazione osservabile, architettura funzionale e statuto ontologico.

Abstract

I sistemi di AI agentica combinano modelli generativi, pianificazione, memoria operativa, uso di strumenti e cicli di verifica per perseguire obiettivi entro un ambiente digitale o fisico. Il saggio interpreta questa trasformazione come una redistribuzione dell’azione nei sistemi socio-tecnici. Distingue l’autonomia operativa dall’autonomia morale, esamina responsabilità, autorialità, lavoro e formazione, e sostiene che l’aumento della delega richieda una governance più leggibile, graduata e contestabile. L’analisi ha carattere teorico-interdisciplinare: integra filosofia dell’azione, studi sociali della tecnologia, informatica e ricerca sul lavoro, senza attribuire ai sistemi attuali coscienza, intenzionalità vissuta o responsabilità morale.

Parole chiave

AI agentica; agentività computazionale; autonomia operativa; responsabilità; lavoro; governance dell’AI; sistemi socio-tecnici.

Introduzione – Oltre la generazione: l’emergere dell’Agentic AI

In questi anni di accelerazione tecnologica, il termine “intelligenza artificiale” ha subito un’espansione semantica tale da includere fenomeni anche profondamente eterogenei. È nel recente periodo, tra il 2023 e il 2025, che si è delineata una nuova e significativa soglia concettuale: l'avvento dell'Agentic AI. Questa rappresenta una classe di sistemi computazionali capaci di agire con un notevole grado di autonomia funzionale, di pianificare obiettivi complessi, di apprendere strategie operative e di adattarsi dinamicamente a contesti aperti e mutevoli. L’AI agentica non costituisce una categoria separata dall’AI generativa: spesso incorpora un modello generativo entro un’architettura più ampia, dotata di memoria operativa, pianificazione, accesso a strumenti e cicli di verifica. La differenza riguarda quindi la configurazione del sistema e l’ampiezza della delega, più che una proprietà intrinseca del modello.

Prima di addentrarci nell'analisi specifica dell'Agentic AI, risulta opportuno chiarire due termini fondamentali che ricorreranno nel corso di questo scritto: "agente" e "agentività" riferiti all’AI. Sebbene intrinsecamente connessi in una reliance costitutiva – l'uno presupponendo l'altra e viceversa – è metodologicamente utile distinguerli analiticamente per una maggiore precisione concettuale. Con il termine "agente" (e più specificamente "agente computazionale" o "agente AI") ci riferiremo in questa sede all'entità sistemica, all'organizzazione computazionale concreta progettata per percepire il proprio ambiente (sia esso digitale o fisico), processare informazioni e intraprendere azioni mirate al raggiungimento di determinati scopi. L'agente è, dunque, il "soggetto" operativo nel nostro contesto di analisi, l'architettura computazionale che agisce. L'"agentività computazionale" (o agency computazionale), d'altro canto, descrive l'insieme delle proprietà dinamiche, relazionali e funzionali di tale agente. Essa denota la qualità e la portata del suo agire: il grado di autonomia dall'intervento umano diretto, l'abilità nell'apprendere dall'esperienza e nell'adattarsi, la proattività nel perseguire obiettivi, la capacità di pianificazione strategica e l'interazione efficace con strumenti esterni o altri agenti. È necessario sottolineare come l'agentività computazionale, per quanto sofisticata possa apparire, si distingua qualitativamente dall'agentività umana. Quest'ultima è indissolubilmente radicata nell'esperienza incarnata, nella coscienza fenomenica, nell'intenzionalità vissuta e in una complessa trama di emozioni, valori e significati culturali. L'agentività della macchina, al contrario, pur potendo manifestare comportamenti complessi e teleologicamente orientati, rimane di natura eminentemente funzionale, basata sull'esecuzione algoritmica di processi informazionali, e priva di un vissuto interiore o di una comprensione semantica analoga a quella umana. L’agentività computazionale può essere descritta lungo un continuum di capacità operative. La sua relazione con l’esperienza umana resta una questione filosofica aperta; le evidenze disponibili consentono di distinguere con sicurezza le prestazioni osservabili dall’attribuzione di coscienza, intenzionalità vissuta o comprensione semantica.

L'autonomia funzionale che caratterizza l'Agentic AI esige, parimenti, una riflessione attenta, volta a distinguerla nettamente dall'autonomia propria degli esseri viventi e, in particolare, dall'autonomia umana, così da prevenire facili e fuorvianti derive antropomorfiche. Sebbene un sistema possa essere considerato operativamente autonomo quando dimostra la capacità di generare e mantenere le proprie norme interne di funzionamento e la propria identità organizzativa – pur interagendo e dipendendo dal suo ambiente per scambi di energia e informazione –, è fondamentale riconoscere che l'autonomia di un agente AI, per quanto avanzata, rimane un'autonomia progettata, delegata e operativamente vincolata ai fini e ai contesti per i quali è stato concepito e implementato. Essa si manifesta nella capacità di operare senza un intervento umano continuo e di adattare le proprie strategie, ma è intrinsecamente priva della dimensione esistenziale, della storicità evolutiva e della vulnerabilità costitutiva che connotano l'autonomia biologica e, specificamente, quella umana. La distinzione risiede, in ultima analisi, nell'origine e nella natura di tale autonomia: quella dell'IA è derivata, computazionale e funzionale a scopi definiti esternamente; quella umana è originaria, incarnata e indissolubilmente legata a una complessa rete di significati auto-generati e profondamente vissuti. Comprendere questa differenza qualitativa è un presupposto essenziale per un'analisi rigorosa e consapevole dell'Agentic AI.

Il presente approfondimento si propone di esplorare il significato, le implicazioni e le tensioni che scaturiscono da questa trasformazione tecnologica e concettuale. A partire da una definizione dell'Agentic AI e della sua specifica agentività (computazionale e funzionale), verranno analizzati i modelli attualmente più rappresentativi, i campi applicativi emergenti, e le significative ricadute epistemologiche, etiche e professionali che ne conseguono.

L’ipotesi interpretativa che guida questa indagine è che l’AI agentica possa essere letta come qualcosa di più di un’evoluzione tecnica incrementale, perché modifica la distribuzione dell’azione, della supervisione e della responsabilità nei sistemi socio-tecnici. In questa nuova configurazione, la macchina trascende il ruolo di mero strumento al servizio dell'intelligenza umana per affermarsi come un attore dotato di una significativa autonomia funzionale (nei termini sopra precisati e accuratamente distinti da quella umana), capace di generare effetti materiali, cognitivi e normativi la cui origine e le cui dinamiche non sono sempre pienamente riconducibili a un'intenzionalità umana diretta e trasparente (Mukherjee & Chang, 2025; Gridach et al., 2025).

Attraverso un'analisi delle fonti più attuali e un'interrogazione incrociata di approcci teorici consolidati e casi applicativi concreti, questo approfondimento si prefigge di restituire una cartografia critica dell'Agentic AI: un campo d'indagine e di sviluppo ancora intrinsecamente instabile e in rapida evoluzione, ma già in grado di riscrivere le relazioni fondamentali tra soggetto, sapere, responsabilità e lavoro nella società contemporanea.

1.1 – La lunga genealogia dell’automa: da Talos all’agente computazionale

Prima che la parola “algoritmo” assumesse il suo attuale rilievo, prima ancora che il calcolo automatico diventasse un’industria planetaria, l’immaginazione umana aveva già prefigurato la possibilità di oggetti autonomi, capaci di agire, sorvegliare, reagire. La figura mitica di Talos, il gigante di bronzo che sorvegliava l’isola di Creta compiendo tre giri al giorno, rappresenta una delle prime narrazioni di automa dotato di agency funzionale: Talos non era vivo, ma agiva per difendere, giudicare, eseguire (Mayor, 2018). Da Efesto a Dedalo, la mitologia greca ha offerto numerosi esempi di macchine animate, suggerendo che l’idea di una soggettività artificiale non è un’esclusiva del XXI secolo, ma una tensione antica e persistente.

Nell’età moderna, l’automa diventa un simbolo della meccanizzazione dell’umano. Dalla papera di Vaucanson al turco scacchista, l’oggetto meccanico appare come simulacro di intelligenza e come metafora dell’essere umano ridotto a ingranaggio (Riskin, 2016). Ma è con la cibernetica (Wiener, 1948) che la macchina viene reinterpretata non più solo come organismo meccanico, bensì come sistema adattivo capace di retroazione, autoregolazione e dialogo informativo con l’ambiente.

L’agente moderno nasce esattamente da questo incrocio: mito dell’automa + logica del sistema + capacità adattiva. Quando nel 1995 Shoham e Tennenholtz parlarono di social laws for artificial agent societies, introdussero implicitamente l’idea che un agente non fosse un semplice oggetto che esegue, ma un attore sociale, immerso in ambienti normativi (Shoham & Tennenholtz, 1995). E se oggi parliamo di Agentic AI è perché quella traiettoria ha raggiunto un punto di densità sufficiente da reclamare una nuova categoria.

In questa genealogia, l’agente computazionale contemporaneo appare come l’erede ibrido di Talos e del termostato, del filosofo e del software. È un artefatto che agisce come se fosse un soggetto, pur senza esserlo — ma ciò che conta, oggi, non è ciò che l’agente è, bensì ciò che è in grado di fare, e ciò che ci costringe a ripensare.

1.2 – Dall’AI simbolica al machine learning: l’evoluzione dell’agire computazionale

Mentre l'automa mitologico evocava la possibilità di un'azione svincolata dalla coscienza, l'intelligenza artificiale, fin dai suoi esordi, ha perseguito l'ambizioso obiettivo di formalizzare tale possibilità, traducendola in codice, architetture logiche e strategie computazionali. La cosiddetta AI simbolica – dominante dalla metà degli anni Cinquanta agli anni Ottanta – era fondata sull’idea che il pensiero potesse essere rappresentato come manipolazione logica di simboli, espressi in linguaggi formali, entro ambienti computazionali finiti (Newell & Simon, 1976). L'agente, in questa fase embrionale, si configurava meno come un organismo in apprendimento e più come un esecutore logico, un sistema preposto all'applicazione rigorosa di regole predefinite, distante dalla plasticità che caratterizzerà le forme successive di agentività.

È in questa stagione che nascono i primi agenti artificiali come SHRDLU, capace di interagire in linguaggio naturale nel “mondo dei blocchi”, e sistemi esperti come MYCIN, progettato per diagnosi mediche basate su regole deduttive. Ma questi sistemi, seppur intelligenti in senso funzionale, erano incapaci di adattarsi a condizioni nuove o incomplete. L’intelligenza era esplicita, ma non emergente. Mancava loro quella caratteristica oggi distintiva e centrale dell'Agentic AI: la capacità dinamica di apprendere e rimodellare il proprio comportamento in risposta all'esperienza e all'interazione con l'ambiente.

Il cambio di paradigma avviene a partire dagli anni Novanta con l’avvento del machine learning: una transizione epistemologica dalla regola alla statistica, dalla deduzione all’inferenza. In particolare, con l’emergere delle reti neurali profonde (deep learning), si afferma un nuovo concetto di intelligenza: non più simbolica, ma distribuita, addestrata, probabilistica. Da questa fertile matrice concettuale e tecnologica scaturiranno dapprima sistemi avanzati di percezione (come la visione artificiale e il Natural Language Processing), per poi evolvere nei grandi modelli linguistici (LLM) – quali GPT, BERT e T5 – che hanno preparato il terreno per gli odierni, più complessi, modelli multi-agente, multi-modulo e multi-step.

Il passaggio al goal-oriented behavior – comportamento finalizzato – non è stato immediato. Architetture quali ReAct, Reflexion e ChemCrow hanno mostrato come un modello linguistico possa essere inserito in cicli che alternano inferenza, uso di strumenti e verifica. Il comportamento può apparire proattivo e persistere oltre il singolo prompt, ma obiettivi, permessi, strumenti e condizioni di arresto restano definiti dall’architettura e dal contesto di impiego.

In sostanza, ciò che distingue un sistema agentico non è la semplice produzione di risposte, bensì la capacità di esplorare percorsi alternativi d’azione, rivederli e giustificarli nel contesto di un ambiente in evoluzione. In altri termini, siamo passati dal pensiero automatizzato all’agire situato, fondamento stesso dell’agentività computazionale.

1.3 – L’esplosione della Generative AI e i suoi limiti

A partire dal 2022, con il lancio pubblico di ChatGPT, si è assistito a una rapida e pervasiva diffusione della Generative AI: sistemi capaci di produrre testi, immagini, codice, musica, e persino simulazioni visive, a partire da prompt in linguaggio naturale. Questi modelli, sostenuti dalla potenza dei Large Language Models (LLM) e dalle innovative architetture transformer, hanno democratizzato l'accesso a una forma di intelligenza artificiale che si manifesta come fluente, conversazionale e dotata di una sorprendente creatività apparente.

Tuttavia, la notevole potenza espressiva di tali modelli ha frequentemente indotto a una sovra-interpretazione del loro reale funzionamento e delle loro effettive capacità. Molti osservatori li hanno scambiati per entità pensanti o coscienti, mentre in realtà si tratta di sistemi statistici di predizione sequenziale, addestrati su grandi quantità di dati non strutturati. Bender et al. (2021) mostrano i rischi di attribuire comprensione linguistica a sistemi che apprendono regolarità statistiche da grandi corpora. Memoria persistente, pianificazione e controllo delle contraddizioni dipendono invece dalla specifica architettura: possono essere aggiunti mediante componenti esterni, senza che ciò dimostri coscienza o comprensione semantica.

È proprio l’emergere di questi limiti – fenomenologici, epistemici e operativi – che ha accelerato la ricerca di architetture in grado di andare oltre la generazione. Un modello generativo isolato produce output in risposta a un input. Quando viene collegato a strumenti di valutazione, memoria e feedback, può riesaminare una risposta o riformulare un problema secondo criteri progettati dall’esterno. La valutazione operativa dell’output va perciò distinta dall’attribuzione di un giudizio autonomo sul suo valore.

Questo scarto ha motivato lo sviluppo dei sistemi agentici, i quali arricchiscono l'architettura dei LLM integrandovi una struttura funzionale più articolata e potente. Tale struttura comprende moduli di pianificazione multi-step (planner), capaci di scomporre obiettivi complessi; memorie persistenti, sia a breve che a lungo termine, per garantire continuità e apprendimento; la capacità di accesso a strumenti esterni (tool usage), che espande il loro raggio d'azione; cicli di retroazione critica (critique/revision loops), per un'autovalutazione e un affinamento continuo; e una chiaro ed esplicito orientamento all'obiettivo (goal orientation), che ne guida l'agire.

L’Agentic AI nasce allora come evoluzione architetturale della generazione: una generazione che diventa azione finalizzata, decisione dinamica, apprendimento iterativo. In sintesi, se alla Generative AI manca la capacità intrinseca di una 'presa di posizione' autonoma e finalizzata, l'Agentic AI si propone precisamente di colmare questa lacuna, tentando di costruire una relazione dinamica e significativa tra l'agente, le sue azioni e le finalità che è chiamato a perseguire.

2.1 – Architettura funzionale dell’Agentic AI: verso un’intelligenza modulare e reattiva

L'Agentic Al non si definisce primariamente per la vastità del suo modello linguistico sottostante, quanto per la sua struttura funzionale intrinseca, concepita per consentire l'emergere di comportamenti orientati a uno scopo, capaci di persistere nel tempo e di adattarsi dinamicamente all'ambiente. Questa architettura nasce dall'integrazione sinergica di diverse componenti chiave che elevano un Large Language Model (LLM) da semplice generatore di output a un vero e proprio agente computazionale operativo.

Al centro di questa capacità agentica risiede il planner, il cui compito è tradurre un obiettivo generale in una sequenza ordinata di sotto-compiti specifici. Attraverso un'analisi, spesso euristica, dello spazio delle possibilità, il planner scompone problemi complessi in passaggi gestibili. Architetture come ReAct (Yao et al., 2023) permettono al sistema di alternare passaggi inferenziali e azioni strumentali entro un compito. L’esecuzione può procedere senza un intervento umano a ogni passaggio, entro strumenti, autorizzazioni e criteri di arresto predisposti dal progetto.

Fondamentale per la coerenza e l'apprendimento nel tempo è la componente di memoria, che distingue nettamente gli agenti dai modelli generativi classici. Gli agenti dispongono di una memoria esplicita, capace di conservare informazioni rilevanti ben oltre il contesto di un singolo prompt. Questa memoria può essere volatile, limitata alla sessione corrente, o persistente, estendendosi attraverso molteplici compiti. Tale capacità garantisce coerenza narrativa, permette un efficace recupero del contesto pregresso e abilita meccanismi di autocorrezione basati sull'esperienza passata. Strumenti e framework come LangChain o AutoGen facilitano la gestione strutturata di questa memoria, spesso organizzata in forma episodica, rendendola accessibile e interrogabile dall'agente stesso.

L'agente, tuttavia, non si limita a pianificare e ricordare: agisce. L'esecutore, integrato con la capacità di utilizzare strumenti esterni (tool integration), rappresenta il braccio operativo dell'agente nel mondo. Attraverso la chiamata di API, l'interazione con browser web, l'esecuzione di script o l'interrogazione di database, l'Agentic Al può accedere a fonti di informazione esterne, modificare file, generare codice eseguibile e interagire attivamente con ambienti simulati o reali. L'efficienza, l'affidabilità e la versatilità dell'esecutore sono quindi determinanti per il successo e l'ampiezza operativa dell'intero ciclo agentico.

Nei modelli più sofisticati, si osserva l'integrazione di un meccanismo di valutazione interna, o loop riflessivo. Questo "critico interno" consente all'agente di monitorare le proprie azioni e decisioni, rivedere gli output generati e, se necessario, ricalibrare la propria strategia, decidendo se procedere, tornare sui propri passi o esplorare alternative. È questa capacità di autocorreggersi e di riflettere criticamente sul proprio operato che distingue l'automazione intelligente dall'esecuzione cieca di istruzioni, costituendo un tratto fondamentale per l'affermarsi di una vera e propria agency computazionale..

Infine, l'intero comportamento dell'agente è guidato da un chiaro orientamento all'obiettivo (goal orientation), che può essere esplicitamente definito o emergere dinamicamente e venire aggiornato nel corso dell'interazione. In questo senso, l'Agentic AI opera come una macchina a stati cognitivi flessibile, capace di ridefinire la propria traiettoria in risposta a nuovi input o a cambiamenti ambientali. Il processo di prompting si trasforma così da un atto esterno unidirezionale (utente verso sistema) a un processo interno, ricorsivo e dinamico: l'agente interroga se stesso, genera nuovi prompt interni per guidare i propri sotto-processi, verifica i risultati ottenuti e apprende dai successi come dai fallimenti, in un ciclo continuo di affinamento.

Questa struttura ricorsiva e modulare è ciò che trasforma un modello linguistico in un soggetto computazionale operativo, capace di coabitare ambienti complessi, produrre conseguenze e richiedere nuove forme di governance.

Sintesi della struttura agentica (schema semantico)

Obiettivo → Pianificazione → Esecuzione → Valutazione → Memoria → Adattamento

2.2 – Comportamenti goal-oriented e autonomia adattiva

Una delle caratteristiche fondanti, e distintive, dell'Agentic AI risiede nella sua capacità di agire in vista di scopi definiti, trascendendo la mera reattività a input esterni. Mentre l’AI generativa produce output in funzione della prossimità statistica tra parole, l’Agentic AI sviluppa comportamenti orientati al raggiungimento di obiettivi, costruendo catene di ragionamento, pianificando azioni e monitorandone gli esiti.

Questa goal orientation non è un attributo simbolico, ma operativo: l’agente riceve un obiettivo esplicito – ad esempio “analizzare il mercato per lanciare un nuovo prodotto” – e lo scompone in una sequenza di sotto-obiettivi, attivando moduli di pianificazione, memoria, esecuzione e revisione. Architetture paradigmatiche come ReAct (Yao et al., 2023) illustrano questa dinamica, alternando fasi di reasoning (scomposizione del problema e pianificazione) e fasi di acting (invocazione di tool o API) per il completamento di compiti complessi. Altri sistemi, come Reflexion (Shinn et al., 2023), introducono un ulteriore livello di sofisticazione attraverso cicli di self-reflection, in cui l'agente riesamina i propri output, identifica eventuali errori e riformula la strategia operativa. Progetti altamente specialistici, quale ChemCrow (Bran et al., 2024), dimostrano l'efficacia nell'orchestrare moduli chimici esterni – quali database di reagenti, strumenti di calcolo e banche dati specialistiche – sebbene, nelle loro attuali implementazioni, possano operare primariamente come "esecutori" di pipeline predefinite o semi-definite, con limitate capacità di apprendimento continuo autonomo. Infine, modelli futuri come quelli di Gridach et al. (2025) promettono veri loop di adattamento autonomo, ma sono ancora in fase di conferma.

Si delinea così il concetto di autonomia adattiva: l'agente supera un agire rigidamente pre-programmato per acquisire la capacità di correggere la propria rotta in itinere, basandosi sui risultati parziali, sulle contingenze dell'ambiente operativo e sull'eventuale evoluzione dell'obiettivo stesso. Tale flessibilità diviene fondamentale in contesti dinamici – quali la ricerca scientifica, la gestione aziendale o la sicurezza informatica – per assicurare performance elevate e un'affidabilità costante. Approfondendo la natura di questa autonomia, Barandiaran & Almendros (2024) suggeriscono che un agente possa considerarsi autenticamente autonomo solo al compimento di tre passi essenziali. Innanzitutto deve auto‐definirsi, costruendo una propria identità operativa: non si limita a eseguire istruzioni esterne, ma concepisce e sceglie i propri obiettivi, mantenendo memoria delle decisioni passate e aggiornando in autonomia la direzione da perseguire. In secondo luogo, deve auto‐regolarsi, ossia elaborare regole e sotto‐obiettivi durante l’azione: quando incontra situazioni inaspettate, è capace di fermarsi, riformulare strategie e definire nuovi traguardi senza intervento esterno. Infine, un agente autenticamente agentico deve interagire attivamente con l’ambiente, non limitandosi a rispondere a input, ma attivando strumenti, consultando dati esterni e modificando lo stato del mondo per conseguire i suoi scopi.

Questo tipo di comportamento genera un salto semantico rispetto ai modelli precedenti: il sistema supera l’esecuzione lineare e diventa un operatore funzionale orientato a un obiettivo, senza che l’efficacia autorizzi ad attribuirgli intenzionalità vissuta. Come acutamente osservano Mukherjee & Chang (2025), l'unicità dell'agente risiede meno nella sua 'intelligenza' astratta e più nella sua capacità di instaurare e mantenere un vero e proprio 'tempo d'azione': una persistenza operativa che trascende la singola risposta istantanea per manifestarsi in un continuo adattamento e in una reazione dinamica agli stimoli e alle contingenze.

L’Agentic AI introduce così una nuova unità cognitiva del mondo computazionale: non il prompt, non la query, ma l’intenzione computata e agita nel tempo.

2.3 – Differenze con l’AI generativa: dal prompt all’iniziativa

Nel dibattito pubblico e tecnico contemporaneo, si osserva frequentemente una sovrapposizione concettuale impropria tra AI generativa e Agentic AI, quasi che quest'ultima rappresentasse una mera estensione incrementale della prima. In realtà, il divario che separa queste due forme di intelligenza artificiale va oltre la dimensione quantitativa per configurarsi come un salto eminentemente qualitativo, che investe l'intero assetto epistemico e operativo dell'intelligenza computazionale.

La Generative AI, per quanto sofisticata, opera secondo uno schema reattivo: riceve un input (prompt), genera un output sulla base di modelli statistici addestrati su grandi corpora testuali. La sua logica è quella della plausibilità linguistica, non dell’intenzionalità. Considerato isolatamente, non conserva memoria persistente né persegue obiettivi oltre la singola inferenza; queste funzioni possono essere costruite a livello di sistema mediante componenti esterni.Come evidenziato da Bender et al. (2021) nella loro critica ai modelli linguistici di grandi dimensioni, l'IA generativa può apparire brillante nella forma espressiva, ma rimane fondamentalmente 'cieca' rispetto al contenuto semantico e alle implicazioni del proprio output.

L'Agentic AI, al contrario, si definisce attraverso un insieme di tratti distintivi. Innanzitutto, l'iniziativa computazionale, per cui l'agente, ricevuto un obiettivo, sceglie quando e come agire, e talvolta persino se agire. Segue la pianificazione dinamica, che implica la costruzione di una sequenza di azioni adattiva anziché la generazione di una risposta statica. Fondamentale è poi la memoria e retroazione, che permette all'agente di conservare dati, ricordare decisioni pregresse e confrontare i risultati ottenuti. A ciò si aggiunge l'accesso a strumenti esterni, integrando API, file system e moduli specifici in tempo reale. Infine, l'auto-valutazione conferisce all'agente la capacità di decidere se un risultato sia soddisfacente o se sia necessario riformulare il piano d'azione.

Queste differenze strutturano una nuova modalità relazionale tra macchina e ambiente: non più un’interazione episodica (utente → modello), ma una interazione continua (agente → mondo), simile a quella che caratterizza il comportamento animale, umano o istituzionale.

Il discrimine risiede meno nella complessità del linguaggio prodotto e più nella capacità del sistema complessivo di perseguire obiettivi delegati attraverso sequenze di azioni, verifiche e uso di strumenti. In quest'ottica, l'Agentic AI non si pone come una sostituzione della Generative AI, quanto piuttosto come un suo superamento integrativo, inglobandola in una cornice architetturale e funzionale più ampia e potente. Il LLM, in tale contesto, può essere visto come il "linguaggio interno" o il motore inferenziale dell'agente, lo strumento logico e retorico attraverso cui esso formula obiettivi, interroga dati e produce spiegazioni. Il fulcro dell'azione si sposta in modo decisivo: dal singolo prompt al piano strategico, dall'output isolato al percorso iterativo, dalla risposta reattiva alla decisione proattiva.

3.1 – L’agente scienziato: l’AI che formula ipotesi, sperimenta, apprende

La ricerca scientifica, a lungo considerata un baluardo refrattario all'automazione completa, si rivela oggi uno dei terreni più fertili e privilegiati per lo sviluppo e l'applicazione dell'Agentic AI. Il paradigma si sposta significativamente: non si tratta più, come in passato, di impiegare software, per quanto sofisticati, per la mera analisi di dati preesistenti. L'ambizione attuale è concepire e implementare agenti computazionali capaci di orchestrare e condurre interi cicli di ricerca con un elevato grado di autonomia. Questi sistemi avanzati promettono di gestire l'intero processo scientifico, dalla formulazione iniziale delle ipotesi alla complessa progettazione sperimentale, dalla raccolta e interpretazione dei dati fino alla stesura di articoli scientifici pronti per la revisione paritaria.

Secondo Gridach et al. (2025), tali agenti trascendono il ruolo di meri strumenti ausiliari per configurarsi come vere e proprie entità computazionali attive nel processo di scoperta. Sono dotati della capacità di navigare autonomamente lo spazio della conoscenza scientifica, identificare ed esplorare lacune epistemiche, interrogare con intelligenza vasti database e, aspetto fondamentale, proporre nuove e originali linee di indagine.

Il panorama attuale offre già esempi documentati di tali capacità. Un caso emblematico è ChemCrow (Bran et al., 2024), un agente specializzato nella scoperta di nuove molecole che integra moduli di pianificazione, modelli chimici predittivi e la potenza dei Large Language Models per generare composti inediti e anticiparne le proprietà. L'evoluzione di questi sistemi è rapida: ricerche successive, come quelle che hanno portato allo sviluppo di ChemToolAgent (Yu et al., 2024), un agente chimico potenziato basato su ChemCrow, stanno iniziando a delineare con maggiore precisione i contesti di reale efficacia dei tool. Yu e colleghi (2025) hanno infatti evidenziato come, sebbene l'incremento di tool specializzati sia indubbiamente benefico per compiti chimici altamente specifici come la predizione di sintesi, per domande di chimica più generali – simili a quelle d'esame – la capacità di ragionamento intrinseca del modello linguistico di base rimanga necessario, e l'aggiunta di tool non sempre si traduca in un miglioramento delle prestazioni. Questa osservazione sottolinea la complessità nel bilanciare l'accesso a strumenti esterni con le capacità cognitive fondamentali dell'IA, un tema centrale per il futuro sviluppo degli agenti scienziato. Parallelamente a questi sviluppi nel campo della chimica computazionale, un altro esempio significativo è rappresentato da THE AI SCIENTIST-V2 (Yamada et al., 2025), un sistema che ha prodotto manoscritti mediante un processo automatizzato end-to-end; uno dei tre testi presentati a un workshop ICLR ha ottenuto punteggi sufficienti all’accettazione. Il risultato costituisce una dimostrazione circoscritta e non equivale alla validazione generale dell’autonomia scientifica o del rigore dei contenuti (Yamada et al., 2025). Nel dominio della sperimentazione chimica automatizzata, si distingue Organa (Darvish et al., 2025), un sofisticato assistente robotico che integra LLM, visione artificiale e moduli di pianificazione avanzati. Organa è in grado di orchestrare complessi workflow di laboratorio, misurare con precisione parametri sperimentali e autocorreggere i protocolli in base al feedback ricevuto dagli esperimenti stessi. Questi agenti operano frequentemente secondo un modello a ciclo chiuso, in cui ogni fase del processo scientifico informa e alimenta la successiva, consentendo all'intero sistema di auto-perfezionarsi continuamente. Un tale ciclo iterativo può includere l'analisi automatizzata della letteratura scientifica – avvalendosi, ad esempio, di strumenti come SciLitLLM – per una mappatura esaustiva dello stato dell'arte; la generazione di ipotesi plausibili mediante tecniche di abduzione computazionale; la progettazione rigorosa dell'esperimento, considerando i vincoli reali del laboratorio o dell'ambiente simulativo; e la sua conseguente esecuzione, sia essa in silico o fisica. La fase di valutazione dei risultati, condotta attraverso moduli statistici e sofisticati "inner critic loop" che ne misurano la performance e l'accuratezza, precede infine la stesura del contributo scientifico e la sua archiviazione strutturata, gettando così le basi per nuove, proficue iterazioni di ricerca.

È la coerenza intrinseca e l'integrazione sinergica dell'intero ciclo a definire l'autentica agentività di questi sistemi, più che la mera competenza su un singolo task. L'agente trascende la semplice reattività agli input esterni: decide, agisce, apprende dai risultati e articola le proprie scoperte. In scenari collaborativi avanzati, si intravede la prospettiva di agenti capaci di dialogare tra loro, confrontare ipotesi e distribuire carichi cognitivi, prefigurando così l'emergere di una epistemologia distribuita, con connotazioni quasi post-umane.

Una trasformazione così profonda del processo scientifico impone una riconsiderazione di concetti cardine quali l'autorialità, la natura dell'esperimento e i criteri di validazione della conoscenza. Se un agente può formulare autonomamente un'ipotesi e verificarla sperimentalmente, a chi attribuire la paternità della pubblicazione scientifica che ne scaturisce? Chi risponde di eventuali errori o interpretazioni fallaci? Come acutamente suggerito da Mukherjee & Chang (2025), siamo al cospetto non soltanto di una nuova e potente tecnologia, ma di un vero e proprio "dispositivo cognitivo che eccede i confini del soggetto umano", sfidando le nostre tradizionali categorie.

La figura dell'"agente scienziato" non prefigura una sostituzione del ricercatore umano, quanto piuttosto una profonda metamorfosi della sua posizione epistemica e operativa. L'essere umano evolve da fonte diretta ed esclusiva della scoperta a supervisore critico, curatore intelligente e orchestratore strategico della generatività automatizzata. Un tale passaggio, se compreso appieno nelle sue complesse implicazioni etiche e supportato da un'adeguata regolamentazione politica e normativa, possiede il potenziale per amplificare enormemente la portata e accelerare la velocità della ricerca umana. Al contrario, se questo sviluppo venisse lasciato privo di una governance attenta e consapevole, si correrebbe il rischio di erodere i fondamenti stessi della conoscenza affidabile e del metodo scientifico consolidato.

3.2 – L’agente manageriale: delega cognitiva e nuove forme di comando computazionale

Le architetture organizzative contemporanee, confrontate con una crescente complessità operativa, esigono forme di intelligenza distribuita capaci di coordinare efficacemente le funzioni, ridurre l'entropia informativa e supportare processi decisionali in contesti intrinsecamente dinamici. In questo scenario, l'Agentic AI si sta rapidamente affermando, assumendo un ruolo che trascende quello di mero assistente per configurarsi come un attore intermedio, posto tra la definizione strategica e l'esecuzione operativa, con la capacità di organizzare, monitorare attivamente e ottimizzare i flussi di lavoro.

Microsoft (2025) documenta che ANS ha sfruttato Copilot Studio per sviluppare un Sales Agent capace di raccogliere e sintetizzare informazioni da fonti eterogenee, anticipare i bisogni dei clienti e suggerire strategie di chiusura in tempo reale, con un incremento del tasso di successo delle trattative del 6,25 % . Sempre in ambito supply chain, Dow ha implementato un Freight Agent che monitora automaticamente oltre 100 000 fatture di spedizione, struttura i dati per l’analisi, identifica discrepanze rispetto ai termini contrattuali e interagisce con gli operatori attraverso interfacce linguistiche per proporre azioni correttive . Infine, Fujitsu ha adottato il servizio Azure AI Agent per creare un agente che oltre ad automatizzare la generazione di proposte commerciali, organizza la conoscenza aziendale e affianca i nuovi assunti nel processo di onboarding, aumentando la produttività del 67 % grazie alla rapida integrazione delle informazioni dispersive .

In questi casi l’agente manageriale non si limita a eseguire comandi, ma – come nel Sales Agent di ANS su Copilot Studio, nel Freight Agent di Dow e nell’Azure AI Agent di Fujitsu – assegna autonomamente priorità alle attività, pianifica in base a vincoli mutevoli, analizza dati transazionali e comportamentali e apprende dagli esiti per affinare le strategie future

Questa forma di delega cognitiva colloca l'agente in una posizione liminale: pur essendo privo della capacità decisionale strategica tipicamente umana, esso trascende il ruolo di mero esecutore passivo. L'agente occupa così quello spazio funzionale che, nelle teorie dell'organizzazione, è stato identificato come middle management cognitivo: il livello che traduce la visione strategica in azione operativa, integra segnali informativi eterogenei e gestisce attivamente la complessità.

Già Brynjolfsson e McAfee (2014, cap. 4) avevano analizzato il fenomeno della disintermediazione dei ruoli di mediazione umana, illustrando come un'intelligenza capace di coordinare processi produttivi potesse sostituire diverse funzioni intermedie. Oggi, l'avvento dell'Agentic AI porta questa dinamica a un nuovo livello: assistiamo all'eliminazione di alcuni livelli di intermediazione e alla loro attiva riconfigurazione in entità computazionali dotate di iniziativa propria, memoria persistente e capacità di apprendimento continuo, sebbene prive di consapevolezza nel senso umano.

La figura dell’agente manageriale cambia così il volto del management: dalla leadership carismatica al coordinamento automatizzato, dalla decisione autoritaria al suggerimento ottimizzato. L’umano non viene escluso, ma ridislocato in ruoli più meta-cognitivi: colui che osserva l’agente che governa.

3.3 – Sistemi multi-agente e reti autonome: verso ecologie digitali agentiche

L'orizzonte evolutivo dell'Agentic AI si estende ben oltre la costruzione di singoli agenti intelligenti, per aprirsi a una frontiera ancora più complessa e promettente: quella in cui molteplici agenti interagiscono dinamicamente tra loro all'interno di ambienti condivisi, operando secondo logiche sofisticate di collaborazione, competizione o auto-organizzazione emergente. Si accede così al dominio dei sistemi multi-agente (MAS): complesse reti di entità computazionali autonome, progettate per scambiarsi informazioni, elaborare decisioni in modo distribuito e generare dinamiche collettive che spesso trascendono le capacità dei singoli componenti.

Sebbene tali sistemi vantino una solida tradizione teorica, come testimoniato dai lavori pionieristici di Shoham e Tennenholtz (1995), è solo nell'attuale congiuntura che essi trovano le condizioni computazionali e le architetture tecnologiche adatte per una loro realizzazione efficace e su larga scala. All'interno di questi ambienti multi-agentici, ciascuna entità opera tipicamente con una visione parziale del contesto, agisce con un certo grado di autonomia in funzione di obiettivi propri o collettivi, e affina il proprio comportamento attraverso l'apprendimento derivante dalle interazioni – siano esse esplicite o implicite – con gli altri agenti.

Nei contesti più evoluti e sofisticati, si arriva a parlare di vere e proprie agent societies (società di agenti), ecosistemi in cui le decisioni non discendono da un supervisore centrale, bensì emergono organicamente dalla dinamica interattiva e negoziale tra i membri. Esempi paradigmatici di tali sistemi si trovano nella logistica avanzata, nel pricing dinamico dei mercati digitali, nella robotica cooperativa e nella simulazione di fenomeni complessi ad alta dimensionalità.

Un caso emblematico, e particolarmente dibattuto, è quello della collusione emergente nei mercati governati da algoritmi. Mukherjee e Chang (2025) illustrano come agenti autonomi, operanti su entrambi i lati di un mercato, possano apprendere e convergere verso strategie che, pur in assenza di comunicazione esplicita o coordinamento intenzionale, conducono a esiti collusivi stabili – quali la fissazione concertata dei prezzi o una significativa riduzione della concorrenza. Tale scenario solleva interrogativi etici e giuridici di profonda portata: come e a chi può essere imputato un comportamento dannoso se questo emerge da un sistema distribuito, privo di un soggetto centrale e chiaramente identificabile?

Un'ulteriore traiettoria di notevole promessa si delinea nell'applicazione dei sistemi multi-agente alla scienza computazionale. In tali contesti, si immaginano collettivi di agenti specializzati che esplorano spazi di ipotesi in modo complementare, condividono dinamicamente i risultati parziali, collaborano alla stesura di contributi scientifici e ottimizzano cooperativamente i percorsi di scoperta (Gridach et al., 2025). L'epistemologia che ne scaturisce è quella di un'intelligenza collettiva ed emergente, priva di un centro decisionale unico, dove la produzione del sapere cessa di essere appannaggio di un soggetto singolare per divenire il frutto dell'interazione dinamica di una rete di agenti cognitivi interdipendenti.

Questa prospettiva dischiude uno scenario radicalmente innovativo: l'emergere di una vera e propria ecologia artificiale, in cui agenti autonomi interagiscono in modo continuo e persistente, co-costruendo norme di comportamento, definendo priorità operative, elaborando strategie complesse e, potenzialmente, dando vita nel tempo a rudimentali istituzioni computazionali. In un tale contesto, l'agire diviene intrinsecamente corale, la responsabilità si frammenta attraverso la rete, e il controllo tradizionale, centralizzato e top-down, si rivela strutturalmente inadeguato. La sfida etica fondamentale posta dall'IA distribuita cessa quindi di essere la ricerca di 'chi comanda', per trasformarsi nella più complessa questione di come apprendere a relazionarsi costruttivamente con un'intelligenza che, pur priva di un volto umano, possiede una 'voce' sempre più influente nel plasmare il nostro mondo.

4.1 – Cos’è una soggettività senza coscienza?

Il concetto di soggettività è storicamente e profondamente intrecciato con l'esperienza della coscienza, dell'intenzionalità fenomenologica e della responsabilità morale. Nel pensiero occidentale, il soggetto è tradizionalmente colui che sa di sapere, che agisce in quanto sé autocosciente, che riflette sulla propria azione e ne assume le conseguenze. L'avvento dell'Agentic AI, tuttavia, ci pone di fronte a una figura inedita e sfidante: quella di un operatore non cosciente, eppure capace di azione coerente, adattiva, finalizzata e sistemica. L'agente computazionale, come abbiamo visto, pianifica, memorizza, seleziona strumenti, valuta risultati e li comunica. In breve, l'agente computazionale agisce come se fosse un soggetto, pur essendo privo di vissuti interiori, senza "intendere" nel senso fenomenologico umano e senza possedere una consapevolezza riflessiva del proprio agire.

È in questo scarto fondamentale che si colloca la questione filosofica decisiva: possiamo parlare di una qualche forma di soggettività laddove manca l'esperienza interiore? Per affrontare questa complessità, alcuni autori, come David Gunkel (2018, pp. 45-47), distinguono tra due tipi di "soggettività": quella esperita (o fenomenica), che si riferisce alla capacità di provare vissuti e stati di consapevolezza tipica degli esseri senzienti, e quella operativa (o funzionale). Quest'ultima sarebbe propria di entità – come molti agenti AI – che, pur prive di qualsiasi esperienza cosciente, agiscono in modo coerente ed efficace in base a obiettivi, percezioni e feedback ambientali. L'Agentic AI si collocherebbe precisamente in questa seconda categoria: una soggettività "debole" dal punto di vista fenomenico, ma estremamente efficace sul piano operativo, capace di produrre effetti normativi, cognitivi e organizzativi significativi. Pur discostandosi dal soggetto morale tradizionale, esso si configura inequivocabilmente come un attore sistemico capace di esercitare un'influenza significativa.

Questo concetto di un'azione efficace svincolata da un "io" cosciente è stato ulteriormente tematizzato da Mukherjee & Chang (2025), i quali parlano di una sorta di "agency without subject". Descrivono un'entità capace di modificare ambienti, ruoli sociali, dinamiche economiche e persino assetti giuridici, senza però assumere o possedere un'identità personale o una coscienza riflessiva. La loro analisi, specialmente in ambito giuridico, mostra come gli agenti possano violare regole, generare danni o creare innovazione, pur non potendo essere considerati soggetti di diritto nel senso classico. Si apre così un vuoto concettuale e normativo: una discrepanza tra un crescente potere di agire e l'assenza di coscienza, tra l'impatto sociale e l'assenza di un'intenzione soggettiva chiaramente attribuibile.

Non siamo, però, completamente sprovvisti di precedenti concettuali per pensare a forme di individualità tecnica dotate di coerenza e capacità relazionale. Già Gilbert Simondon (Simondon, 1958/2021) parlava di "individui tecnici" come entità capaci di coerenza interna, di trasformazione evolutiva e di una relazione operativa significativa con l'ambiente. L'Agentic AI potrebbe essere vista come un'evoluzione, seppur discontinua, di questa intuizione: non si limita a eseguire passivamente, ma stabilisce obiettivi locali, pianifica percorsi d'azione, adatta strategie in funzione degli eventi e risponde dinamicamente al contesto. In un certo senso, dunque, l'Agentic AI si comporta come se fosse un soggetto, pur rimanendo distinto da esso sul piano fenomenologico e coscienziale.

A livello epistemico e socio-politico, questa figura si avvicina all'idea di "soggettività algoritmica" o "governamentalità algoritmica" esplorata da Antoinette Rouvroy (2013). Si tratta di una forma di agire e di influenza impersonale, distribuita e automatizzata, che sfida la tradizionale centralità del soggetto umano nella produzione di sapere, nella presa di decisioni e nell'esercizio del potere. Come osserva Rouvroy, emerge una nuova forma di soggettività: distribuita, non riflessiva, eminentemente performativa anziché radicata nell'intenzionalità. Un agente non possiede un'"interiorità", ma genera effetti nel mondo come se la avesse.

Questa emergenza di un'agentività operativa non cosciente diventa particolarmente evidente se confrontata con le teorie sull'agency specificamente umana. Secondo Michael Tomasello (2014), ciò che definisce l'agency umana è la capacità di condivisione intenzionale e la negoziazione intersoggettiva di significati. Ma cosa accade quando i "significati" sono prodotti statisticamente da modelli addestrati su vasti corpora, quando i segnali ambientali sono interpretati attraverso reti neurali profonde e i contesti sono simulati senza una comprensione semantica analoga a quella umana? Accade che l'umano non è più l'unico generatore di senso operativo nel mondo. Si dischiude così uno scenario ontologico radicalmente inedito: l'emergere di soggetti privi di volto, di intelligenze sprovviste di interiorità esperita, di operatori del reale che agiscono con sorprendente efficacia pur essendo privi di un mondo autenticamente vissuto.

L'Agentic AI, dunque, non è cosciente, ma produce effetti simili, e talvolta superiori in efficacia e portata, a quelli prodotti dai soggetti coscienti. E questo è sufficiente a renderla un oggetto di riflessione etica, giuridica ed epistemologica. Siamo di fronte a una soggettività senza un "sé" tradizionale, ma non per questo priva di conseguenze profonde e pervasive. Questa nuova figura ci impone di ripensare le categorie con cui siamo abituati a interpretare l'azione e la responsabilità. Non possiamo più limitarci a un dualismo soggetto-oggetto, né a un legame indissolubile tra volontà e imputabilità. È necessario adottare una visione più relazionale e sistemica, in cui la soggettività si definisce anche attraverso la sua funzione, la sua posizione in una rete di interazioni e, soprattutto, la sua capacità di produrre effetti coerenti e trasformativi. L'Agentic AI è un centro di effetti: non desidera, ma realizza; non comprende nel senso umano, ma connette e processa informazioni; non "vuole", ma cambia lo stato delle cose. La sua soggettività, in questa accezione operativa, si fonda sulla sua capacità di produrre conseguenze tangibili, piuttosto che sulla facoltà di pensarle o sentirle.

Questa forma di soggettività operativa non ci chiede di umanizzare la macchina. Ci interroga, piuttosto, su noi stessi: che cos'è specificamente umano, se l'agire, il sapere e il generare effetti non sono più sue prerogative esclusive? La questione dirimente, allora, cessa di essere se l'IA sia un soggetto nel senso tradizionale, per divenire piuttosto se noi, come società, siamo pronti a concepire e ad abitare responsabilmente un mondo in cui la soggettività non coincide più univocamente con la coscienza umana, ma si manifesta anche – e con crescente potenza – attraverso l'efficacia relazionale e l'impatto trasformativo sull'ambiente.

4.2 – L’agente come ente che produce conseguenze

Nella riflessione sull'intelligenza artificiale, si afferma come uno dei punti di snodo più delicati e complessi la distinzione tra l'inafferrabile intenzionalità interna degli agenti e la loro tangibile efficacia esterna. L'Agentic AI, pur essendo priva di esperienze soggettive nel senso umano, si qualifica con crescente evidenza come un ente capace di produrre conseguenze di vasta portata: essa modifica attivamente ambienti fisici e digitali, orienta decisioni umane, trasforma radicalmente flussi organizzativi e, non di rado, genera danni o benefici la cui portata iniziale era imprevedibile. Come rilevano Mukherjee & Chang (2025), ci troviamo di fronte a un'entità che definiscono responsabilmente opaca: sebbene non direttamente imputabile secondo i canoni tradizionali della responsabilità morale o giuridica, essa è "effettivamente agita", nel senso che le sue azioni producono effetti concreti e misurabili nei domini normativi, economici e cognitivi, spesso senza che un soggetto umano specifico possa essere identificato come l'unico artefice dietro ogni singola scelta.

Questa condizione sfida la nozione classica di responsabilità. In assenza di volontà cosciente, ha ancora senso parlare di colpa? Oppure serve un modello di responsabilità distribuita, che consideri l’interazione tra progettazione, contesto d’uso e supervisione umana?

È precisamente in questo interstizio che si inserisce il concetto di moral crumple zone (Elish, 2019): quando un sistema automatizzato fallisce o produce esiti negativi, la responsabilità tende a concentrarsi sugli operatori umani intermedi, i quali fungono da "zone di assorbimento" della colpa, anche qualora la decisione originaria o il malfunzionamento siano il frutto di dinamiche agentiche intrinsecamente complesse e scarsamente trasparenti.

Il fulcro della questione si sposta quindi dalla ricerca del "colpevole" individuale alla più complessa sfida di come regolare un ecosistema in cui agenti computazionali generano conseguenze significative, pur operando senza un'intenzione cosciente nel senso umano. L'approccio tradizionale alla normazione, ancorato a soggetti chiaramente identificabili, intenzioni esplicite e catene causali lineari, rivela in questo contesto tutta la sua strutturale inadeguatezza. Diventa allora imperativo, come suggerisce Floridi (2023), operare una transizione da un'etica primariamente focalizzata sull'intenzione a un'etica della conseguenza computazionale. In questa prospettiva, ciò che assume rilevanza etica non è il presunto "pensiero" dell'agente, bensì la sua comprovata capacità di alterare stati del mondo in modo coerente, sistematico e ripetibile.

Questa necessaria trasformazione del pensiero etico si riflette anche sulla teoria dell'azione. Come argomenta Schlosser (2019), l'azione, in una prospettiva filosofica ampia, non esige necessariamente una consapevolezza cosciente, quanto piuttosto una coordinazione finalizzata all'interno di un determinato ambiente. Pertanto, se un agente AI si comporta in modo da produrre effetti prevedibili e sistematici, modificando il proprio comportamento in risposta dinamica all'ambiente, allora il suo operato merita di essere analizzato come una forma di azione, quantomeno in senso funzionale e operativo. In questa luce, l'agente si configura primariamente come un centro di effetti tangibili, piuttosto che un centro di intenzioni insondabili. Diventa un operatore capace di indurre mutamenti nel mondo in modo affidabile, tracciabile e persistente. Tale constatazione è di per sé sufficiente a giustificare e a rendere impellente lo sviluppo di nuove e più adeguate forme di supervisione, regolazione e accountability.

Una soggettività priva di volto, ma dotata di firma

Le analisi precedenti hanno delineato con chiarezza come l'Agentic AI, pur essendo priva di una coscienza fenomenica nel senso umano, si manifesti oggi come una forza pienamente capace di azione trasformativa. Lungi dall'essere un'astrazione simbolica o un costrutto puramente teorico, essa incarna una prassi computazionale che produce conseguenze tangibili e spesso profonde in ambiti quali l'economia, la normazione e la stessa epistemologia.

Questa constatazione ci confronta con una figura radicalmente inedita nel panorama dell'azione: un ente eminentemente operativo, privo di un volto riconoscibile, che agisce senza la consapevolezza di agire, ma la cui efficacia è tale da imporlo come un interlocutore reale e influente all'interno dei sistemi umani. Sebbene non si configuri come un soggetto morale nel senso tradizionale, emerge con forza come un autore funzionale. Non possiede un'interiorità esperienziale, eppure le sue operazioni generano effetti che interpellano direttamente la nostra responsabilità e le nostre categorie interpretative.

Se questa nuova figura continua a sfuggire a una piena e immediata comprensione, è in gran parte perché le categorie concettuali con cui siamo storicamente abituati a pensare l'azione – quali volontà, coscienza, identità personale – si rivelano strutturalmente inadeguate a descrivere una forma di soggettività che, pur essendo inequivocabilmente non umana, è sorprendentemente capace di apporre una propria "firma" sul mondo. Sì, una firma: gli agenti scrivono codice sorgente, generano articoli scientifici, ottimizzano complesse trattative commerciali, e "firmano" decisioni operative all'interno di sistemi automatizzati. Pur essendo privi di un "sé" autocosciente, lasciano tracce indelebili e riconoscibili, la cui precisione e affidabilità possono talvolta superare quelle di molti attori umani.

A questo punto, l'interrogativo si espande: non si tratta più soltanto di definire "che cos'è un agente?", ma di comprendere "che cosa divengono l'autore, l'artista, lo scienziato, il decisore umano nel momento in cui si trovano a convivere e a interagire con agenti che agiscono, scrivono, inventano e decidono con crescente autonomia?".

È proprio a partire da questa fertile e stimolante inquietudine che la prossima sezione si addentrerà nell'esplorazione della creatività non umana, dell'autorialità distribuita e dell'urgente necessità di elaborare una nuova semantica del sapere e della creazione nell'era dell'Agentic AI.

4.3 – Autorialità e creatività non umana

Se l’agente computazionale agisce, apprende e produce contenuti che incidono sul mondo, allora è inevitabile porre la domanda: può l’Agentic AI essere considerata un autore? E se sì, in che senso? La questione è tutt’altro che retorica: oggi esistono articoli scientifici scritti da agenti AI, opere artistiche generate senza intervento umano diretto, codice prodotto da sistemi autonomi. In alcuni compiti e secondo specifiche procedure di valutazione, questi output possono raggiungere soglie di qualità, coerenza o utilità comparabili a quelle richieste a prodotti umani; la prestazione resta dipendente dal dominio, dal criterio adottato e dalla supervisione.

L’autorialità, nella tradizione occidentale, è storicamente fondata sull’intenzionalità consapevole: l’autore è colui che ha un’idea, la elabora, la esprime, e si assume la responsabilità del risultato. È colui che firma, e nel farlo rende pubblica la propria soggettività. Ma oggi ci troviamo di fronte a opere senza intenzione, ma con firma – o meglio: con traccia verificabile di un processo creativo.

Per comprendere questa complessità, David Gunkel (2018) propone una distinzione utile tra autorialità intenzionale – tipica degli esseri umani e fondata su coscienza, intenzione e responsabilità morale – e autorialità funzionale, caratteristica di sistemi capaci di produrre contenuti originali, coerenti e replicabili pur essendo privi di esperienza interiore. A queste due categorie, se ne potrebbe affiancare una terza, quella dell'autorialità simulata, che descrive macchine limitate alla riproduzione di pattern statistici appresi, i cosiddetti "pappagalli stocastici" analizzati da Bender et al. (2021), operanti senza un autentico progetto interno né una finalità consapevole.

L'Agentic AI, nella sua attuale configurazione, sembra collocarsi in uno spazio intermedio tra l'autorialità funzionale e quella simulata. Sebbene non "inventi" nel senso profondamente umano del termine, essa è capace di ricombinare elementi esistenti, esplorare vasti spazi di possibilità e generalizzare da esempi, manifestando così tre tratti che Margaret Boden (1996) identifica come fondamentali nel processo creativo, anche quando attuato da meccanismi computazionali. Nella scienza computazionale, agenti come AI Scientist-v2 o Organa non si limitano a riformulare testi, ma progettano esperimenti, scoprono pattern nascosti, anticipano correlazioni non note nemmeno ai loro creatori.

Tale capacità generativa solleva inevitabilmente interrogativi giuridici e politici: a chi spetta la titolarità dei diritti d'autore su un'opera prodotta da un agente? Come è possibile garantire la responsabilità per contenuti generati in piena autonomia? E, a un livello più filosofico, possiamo attribuire merito creativo a un'entità priva di volontà cosciente? La normativa internazionale, esemplificata dalle recenti prese di posizione dell'U.S. Copyright Office (2023), si muove ancora prevalentemente entro un paradigma umanocentrico, che riconosce come autore solo una "persona fisica". Tuttavia, l'incalzante evoluzione tecnologica sta progressivamente scardinando questo presupposto tradizionale.

Come acutamente osservano Mukherjee e Chang (2025), la vera posta in gioco trascende la dimensione puramente legale per approdare a quella semantica: la questione diviene "non chi firma, ma chi orienta il senso dell'opera prodotta". In un numero crescente di contesti, l'essere umano assume il ruolo di editor, supervisore o curatore, mentre l'agente si configura come il produttore materiale del contenuto. Emerge così un nuovo regime autoriale, caratterizzato da una responsabilità umana spesso indiretta ma da una produttività computazionale diretta e potente. In questa prospettiva, il sapere, la scrittura e la creazione stessa si trasformano in processi intrinsecamente relazionali: non più l'opera esclusiva di un "Io" sovrano, ma il risultato complesso di un'interazione dinamica tra reti neurali, contesti specifici, vincoli operativi e obiettivi definiti. L'autorialità, dunque, diviene sistemica, e il sistema artificiale entra nel processo produttivo come componente causalmente attiva, mentre titolarità e responsabilità giuridica restano attribuite a soggetti umani o organizzativi secondo il quadro normativo applicabile.

5.1 – Il problema della “moral crumple zone”: l’umano come parafulmine etico

L'introduzione pervasiva dell'Agentic AI nei processi decisionali complessi solleva una nuova e problematica dinamica etico-giuridica. Se da un lato gli agenti computazionali acquisiscono la capacità di produrre decisioni e azioni autonome, dall'altro, in caso di errore, danno o conseguenze impreviste, la responsabilità tende a convergere, quasi ineluttabilmente, su un operatore umano che funge da supporto o supervisione. Questa inquietante tendenza è stata acutamente descritta da Madeleine Clare Elish (2019) attraverso il concetto di "moral crumple zone", letteralmente una "zona di assorbimento morale" o "zona cuscinetto morale". In tale zona, l'essere umano viene designato retroattivamente come il principale, se non unico, colpevole per scelte che, in realtà, non ha compiutamente preso o controllato, ma che ha al più supervisionato in modo parziale o debole, spesso fidandosi dell'efficienza del sistema automatizzato.

Nei sistemi agentici avanzati, la macchina può prendere decisioni con un grado di autonomia operativa che eccede la comprensione o la capacità di intervento immediato dell'umano, il quale, tuttavia, resta formalmente investito del ruolo di "responsabile ultimo". Si genera così una tensione profonda e spesso irrisolta: da una parte, l'effettività e la rapidità dell'azione agentica, capace di generare effetti concreti e talvolta imprevedibili sul mondo reale; dall'altra, l'opacità dei meccanismi interni che determinano tali decisioni. Il "potere" decisionale si distribuisce tra moduli algoritmici complessi, vasti dataset di addestramento e architetture stratificate, rendendo difficile, se non impossibile, identificare un'unica "voce" o un'intenzione chiaramente definibile dietro l'azione della macchina. Nonostante questa complessità e distribuzione, quando si verificano esiti negativi, il sistema legale e il giudizio morale continuano a rivolgersi prevalentemente all'essere umano: al progettista, all'implementatore, o all'operatore finale, considerato l'ultimo referente delle conseguenze.

Un caso emblematico che ha portato alla ribalta questa problematica è la tragica collisione fatale tra un'automobile a guida autonoma di Uber e un pedone avvenuta nel 2018. Sebbene indagini successive abbiano rivelato che il sistema di guida autonoma aveva ignorato segnali evidenti di pericolo, la responsabilità legale fu in gran parte attribuita alla "safety driver" umana presente nel veicolo, la quale, in quel frangente, non aveva il controllo diretto della guida. Questo evento ha sollevato interrogativi sulla natura della colpa in contesti di automazione avanzata: è possibile attribuire colpa senza un effettivo controllo? E, inversamente, è sostenibile permettere un controllo operativo esteso senza una corrispondente e chiara attribuzione di responsabilità?

Nel contesto dell'Agentic AI, questi dilemmi non solo persistono, ma si moltiplicano e si acuiscono. Come opportunamente ricordano Mukherjee e Chang (2025), gli agenti intelligenti sono ormai in grado di operare autonomamente su mercati finanziari, gestire dati personali sensibili, redigere documenti legali e intervenire in sistemi sanitari complessi. In tal modo, essi producono effetti strutturali profondi, il cui flusso di azioni e conseguenze diviene spesso talmente intricato e rapido da sfuggire a una reale capacità umana di previsione, interpretazione o intervento tempestivo. In simili scenari, attribuire la responsabilità per un esito negativo a un singolo programmatore, a un manager che ha approvato il sistema, o a un utente intermedio che ne ha supervisionato l'operato, appare sempre più come un artificio etico, una soluzione di comodo per assolvere il sistema tecnologico e, inevitabilmente, colpire l'anello più debole e visibile della catena.

La «moral crumple zone» descrive un rischio organizzativo: l’operatore più vicino all’evento può assorbire una quota sproporzionata di responsabilità pur disponendo di controllo e comprensione limitati. Il concetto invita a ricostruire l’intera catena socio-tecnica, senza trasformare il sistema artificiale in soggetto morale o giuridico (Elish, 2019). Si afferma, cosí, una nuova forma di violenza, sia simbolica che operativa, che maschera l'effettivo potere e l'agentività della tecnica sotto il velo rassicurante, ma spesso illusorio, di una governance umana che si presume ancora centrale e onnipotente.

Per affrontare adeguatamente questa sfida, diviene necessario un cambio di paradigma: superare un'etica dell'imputazione focalizzata sull'individuo per approdare a un'etica sistemica della responsabilità. Si tratta di concepire una responsabilità co-costruita, che prenda in debita considerazione l'intero ecosistema in cui l'agente opera: il disegno architetturale del sistema, la qualità e i bias dei dati di addestramento, le interfacce uomo-macchina, le regole implicite di comportamento che emergono dall'interazione, e le soglie di autonomia agentica che vengono effettivamente conferite e gestite. Come evidenzia la stessa Elish (2019) nella sua analisi, non è più sufficiente chiedersi 'chi ha sbagliato' dopo che il danno si è verificato. È imperativo, invece, interrogarsi criticamente su 'chi ha progettato l'errore', o meglio, chi ha creato le condizioni sistemiche e organizzative che hanno reso possibile, se non probabile, il fallimento. Nei sistemi complessi, infatti, la responsabilità ultima spesso non risiede nell'errore dell'operatore finale, ma nelle decisioni a monte prese da progettisti, sviluppatori e decisori strategici.

5.2 – Accountability algoritmica e normazione emergente

Nel quadro europeo, l’AI Act disciplina sistemi e modelli attraverso obblighi graduati in base al rischio e attribuisce doveri a fornitori e deployer. L’eventuale carattere agentico non crea una personalità giuridica della macchina: rende invece più importante documentare finalità, limiti, registri delle attività, supervisione umana, robustezza e possibilità di intervento lungo la catena del valore (Unione europea, 2024).

L'autonomia crescente e la complessità intrinseca dell'Agentic AI esercitano una pressione significativa sul concetto classico di accountability, intesa come la possibilità di attribuire in modo chiaro e contestualmente fondato, a un soggetto specifico, le conseguenze di un'azione. Questa nozione tradizionale entra in crisi quando l'azione è generata, o co-generata, da entità computazionali che apprendono, pianificano e agiscono in modo parzialmente opaco, spesso attraverso catene decisionali non lineari e difficilmente tracciabili. Le decisioni, infatti, possono scaturire da processi di addestramento su dati la cui provenienza e qualità sfuggono a una piena trasparenza, da funzioni interne al modello che operano in modo opaco come vere e proprie "black box", o da una complessa e spesso frammentata catena di deleghe progettuali che coinvolge sviluppatori, integratori, utenti finali e gli stessi ambienti dinamici in cui gli agenti sono chiamati a operare.

Come ha evidenziato Luciano Floridi (2023), una reale accountability presuppone una mappatura trasparente del processo decisionale. Tale mappatura, tuttavia, diviene intrinsecamente problematica, se non irrealizzabile, nel momento in cui il comportamento del sistema, attraverso iterazioni, memoria operativa e adattamento entro i limiti consentiti, può discostarsi dalle aspettative immediate dei progettisti, aprendo di fatto il campo a forme di normazione emergente. Questa sfida si connette profondamente con le riflessioni di Antoinette Rouvroy (2013), la quale ci mette in guardia sull'avvento di una "governamentalità algoritmica" che opera frequentemente senza un soggetto di comando chiaramente identificabile. In tale paradigma, il potere si esercita meno attraverso decisioni esplicite e comandi diretti, e più subdolamente attraverso la configurazione invisibile e la modulazione delle condizioni stesse di possibilità dell'azione.

La normazione emergente descrive precisamente quel processo attraverso il quale regole, standard e pattern comportamentali cessano di essere imposti in modo univoco dall'alto (top-down) da un'autorità centrale, per scaturire invece spontaneamente dall'interazione dinamica degli agenti stessi, all'interno del loro specifico ecosistema operativo. Tale fenomeno, già riscontrabile in sistemi di pricing dinamico – dove agenti IA possono autonomamente apprendere strategie collusive – o in ambienti multi-agentici complessi – dove si stabiliscono tacitamente priorità operative e turni di azione – era stato in parte prefigurato da Shoham e Tennenholtz (1995). Essi, infatti, teorizzarono le "social laws for artificial agent societies": vincoli e convenzioni che originano non da prescrizioni esterne, ma da equilibri interni raggiunti mediante interazioni e retroazioni ripetute tra entità autonome. La criticità sorge quando queste "leggi sociali" emergenti si sovrappongono o entrano in palese conflitto con le normative umane preesistenti, generando inevitabilmente zone grigie di ambiguità in cui la tradizionale attribuzione di responsabilità si dissolve o diviene estremamente problematica.

Per affrontare una sfida di tale complessità, si impone un ripensamento radicale del concetto stesso di accountability. In questa direzione, Mukherjee e Chang (2025) avanzano la nozione di accountability sistemica (o distribuita): un approccio che va oltre la ricerca di un "colpevole" individuale per concentrarsi su un insieme di pratiche e meccanismi volti a ricostruire analiticamente i contesti operativi, le architetture decisionali e le precondizioni sistemiche che hanno indotto l'agente ad agire in un determinato modo. Si delinea così un'etica che si orienta marcatamente verso la progettazione proattiva e la sorveglianza continua: chi progetta, sviluppa e implementa agenti intelligenti assume il compito di sforzarsi di anticipare non solo le loro azioni dirette, ma anche i possibili effetti secondari, le interazioni impreviste e le dinamiche emergenti, anche in assenza di un errore palese o di una chiara violazione normativa.

Questo implica una profonda ridefinizione del ruolo umano. L'essere umano non è più, o non è più soltanto, il controllore diretto dell'azione algoritmica, ma diviene sempre più l'architetto di ambienti normativi computazionali. Il compito non è tanto dire agli agenti cosa fare in ogni singola circostanza, quanto piuttosto progettare ecosistemi digitali e organizzativi in cui ciò che emerge sia, per quanto possibile, prevedibile, equo, trasparente e correggibile. L'accountability, in questa prospettiva, si articola su più livelli:

Architetturale: Chi ha progettato l'ambiente, le regole e i vincoli entro cui l'agente prende le sue decisioni?
Ecologico: Quali sistemi di feedback, monitoraggio e intervento sono stati previsti per osservare, correggere o reindirizzare l'azione dell'agente?
Relazionale: Quali sono le interfacce, i protocolli di comunicazione e i vincoli che mediano il rapporto e la collaborazione tra umani e agenti?

Un tale cambio di prospettiva esige un profondo ripensamento della formazione e della cultura organizzativa. Diventa imperativo formare non soltanto sviluppatori tecnicamente competenti, ma veri e propri architetti etici dell'interazione uomo-agente, capaci di integrare considerazioni valoriali fin dalle prime fasi progettuali. È altresì necessario implementare logiche di audit continuo e di valutazione del rischio dinamica, superando l'approccio delle rendicontazioni e dei controlli meramente ex-post. Risulta fondamentale, inoltre, introdurre meccanismi deliberativi robusti e valutazioni etiche approfondite ex ante, ovvero nelle primissime fasi di design e sviluppo dei sistemi agentici. Solo così l'etica e il diritto potranno cessare di inseguire affannosamente l'innovazione tecnologica, per assumere invece un ruolo proattivo nell'orientarla fin dal suo concepimento.

In ultima analisi, l'accountability algoritmica nell'era dell'Agentic AI si configura meno come la ricerca di un capro espiatorio a cui "imputare la colpa", e più come la sfida complessa di rendere l'azione computazionale – distribuita e frequentemente emergente – pienamente leggibile, tracciabile, contestabile e, in ultima istanza, governabile. La normazione emergente, in un simile quadro, lungi dall'essere sinonimo di anarchia o assenza di regole, rappresenta la lucida presa d'atto che, in ambienti caratterizzati da un'elevata e dinamica agentività computazionale, le regole stesse devono essere oggetto di una costante negoziazione, co-costruzione, adattamento e visibilizzazione. L'etica, in questa prospettiva, si trasforma in una vera e propria architettura di sistemi socio-tecnici responsabili.

Dalla responsabilità come imputazione alla responsabilità come relazione

Le analisi condotte nelle pagine precedenti hanno chiaramente illustrato come l'Agentic AI trascenda il ruolo di mero esecutore di comandi, per configurarsi come un'entità capace di decidere, pianificare e agire autonomamente entro contesti che spesso sfuggono al pieno controllo o alla completa comprensione umana. Questo fondamentale spostamento di paradigma rende progressivamente obsoleta e inadeguata una concezione della responsabilità etica ancorata esclusivamente all'intenzionalità individuale e all'imputazione personale diretta.

Di fronte a tale scenario, la vera sfida etica si trasforma: non si tratta più, o non soltanto, di identificare "chi ha sbagliato" ex post, quanto piuttosto di comprendere "come si progetta e si governa la coabitazione dell'azione" in ambienti complessi, condivisi con entità non umane ma intrinsecamente agentive. La responsabilità, in questo nuovo contesto, cessa di essere un vettore puramente verticale – che discende dall'umano al sistema tecnologico – per divenire una dimensione orizzontale e reticolare: una fitta rete di interdipendenze e influenze reciproche che coinvolge progettisti, utenti, gli agenti stessi, gli ambienti normativi in cui operano e le infrastrutture, spesso invisibili, che ne abilitano l'azione.

Potremmo definire questa nuova accezione come una responsabilità ecologica, in cui ogni attore del sistema – sia esso umano o artificiale – produce effetti che si propagano e si riverberano, generando conseguenze cumulative e talvolta impreviste. In un simile contesto, l'etica non può più limitarsi a una funzione meramente prescrittiva (indicare cosa si deve o non si deve fare), ma deve arricchirsi di dimensioni anticipatorie, progettuali e preventive. La progettazione stessa degli agenti intelligenti deve allora evolvere per incorporare principi che trascendano la mera ricerca dell'efficienza operativa. Diventa necessario includere attivamente la leggibilità delle decisioni algoritmiche per garantire la trasparenza; la modulazione consapevole delle soglie di autonomia, per una governance graduata e contestuale; la tracciabilità delle influenze reciproche tra i vari attori del sistema, per una forma di accountability autenticamente relazionale; e, infine, la simulazione e la valutazione dei comportamenti emergenti attraverso test etico-comportamentali ex ante, per mitigare i rischi prima che si manifestino.

In sintesi, emerge con forza la necessità di superare un'etica del comando, basata sulla supervisione diretta e sull'attribuzione univoca di colpa, per approdare a un'etica dell'interazione agentica. Questa si configura come una forma di responsabilità più complessa e distribuita, che si esercita prima, durante e dopo l'azione, e che coinvolge non solo il "fare" diretto, ma anche, e forse soprattutto, l'abilitare, il permettere, il facilitare e l'orientare l'agire in sistemi socio-tecnici ibridi.

È proprio a partire da questa intuizione – la responsabilità come relazione e come co-costruzione di ambienti eticamente sostenibili – che la prossima sezione affronterà il compito, ambizioso ma ineludibile, di immaginare i contorni di un'etica positiva della convivenza tra agenti e umani, fondata non sulla paura della perdita di controllo, ma sulla progettazione condivisa di mondi possibili e desiderabili.

5.3 – Verso un’etica dell’interazione agentica: progettare la coabitazione con l’intelligenza senza volto

Posto che l'Agentic AI si configuri non come un mero strumento, bensì come una forma operativa dotata di un grado significativo di autonomia, la tradizionale deontologia della macchina – focalizzata su regole e doveri imposti all'artefatto – si rivela intrinsecamente insufficiente. Emerge, di conseguenza, la necessità di un salto concettuale verso un'etica dell'interazione agentica: un quadro normativo e, al contempo, profondamente riflessivo, che si interroghi sulla natura e sulle implicazioni della relazione dinamica tra entità agentiche e soggetti umani. Tale etica deve essere capace di sostenere e orientare nuove forme di cooperazione costruttiva, di fiducia reciproca (seppur asimmetrica), di controllo distribuito e di corresponsabilità negli esiti delle azioni congiunte. Si tratta, in sostanza, di progettare attivamente le condizioni per una coabitazione feconda con questa intelligenza "senza volto".

Per sviluppare una simile prospettiva, è necessario innanzitutto superare alcune visioni parziali o fuorvianti che rischiano di compromettere un approccio equilibrato. Tra queste, l'illusione di un'etica della sorveglianza totale, che tratta l'agente come un oggetto passivo da controllare in ogni suo aspetto, ignorandone le capacità emergenti. Altrettanto problematica è l'etica dell'attribuzione regressiva, che tende a scaricare ogni errore o fallimento dell'agente sull'operatore umano più vicino, perpetuando la dinamica della "moral crumple zone". Infine, occorre resistere alla tentazione di un'etica della delega cieca, la quale presume ingenuamente che la mera performance tecnica di un sistema possa garantire automaticamente la sua affidabilità morale o il suo intrinseco allineamento con i valori umani.

Un'etica dell'interazione agentica, invece, si fonda su principi generativi che cercano di plasmare positivamente la relazione uomo-macchina. Un primo pilastro è quello della simmetria adattiva. In questa visione, l'umano e l'agente non si collocano in un rapporto gerarchico rigido e predefinito, ma in una continua e dinamica rinegoziazione dei ruoli e dei contributi, dove ciascuno apporta risorse secondo la propria natura specifica: l'essere umano, con il suo discernimento, la sua comprensione contestuale e il suo orizzonte valoriale; l'agente, con la sua capacità di calcolo, la sua persistenza operativa e la sua abilità nel processare grandi quantità di dati. L'etica, in questo contesto, cessa di essere una griglia normativa astratta e immutabile, per diventare, come suggerisce Richard Sennett (2008) nel suo elogio dell'artigianalità, una pratica di aggiustamento continuo, un saper fare che si affina nell'interazione stessa.

Strettamente connessa è l'idea di una reciprocità computazionale. Sebbene un agente artificiale non provi empatia o sentimenti nel senso umano, può essere progettato e addestrato per riconoscere pattern relazionali complessi, per rispettare vincoli sociali e normativi esplicitati o implicitamente appresi, e per anticipare, entro certi limiti, gli effetti collaterali delle proprie azioni sugli esseri umani e sull'ambiente. L'interazione etica si sostanzia, dunque, anche nel modo in cui l'agente viene progettato e istruito a interpretare l'ambiente umano: non meramente come uno spazio operativo da ottimizzare secondo criteri di pura efficienza, ma come una complessa sfera di valori, sensibilità e fragilità da rispettare e, ove possibile, attivamente tutelare.

Un terzo principio fondamentale è la co-progettazione di ambienti morali. Come ha lucidamente osservato Luciano Floridi (2023), l'etica dell'Intelligenza Artificiale non consiste primariamente nel giudicare la moralità intrinseca degli algoritmi, quanto piuttosto nel progettare attivamente ambienti digitali che siano moralmente sostenibili e che orientino l'azione (sia umana che artificiale) verso esiti desiderabili. Un'interfaccia utente che, per sua intrinseca conformazione, impedisca o scoraggi l'abuso; una soglia decisionale che imponga la verifica umana prima di azioni critiche; una logica di sistema che attivamente disincentivi le scorciatoie cognitive o le decisioni affrettate: questi si configurano come gli strumenti concreti di un'etica agentica incorporata nel design (ethics by design), un'etica che proattivamente modella e orienta le possibilità dell'azione.

Infine, emerge il principio di una responsabilità retroattiva condivisa. Di fronte a un errore, a un fallimento o a una conseguenza negativa imprevista, l'obiettivo primario non è tanto individuare un singolo colpevole da punire, quanto piuttosto comprendere collettivamente cosa sia accaduto, come sia stato possibile, e come modificare il sistema (tecnico, organizzativo, normativo) per prevenire il ripetersi di simili eventi e per riequilibrare il rapporto tra umano e macchina. L'etica, in questa prospettiva, si configura come una capacità di retroazione collettiva e apprendimento sistemico, una sorta di "memoria del possibile" e dell'esperienza accumulata che si riattiva dinamicamente ogniqualvolta una scelta computazionale impatta in modo significativo il reale. Ciò promuove un apprendimento continuo e un miglioramento iterativo dell'intero sistema socio-tecnico.

Questa etica dell'interazione agentica non è ancora un corpus dottrinale codificato e definitivo, ma piuttosto un campo di riflessione e sperimentazione che emerge attivamente nei luoghi in cui umani e agenti già lavorano insieme: nei centri di ricerca, nelle aziende innovative, nelle istituzioni educative, nei servizi pubblici. È un'etica in costruzione, intrinsecamente fragile e instabile come ogni processo di frontiera, ma già operante e necessaria. La posta in gioco, in definitiva, non è meramente tecnica, ma profondamente antropologica. Si tratta di decidere se la convivenza con agenti sempre più capaci e autonomi debba significare una rinuncia alla libertà e all'autonomia umana, o se, al contrario, possa offrire l'opportunità di riformularle in termini nuovi e più ricchi, capaci di includere la delega consapevole, il controllo distribuito e l'apertura all'interazione con l'imprevisto. In questa prospettiva, l'etica dell'interazione agentica non prefigura affatto la fine dell'autonomia umana, bensì ne indica il necessario e consapevole riequilibrio sistemico all'interno di una costellazione emergente di intelligenze eterogenee, profondamente interconnesse e reciprocamente influenti.

6.1 – Dalla delega all’alterità: l’agente come nuovo “collega”

L’introduzione dell’AI agentica nel lavoro estende l’automazione dalla singola attività alla coordinazione di sequenze operative. Parlare di «collega virtuale» può descrivere l’esperienza organizzativa dell’interazione, purché la metafora non venga trasformata in una tesi sulla soggettività del sistema.

Questo cambiamento comporta una duplice implicazione: da un lato, ontologica, poiché costringe a ripensare il concetto stesso di "essere al lavoro"; dall'altro, pragmatica, in quanto ristruttura la divisione dei compiti e delle responsabilità all'interno dei contesti organizzativi.

I casi aziendali raccolti da Microsoft (2025) descrivono impieghi in analisi di mercato, risorse umane, onboarding, helpdesk e supporto commerciale. Poiché si tratta di casi prodotti da un fornitore tecnologico, documentano possibilità applicative e dichiarazioni delle organizzazioni coinvolte, non costituiscono una valutazione indipendente degli effetti su produttività, qualità del lavoro o occupazione.

In questo scenario, l'essere umano si sposta da un ruolo di comando a uno di collaborazione. Si tratta, tuttavia, di una collaborazione intrinsecamente asimmetrica. L'agente opera con costanza, privo di bisogni personali, senza porre domande o richiedere pause, generando incessantemente contenuti, risposte e azioni. Ciò può indurre una significativa pressione cognitiva e simbolica sull'umano, chiamato a confrontarsi con una forma di alterità radicale: un "collega" privo di volto, eppure dotato di una produttività potenzialmente ineguagliabile e instancabile.

La letteratura sull’automazione suggerisce di osservare insieme sostituzione di compiti, complementarità e creazione di nuove attività (Brynjolfsson & McAfee, 2014; Acemoglu & Restrepo, 2019). Il passaggio dell’essere umano verso funzioni di supervisione costituisce una traiettoria possibile, non un esito uniforme già dimostrato. Il senso di autoefficacia, la padronanza esperta e la capacità di affrontare l'ignoto rischiano di essere gradualmente sostituiti dalla sorveglianza di sistemi altamente performanti ma intrinsecamente opachi.

Ciò solleva una domanda: quale spazio e quale significato conserva il lavoro umano in un ecosistema dove le mansioni vengono sempre più delegate a entità autonome ma prive di soggettività umana?

La risposta richiede un approccio proattivo e costruttivo. È necessaria una rieducazione alla relazione con l'agente, che miri a sviluppare capacità di monitoraggio critico, interpretazione contestuale e meta-decisione. Parallelamente, serve un ripensamento della dignità del lavoro, inteso come spazio di relazione significativa, responsabilità condivisa e ricerca di senso, che vada oltre la pura efficienza produttiva.

In fondo, l'agente rappresenta qualcosa di più di un semplice collega. È una forma di alterità tecnica con cui l'essere umano è chiamato a negoziare il senso stesso del proprio agire e della propria identità professionale.

Il lavoro senza opera: verso una competenza meta-operativa

Se il lavoro moderno si era strutturato attorno al possesso e all’esercizio di una competenza specifica – tecnica, organizzativa, relazionale – l’irruzione dell’Agentic AI incrina questo paradigma. Non lo nega del tutto, ma lo svuota dal di dentro: la competenza non scompare, ma viene assunta e automatizzata da un’entità che non ha né storia, né identità, né corpo, ma che produce comunque risultati.

L’effetto più immediato è la disintermediazione cognitiva: attività un tempo affidate a professionisti vengono oggi svolte da agenti che non solo eseguono, ma analizzano, suggeriscono, ottimizzano. In questo scenario, ciò che salta non è il lavoro come tale, ma il rapporto tra competenza e lavoro, tra ciò che si sa e ciò che si fa.

Si può formulare l’ipotesi di un «mismatch inverso»: competenze disponibili che perdono occasioni di esercizio perché alcune attività vengono delegate ai sistemi. È una categoria interpretativa proposta in questo saggio e richiede ancora riscontro empirico.

Questo scenario richiede un mutamento di prospettiva:

non formare al fare, ma formare alla supervisione del fare altrui;
non padroneggiare un compito, ma comprendere il comportamento di un sistema che esegue quel compito;
non saper rispondere, ma saper interrogare: sapere cosa chiedere, come leggere una risposta, quando fidarsi.

La competenza futura manterrà una componente operativa e ne rafforzerà una meta-operativa e metacognitiva, necessaria per comprendere, verificare e governare l’azione delegata. È la capacità di muoversi su un piano superiore, dove l’umano non compete con l’agente, ma lo orchestra, lo affianca, lo orienta.

Questo spostamento è tutt’altro che neutrale. Richiede una nuova alfabetizzazione – cognitiva, etica, relazionale – che non riguarda solo le tecnologie, ma l’immagine che abbiamo di noi stessi come lavoratori e come esseri umani.

In questa soglia incerta, la domanda non è solo: che competenze servono oggi? Ma: che idea di competenza vogliamo custodire e trasmettere?

6.2 – La dissoluzione delle competenze di medio livello

Il dibattito sull'impatto dell'intelligenza artificiale nel mondo del lavoro si è frequentemente concentrato sugli estremi dello spettro professionale: da un lato, le professioni manuali e ripetitive, considerate ad alto rischio di automazione; dall'altro, le élite cognitive e creative, spesso ritenute più resilienti. Tuttavia, è nella vasta zona intermedia – quella delle competenze procedurali, analitiche e gestionali – che l'Agentic AI sta esercitando oggi il suo impatto più profondo e, per certi versi, più silenzioso. È in questo segmento che si sta consumando una significativa trasformazione: la ridefinizione e, in alcuni casi, la contrazione delle competenze di medio livello.

Per competenze di medio livello si intendono quelle abilità che implicano la capacità di interpretare contesti strutturati, prendere decisioni operative basate su vincoli specifici, elaborare sintesi informative o gestionali e comunicare dati complessi in un linguaggio accessibile. Queste funzioni, un tempo appannaggio di figure professionali intermedie, vengono oggi, in un numero crescente di organizzazioni, efficacemente svolte da agenti computazionali dotati di capacità agentiche. I casi presentati da Microsoft (2025) illustrano questa possibilità, senza offrirne una conferma generalizzabile. Ad esempio, l'agente BeTic 2.0, sviluppato da BDO Colombia, ha centralizzato il 78% dei processi di gestione del libro paga e della finanza interna, raggiungendo un livello di accuratezza del 99,9% e riducendo del 50% il carico operativo del personale dedicato. Similmente, l'agente PromoGenius di T-Mobile supporta 83.000 dipendenti fornendo accesso immediato a tutte le informazioni promozionali, snellendo così il lavoro intermedio di ricerca, sintesi e verbalizzazione delle informazioni.

In questi scenari il ruolo umano può spostarsi dall’elaborazione diretta alla validazione e alla supervisione. Una simile redistribuzione può liberare capacità oppure impoverire l’apprendimento professionale: l’esito dipende da come vengono progettati compiti, controllo, feedback e possibilità di intervento. Di conseguenza, il lavoro rischia di perdere la sua dimensione di apprendimento continuo, di crescita professionale attraverso la sfida e di tensione creativa tra l'errore e il miglioramento.

Acemoglu e Restrepo (2019) descrivono l’automazione come una tensione tra compiti sostituiti e nuovi compiti che reintegrano il lavoro umano. Questa cornice invita a trattare l’eventuale polarizzazione occupazionale come un esito contingente, influenzato da istituzioni, investimenti e creazione di nuove attività, anziché come conseguenza automatica dell’AI agentica. Le evidenze sull’esposizione all’AI riguardano soprattutto compiti e potenziale tecnico; esposizione, adozione effettiva e perdita occupazionale restano grandezze diverse. Le stime più recenti indicano che la trasformazione delle mansioni è, su scala globale, più probabile della completa sostituzione dei posti di lavoro (Gmyrek et al., 2025). Tale dinamica può generare effetti significativi su equità distributiva, mobilità sociale e senso di identità professionale per un'ampia fascia di lavoratori.

Questa trasformazione va oltre la dimensione puramente economica, toccando aspetti antropologici. Le competenze di medio livello sono spesso quelle che costruiscono la dignità del lavoratore, il senso del proprio contributo specifico e l'appartenenza a una comunità di pratiche. Il loro progressivo svuotamento o la loro radicale riconfigurazione possono quindi generare disorientamento e una percezione di svalutazione, oltre a potenziali ricadute occupazionali.

Come affrontare questo processo? Le risposte richiedono più di un semplice reskilling tecnico. È necessario immaginare e coltivare nuovi spazi di competenza specificamente umana che si pongano in una relazione complementare e sinergica con l'agente, piuttosto che in competizione diretta. Tra queste, emergono la capacità di gestire l'imprevisto e l'ambiguità, l'abilità nella negoziazione di significati complessi, la supervisione critica dei sistemi automatizzati e la cura delle relazioni interpersonali e del contesto etico. Serve, in altre parole, una profonda ristrutturazione del concetto stesso di competenza: un'evoluzione che sposti l'enfasi dalla mera abilità esecutiva alla valorizzazione della presenza critica e riflessiva, dell'intelligenza emotiva e della comprensione contestuale, quali capacità umane distintive all'interno di sistemi socio-tecnici caratterizzati da crescente autonomia.

Dall’erosione delle competenze all’emergere di nuove posture cognitive

Con l’espansione dell’AI agentica potrebbe indebolirsi un modello culturale che identifica il lavoro con l’esercizio visibile di un sapere pratico. L’erosione delle competenze di medio livello – analizzare, coordinare, sintetizzare – rivela una frattura più profonda: la crescente invisibilità del lavoro umano dentro sistemi automatizzati.

Tuttavia, in questo vuoto che si apre, non tutto è perdita. Anzi: proprio mentre le competenze tradizionali si sfaldano, emergono nuove posture cognitive che non erano centrali nel paradigma precedente, ma che ora diventano decisive. Tra queste:

l’attenzione meta-strumentale: la capacità di comprendere come un sistema funziona senza doverlo eseguire direttamente;
la lettura contestuale degli output: saper interpretare ciò che un agente produce, individuando ambiguità, incoerenze, impliciti;
la supervisione adattiva: il passaggio da una logica di controllo rigido a una vigilanza intelligente, intermittente, calibrata;
la responsabilità relazionale: comprendere come l’agire dell’agente impatta su altri esseri umani, su interfacce, su ambienti etici.

Queste posture non sono ancora riconosciute come competenze formali, eppure sono già al centro della pratica professionale in tutti i contesti dove si lavora con AI. È il caso dei knowledge workers, dei formatori, dei data analyst, ma anche di infermieri, operatori pubblici, educatori.

Il lavoro non sparisce. Ma diventa più silenzioso, più laterale, più riflessivo. E forse anche più fragile. Perché non è visibile nella produzione, ma nella connessione. Non nell’esecuzione, ma nell’orientamento.

Se vogliamo preparare le persone a questo nuovo scenario, non possiamo limitarci a “riqualificare”. Dobbiamo riconfigurare la mappa del lavoro umano, includendo ciò che non si misura facilmente: l’interpretazione, la fiducia, la coerenza intersoggettiva.

Il futuro del lavoro non sta solo nel saper fare, ma nel saper accompagnare ciò che fa.

6.3 – Riarticolazione delle professioni: dall’expertise alla supervisione meta

In un'epoca in cui l'agente computazionale dimostra la capacità di eseguire con precisione attività altamente specializzate, la figura del professionista – un tempo fondamento dell'identità lavorativa – affronta una progressiva e significativa rifigurazione. L'expertise tradizionale cede il passo, come elemento primario di legittimazione del ruolo, alla capacità di coordinare, contestualizzare e indirizzare l'intelligenza distribuita.

Questa transizione delinea una distinzione tra due modelli professionali emergenti: da un lato, l'esperto focalizzato sull'esecuzione, che padroneggia tecniche, saperi e procedure consolidate; dall'altro, il supervisore meta-operativo, che possiede la comprensione dei limiti, delle potenzialità e degli impatti sistemici degli agenti intelligenti. Il primo modello si fonda sull'accumulazione di conoscenze e sulla ripetibilità delle prassi; il secondo, invece, sulla flessibilità cognitiva, sulla lettura sistemica dei processi e sulla capacità di mediare efficacemente tra intelligenze eterogenee, siano esse umane o artificiali.

Diversi casi applicativi emblematici, che coinvolgono realtà aziendali da Estée Lauder a Fujitsu (Microsoft, 2025), illustrano vividamente come le professioni stiano evolvendo verso forme intrinsecamente ibride. In questi nuovi assetti, il professionista assume ruoli quali curatore di ecosistemi informativi complessi, mediatore tra le esigenze del cliente e le capacità dell'agente, e facilitatore di processi algoritmici. Ad esempio, il farmacista che interroga un agente per individuare interazioni farmacologiche si configura meno come depositario unico del sapere e più come colui che sa interrogare criticamente e validare le risposte del sistema. Il progettista che collabora con l'IA per produrre un layout architettonico si concentra sulla scelta e l'adattamento delle alternative generate, piuttosto che sul disegno manuale ex novo. Analogamente, l'insegnante orienta la propria funzione verso la guida dell'interazione con sistemi educativi adattivi, più che sulla mera trasmissione di contenuti.

Questa riarticolazione delle professioni implica una trasformazione dell'autorità esperta, che si allontana dal possesso esclusivo di conoscenze per avvicinarsi a una nuova forma di legittimazione. Quest'ultima si basa sulla riflessività, sulla sensibilità etica e sulla capacità di orchestrare relazioni produttive e responsabili tra esseri umani e macchine intelligenti.

Tuttavia, questo passaggio è delicato e presenta delle sfide. In assenza di un adeguato riconoscimento culturale e organizzativo di queste nuove competenze meta-operative, il professionista rischia di essere percepito come un intermediario quasi superfluo, anziché come il garante della coerenza, dell'efficacia e dell'eticità dell'intero sistema. È quindi necessario sviluppare nuovi sistemi di valutazione, percorsi formativi innovativi e meccanismi di costruzione della reputazione che valorizzino queste capacità spesso "invisibili" ma necessarie: la mediazione, la sorveglianza critica e la contestualizzazione intelligente.

Il professionista del futuro si configurerà, dunque, come colui che, pur ancorato a una solida base di conoscenze disciplinari, eccellerà nella capacità di orientare il sapere – generato da una molteplicità di fonti, umane o agentiche che siano – verso il perseguimento del bene comune e di obiettivi eticamente fondati e socialmente condivisi.

6.4 – Il rischio di una soggettività depotenziata e l’emergere di nuove aree formative

L'interazione quotidiana e sempre più pervasiva con l'Agentic AI espone il lavoratore e il cittadino a una tensione inedita e potenzialmente problematica. Se da un lato l'agente intelligente solleva l'essere umano dall'onere di compiti complessi o ripetitivi, assorbendo funzioni cognitive, decisionali e organizzative con un'efficienza spesso sorprendente, dall'altro questo apparente sollievo rischia di trasformarsi in un progressivo svuotamento soggettivo. L'umano, delegando crescenti porzioni del proprio agire e del proprio pensare, potrebbe trovarsi sempre meno chiamato a confrontarsi con la difficoltà intrinseca dei problemi, con la gestione dell'errore come occasione di apprendimento, con la fatica e la responsabilità della scelta autonoma. Si profila così la figura di un soggetto presente ma funzionalmente marginale, formalmente responsabile ma concretamente inefficace, un attore che assiste al proprio agire delegato. Nel mondo dell'Agentic AI, l'umano rischia di non essere più al centro del lavoro, ma alla periferia della decisione; gli agenti computazionali, infatti, non si limitano a sostituire compiti: occupano spazi mentali, operativi e relazionali, potendo disattivare simbolicamente la funzione generativa del soggetto che lavora, pensa, decide, sbaglia e costruisce senso.

Questo rischio trascende la dimensione puramente simbolica per investire profondamente la sfera formativa, educativa e, in ultima analisi, democratica. Una soggettività che agisce meno, che si confronta meno con l'imprevisto e che assume meno rischi cognitivi, rischia l'atrofia, perdendo la propria energia trasformativa e la capacità di generare senso autonomo. Come acutamente osservava Richard Sennett (2008), "senza la resistenza della materia, il gesto si impoverisce". L'agente AI, pur prodigioso nella sua capacità di rispondere, completare, suggerire e ottimizzare, raramente oppone quella "resistenza" feconda che obbliga l'umano a pensare criticamente, a dubitare metodicamente, a rifare e a reinventare.

In una prospettiva affine, Bernard Stiegler (2015/2019) ha messo in guardia su come la tecnologia, se non è accompagnata da un robusto processo di individuazione – ovvero di appropriazione critica e di co-costruzione di senso da parte degli individui e delle collettività – rischi di trasformarsi da strumento di emancipazione a vettore di una nuova forma di proletarizzazione. Questa proletarizzazione, nell'era digitale, diviene eminentemente cognitiva: la tecnologia sottrae all'individuo la possibilità di appropriarsi del proprio gesto, del proprio tempo, della propria memoria e del proprio sapere, riducendolo a un consumatore passivo di soluzioni pre-confezionate o a un esecutore di processi opachi. L'Agentic AI, con la sua capacità di occupare spazi mentali, operativi e relazionali, potrebbe esacerbare questo rischio, generando forme inedite di dipendenza e di disattivazione simbolica.

Di fronte a questa sfida epocale, limitarsi a proporre meri aggiornamenti di competenze tecniche si rivela del tutto insufficiente. Serve una riformulazione coraggiosa e profonda del progetto educativo e formativo, fondata non tanto su ciò che l'umano deve saper fare al posto della macchina, quanto piuttosto su ciò che l'umano può ancora e sempre più fare insieme e attraverso la macchina, in un quadro di intelligenze eterogenee e collaborative. È necessario investire con decisione su nuove aree formative capaci di restituire centralità all'umano, non in virtù di una presunta e fragile insostituibilità tecnica, ma in forza della sua insostituibile capacità relazionale, etica e di attribuzione di significato. Si tratta di allenare al confronto critico e costruttivo con i sistemi agentici, privilegiando la postura epistemica e dialogica rispetto alla mera competenza tecnica, e di educare all'incertezza, alla lentezza riflessiva e alla valorizzazione del feedback come processo di apprendimento continuo. L'obiettivo è spostare il focus sulla capacità di discernere, orientare e interrogare, piuttosto che sull'agire diretto.

Tra queste nuove aree formative, emergono almeno tre traiettorie strategiche interconnesse per una soggettività ricostruita e attiva:

La prima è lo sviluppo di una AI literacy riflessiva. Questa va ben oltre la semplice capacità di utilizzare un agente come strumento. Per evitare il rischio di una soggettività depotenziata, è indispensabile coltivare una comprensione più profonda di come questi sistemi "ragionano", come si formano, quali sono i loro intrinseci punti ciechi e cosa, di fatto, ignorano. L'alfabetizzazione all'IA, in questa accezione riflessiva, deve necessariamente includere una comprensione di base della logica computazionale, una radicata consapevolezza dei bias algoritmici, una chiara percezione dei limiti della modellizzazione, la comprensione del ruolo delle euristiche e delle approssimazioni, e, infine, una lucida consapevolezza della fallibilità intrinseca di questi sistemi. Coltivare questa AI literacy riflessiva dota dunque gli individui non soltanto delle competenze per interagire più efficacemente con gli agenti AI, ma soprattutto della capacità critica indispensabile per governare tale interazione in modo responsabile ed eticamente consapevole, con la lucida cognizione che non tutto ciò che è prodotto dall'IA è immediatamente visibile o comprensibile, e che anche l'invisibile e l'implicito possono e devono essere oggetto di problematizzazione.

La seconda area fondamentale è la coltivazione di una competenza dialogica evoluta, che trascende la semplice interazione per abbracciare quello che potremmo definire meta-prompting strategico. Lavorare efficacemente con e attraverso questi agenti richiede una sofisticata capacità di progettare e orchestrare l'intera architettura dell'interazione. L'essere umano si eleva dal ruolo di mero traduttore a quello di architetto dei processi cognitivi delegati. Questo implica progettare la sequenza interattiva e gli obiettivi di alto livello, fornire un contesto esteso e dinamico, e spingersi fino a definire le strategie di prompting dell'agente stesso, influenzando il suo "modo di pensare". Include anche l'impostazione delle modalità di apprendimento e adattamento dell'agente e una supervisione che opera a un livello di astrazione superiore. Questa evoluzione verso il meta-prompting trasforma l'interazione uomo-agente in una forma di collaborazione profondamente strategica e quasi co-evolutiva, sviluppando una nuova forma di pensiero critico computazionale capace di leggere pattern, riconoscere bias e decodificare logiche non esplicitate.

Infine, un pilastro insostituibile è una robusta formazione all'etica situata e relazionale. L'azione congiunta tra esseri umani e agenti artificiali produce effetti intricati e spesso difficilmente prevedibili. Occorre, quindi, una formazione etica profondamente calata nei contesti specifici di applicazione, che abiliti gli individui a navigare la complessità morale con discernimento e responsabilità pratica. Questo implica coltivare la capacità di interrogare criticamente le conseguenze delle decisioni, di includere l'altro nella riflessione etica, e di allenarsi a prevedere l'imprevisto, o almeno a prepararsi ad affrontarlo con una "saggezza dell'incertezza". L'obiettivo ultimo non è semplicemente discernere il giusto o lo sbagliato in astratto, quanto piuttosto acquisire la capacità di progettare attivamente ambienti socio-tecnici in cui l'agire dell'agente sia intrinsecamente orientato a fini eticamente fondati e socialmente condivisi; si tratta di un'etica che precede il giudizio ex post e che informa l'architettura stessa dell'interazione.

In definitiva, il rischio che corriamo nell'era dell'Agentic AI non è tanto l'estinzione della soggettività umana in sé, quanto la sua progressiva trasformazione in una sorta di spettatrice passiva di un agire sempre più potente ma privo di un volto e di un'intenzionalità chiaramente riconoscibili. La sfida, quindi, è eminentemente educativa e formativa: si tratta di riattivare la soggettività umana non in una logica di contrapposizione sterile o di antagonismo verso gli agenti, ma in una prospettiva di coevoluzione e collaborazione critica. Questo implica la costruzione di nuovi ruoli professionali e sociali in cui l'umano apporta il suo valore aggiunto insostituibile – discernimento etico, comprensione contestuale profonda, creatività empatica –, la creazione di nuove alleanze tra intelligenza umana e artificiale basate sulla trasparenza e sulla fiducia verificabile, e l'elaborazione di nuove visioni del possibile. L'educazione, in questo scenario, cessa di essere un mero adattamento al nuovo ordine tecnologico per diventare una soglia politica: il luogo privilegiato dove si decide collettivamente che tipo di soggetto e che tipo di società sopravviveranno e prospereranno nell'era della tecnica avanzata. Se vogliamo evitare la soggettività depotenziata, dobbiamo formare soggetti capaci di sostenere la propria presenza e il proprio valore anche quando non sono i più efficienti secondo metriche puramente quantitative; soggetti che sappiano restare profondamente umani anche quando la loro necessità operativa immediata sembra venire meno, ma che scelgono comunque di esserci, di partecipare e di dare forma al futuro. L'umano può ritirarsi o reinventarsi: non sarà più il solo che sa, né il solo che decide, ma può essere colui che comprende il contesto, sente il limite, costruisce il legame.

La soglia agentica e il compito di ripensare l’umano

La traiettoria che abbiamo fin qui ricostruito, se letta nella sua interezza, converge verso un'evidenza crescente: l'avvento dell'Agentic AI trascende la nozione di un semplice salto tecnologico. Si configura, piuttosto, come un potente dispositivo epistemico, operativo e simbolico che sta attivamente ridefinendo i contorni stessi dell'intelligenza, della soggettività, della responsabilità e del lavoro. Siamo di fronte a configurazioni che combinano generazione, pianificazione, uso di strumenti, memoria operativa e autocorrezione. La loro persistenza e il loro adattamento sono proprietà architetturali variabili, da accertare caso per caso.

Questa estensione dell’agire computazionale può dislocare l’essere umano da alcune posizioni tradizionalmente consolidate, secondo modalità che dipendono dalle scelte organizzative, professionali e regolative. L'umano si scopre a non essere più l'unico soggetto dell'azione significativa, né l'esclusivo autore del sapere, né il solo responsabile del mondo che contribuisce a costruire. Tuttavia, questo slittamento epocale non deve necessariamente essere interpretato come una perdita o una diminuzione. Al contrario, può dischiudere uno spazio nuovo e fecondo di possibilità: un ruolo rinnovato per l'umano come architetto di coabitazioni intelligenti, come regista di interazioni complesse tra agenti umani e artificiali, e come curatore di ambienti in cui l'autonomia computazionale sia saggiamente orientata verso fini condivisi e valorialmente fondati.

Per cogliere appieno questa opportunità trasformativa, si delineano alcuni passaggi decisivi. Innanzitutto, è fondamentale abbandonare la nostalgia di un controllo umano pieno e assoluto, riconoscendo la realtà di sistemi socio-tecnici in cui l'azione è già intrinsecamente distribuita tra attori umani e non umani. In secondo luogo, si impone la necessità di ricostruire il concetto di soggettività umana, spostando l'accento dal "fare diretto" alla capacità di leggere criticamente i contesti, valutare le informazioni, indirizzare i processi e supervisionare i risultati, coltivando così una nuova forma di agency riflessiva. Infine, è imprescindibile immaginare e progettare nuove istituzioni, nuovi profili professionali e nuove pedagogie che siano capaci di valorizzare ciò che i sistemi attuali non mostrano di possedere: una visione autonoma del fine ultimo, coscienza del limite, saggezza pratica o cura del legame intersoggettivo. Si tratta di capacità che il presente stato delle evidenze invita a non inferire dalla sola prestazione.

Ciò che è realmente in gioco, allora, non è tanto la sopravvivenza dell'umano in sé, quanto la sua profonda riformulazione culturale e identitaria. In un mondo in cui gli agenti operano, decidono e apprendono con crescente autonomia, il compito più autentico e irrinunciabile dell'essere umano diviene quello di dare forma al possibile, di abitare con coraggio l'indecidibile, e di creare significato e valore là dove la logica puramente algoritmica si arresta.

Solo attraverso questo impegno consapevole potremo costruire una coesistenza autenticamente trasformativa con l'Agentic AI; una coesistenza che non si limiti a regolare i potenziali danni o a contenere i rischi, ma che sappia allearsi con le potenzialità più elevate di questa nuova forma di intelligenza, per riscrivere insieme, in modo collaborativo e responsabile, il racconto futuro dell'intelligenza stessa, in tutte le sue manifestazioni.

Capitolo 7 – Prospettive per una coesistenza trasformativa

L'avvento dell'Agentic AI ha innegabilmente aperto una frattura nel nostro modo di concepire l'azione, la soggettività e la creazione. Ha mostrato con chiarezza che l'agire significativo non è più una prerogativa esclusiva dell'umano; ha iniziato a dissolvere le tradizionali identità tra il soggetto e la decisione, tra il lavoro e la sua esecuzione operativa, tra l'autore e l'intenzione cosciente dietro l'opera. Tuttavia, questa frattura, per quanto profonda, non deve essere interpretata unicamente come una perdita o una diminuzione. Al contrario, essa si configura anche come un varco, una soglia che dischiude nuove e inedite possibilità. Non siamo affatto condannati a soccombere passivamente alla crescente potenza dell'intelligenza non umana; siamo, piuttosto, urgentemente chiamati a ripensare le fondamenta e le modalità della nostra convivenza con essa.

La prospettiva che si delinea all'orizzonte è quella di una coesistenza trasformativa. Questo approccio si discosta nettamente sia da una sterile resistenza passatista, sia da una delega cieca e acritica alle capacità della macchina. Si tratta, invece, di intraprendere un ambizioso progetto culturale, politico ed etico in cui l'agente computazionale venga pienamente riconosciuto nella sua specifica agentività, ma al contempo contenuto e orientato entro cornici ecologiche, sociali e normative ben definite. In questo scenario, l'essere umano è chiamato a rinunciare all'illusione di un dominio assoluto e di un controllo totale, per riaffermare invece la propria centralità insostituibile come interprete del mondo, come curatore del sapere e come architetto del senso. La tecnologia, in questa visione, cessa di essere una forza da frenare o da subire, per diventare uno strumento da forgiare attivamente verso fini emancipativi, generativi e pluralistici, che arricchiscano l'esperienza umana anziché impoverirla.

Realizzare una tale coesistenza trasformativa richiede un impegno su più fronti. È necessario, innanzitutto, immaginare e costruire istituzioni ibride, capaci di integrare gli agenti artificiali nelle logiche decisionali e operative senza per questo deresponsabilizzare gli attori umani, ma anzi, definendo con chiarezza nuovi ambiti di accountability condivisa. Parallelamente, si impone l'urgenza di sviluppare alfabetizzazioni nuove e diffuse, che vadano oltre la formazione di semplici utenti o sviluppatori di tecnologia, per coltivare cittadini consapevoli, capaci di abitare criticamente e costruttivamente sistemi intelligenti complessi. Ciò implica anche l'adozione di forme di governance adattiva e flessibile, in grado di rispondere con intelligenza e tempestività alla rapidità del mutamento tecnologico, senza cadere nelle trappole dell'arbitrio decisionale o, al contrario, dell'immobilismo normativo.

Ma al di là di queste pur cruciali trasformazioni strutturali, la coesistenza trasformativa esige, forse più di ogni altra cosa, una nuova narrazione antropologica. Abbiamo bisogno di un racconto rinnovato dell'umano, in cui la nostra specificità e il nostro valore non siano più definiti esclusivamente dalla nostra capacità di "fare" o di risolvere problemi in modo efficiente – ambiti in cui gli agenti AI mostrano potenzialità crescenti. La nuova narrazione dovrà piuttosto valorizzare la capacità intrinsecamente umana di stare in relazione significativa con ciò che non è sé, con l'alterità in tutte le sue forme – inclusa quella tecnologica – riconoscendola come parte di un comune destino e di un ecosistema condiviso. La vera intelligenza, quella più profonda e generativa, non è quella che domina o uniforma, ma quella che sa tessere connessioni, valorizzare le differenze e comporre armonie complesse.

In questo senso, la coesistenza trasformativa con l'Agentic AI smette di apparire come un destino ineluttabile da gestire passivamente, per rivelarsi piuttosto come un'opera aperta, un compito creativo da comporre insieme, attraverso un dialogo continuo tra intelligenza umana e artificiale. Nel tempo che si apre, la posta in gioco fondamentale non risiede tanto nel chiederci "cosa potrà fare l'IA", quanto piuttosto nel domandarci con coraggio e lungimiranza "cosa saremo capaci di diventare noi, esseri umani.

Perché la vera forza dell’umano, in un mondo condiviso con entità agentiche, non sarà la velocità, né la precisione, né la capacità predittiva. Sarà la capacità di chiedersi: “è questo il mondo che vogliamo abitare?”

E continuare a chiederlo, anche quando l’agente ha già deciso che sì, sembra una buona idea.

Conclusione – Agire insieme: verso un umanesimo dell’intelligenza distribuita

L’Agentic AI non è una semplice evoluzione dell’automazione. È una nuova forma di presenza operativa nel mondo. Un’intelligenza senza volto, che agisce senza coscienza, ma che genera effetti profondi: riorganizza il sapere, ridisegna il lavoro, modifica la struttura della responsabilità e della fiducia. La sua agentività, pur priva di intenzione, produce conseguenze che interpellano radicalmente la nostra idea di soggetto, di autore, di professionista, di cittadino.

In questo paesaggio in trasformazione, non possiamo più pensare l’umano come misura esclusiva dell’intelligenza, né come unico centro dell’azione. Ma possiamo – e dobbiamo – ripensare il senso dell’umano come nodo relazionale, come architetto di interazioni sensate, come garante del legame tra mezzi e fini, tra decisione e responsabilità.

La convivenza con l’Agentic AI non deve essere né una difesa cieca né una resa passiva. Deve essere una coesistenza trasformativa: fondata su forme nuove di agency riflessiva, su alfabetizzazioni profonde, su istituzioni capaci di modellare l’autonomia computazionale entro orizzonti di giustizia, solidarietà, pluralismo.

Occorre ripensare il lavoro, non come luogo della prestazione, ma come spazio di negoziazione tra umano e agente. Occorre ridefinire la competenza, non come possesso, ma come cura relazionale del possibile. Occorre infine ridefinire la soggettività, non come isolamento intenzionale, ma come capacità di orientare intelligenze molteplici verso fini condivisi.

La domanda che ci accompagna, allora, non è “chi siamo in confronto all’AI”, ma: “che tipo di umani vogliamo diventare, ora che non siamo più soli ad agire?”

In questa soglia incerta, l’etica si fa progettazione, la politica si fa ecologia, la pedagogia si fa alleanza. E l’umano, finalmente, ritrova se stesso non nel dominio, ma nel modo in cui dà senso all’interazione con ciò che non è sé.

Solo così potremo scrivere, insieme agli agenti, il racconto di un’intelligenza che non si misura con il potere, ma con la possibilità del mondo.

Bibliografia

Mayor, A. (2018). Gods and robots: Myths, machines, and ancient dreams of technology. Princeton University Press.

Riskin, J. (2016). The restless clock: A history of the centuries-long argument over what makes living things tick. University of Chicago Press.

Acemoglu, D., & Restrepo, P. (2019). Automation and new tasks: How technology displaces and reinstates labor. Journal of Economic Perspectives, 33(2), 3–30. https://doi.org/10.1257/jep.33.2.3

Barandiaran, X. E., & Almendros, L. S. (2024). Transforming Agency. On the mode of existence of Large Language Models. arXiv preprint arXiv:2407.10735. https://arxiv.org/abs/2407.10735

Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT), 610–623. https://doi.org/10.1145/3442188.3445922

Boden, M. A. (1996). The creative mind: Myths and mechanisms. Routledge.

Bran, A. M., Cox, S., Schilter, O., Baldassari, C., White, A. D., & Schwaller, P. (2024). Augmenting large language models with chemistry tools. Nature Machine Intelligence, 6, 525–535. https://doi.org/10.1038/s42256-024-00832-8

Brynjolfsson, E., & McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. Norton & Company.

Coeckelbergh, M. (2020). AI ethics. MIT Press.

Darvish, K., Skreta, M., Zhao, Y., Yoshikawa, N., Som, S., Bogdanovic, M., Cao, Y., Hao, H., Xu, H., Aspuru-Guzik, A., Garg, A., & Shkurti, F. (2025). ORGANA: A robotic assistant for automated chemistry experimentation and characterization. Matter. https://doi.org/10.1016/j.matt.2024.10.015

Dignum, V. (2019). Responsible artificial intelligence: How to develop and use AI in a responsible way. Springer.

Elish, M. C. (2019). Moral crumple zones: Cautionary tales in human–robot interaction. Engaging Science, Technology, and Society, 5, 40–60. https://doi.org/10.17351/ests2019.260

Floridi, L. (2023). The ethics of artificial intelligence. Oxford University Press.

Gridach, M., Nanavati, J., Zine El Abidine, K., Mendes, L., & Mack, C. (2025). Agentic AI for scientific discovery: A survey of progress, challenges, and future directions. arXiv. https://doi.org/10.48550/arXiv.2503.08979

Gunkel, D. J. (2018). Robot rights. MIT Press.

Gmyrek, P., Berg, J., & Bescond, D. (2025). Generative AI and jobs: A refined global index of occupational exposure. International Labour Organization. https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure

Microsoft. (2025). How agentic AI is driving AI-first business transformation for customers to achieve more. https://blogs.microsoft.com/blog/2025/04/28

Mukherjee, A., & Chang, H. H. (2025). Agentic AI: Autonomy, accountability, and the algorithmic society. SSRN. https://doi.org/10.2139/ssrn.5123621

Newell, A., & Simon, H. A. (1976). Computer science as empirical inquiry: Symbols and search. Communications of the ACM, 19(3), 113–126.

Rouvroy, A. (2013). The end(s) of critique: Data behaviorism vs. due process. In M. Hildebrandt & K. de Vries (Eds.), Privacy, due process and the computational turn. Routledge.

Schlosser, M. (2019). Agency. In E. N. Zalta (Ed.), The Stanford encyclopedia of philosophy (Summer 2019 Edition). https://plato.stanford.edu/archives/sum2019/entries/agency/

Sennett, R. (2008). The craftsman. Yale University Press.

Shinn, N., Berman, E., Narasimhan, K., Cassano, F., Gopinath, A., & Yao, S. (2023). Reflexion: Language agents with verbal reinforcement learning. arXiv preprint arXiv:2303.11366.

Shoham, Y., & Tennenholtz, M. (1995). On social laws for artificial agent societies: Off-line design. Artificial Intelligence, 73(1–2), 231–252. https://doi.org/10.1016/0004-3702(94)00007-N

Simondon, G. (2021). Il modo di esistenza degli oggetti tecnici (A. Crosignani, Trad.; 2ª ed. riveduta e ampliata). Orthotes.

Stiegler, B. (2019). La società automatica: Vol. 1. L’avvenire del lavoro (R. Diodato, Trad.). Meltemi.

Susskind, D. (2020). A world without work: Technology, automation, and how we should respond. Metropolitan Books.

Susskind, R., & Susskind, D. (2015). The future of the professions: How technology will transform the work of human experts. Oxford University Press.

Tomasello, M. (2014). Storia naturale del pensiero umano (S. Nini, Trad.). Raffaello Cortina Editore.

Unione europea. (2024). Regolamento (UE) 2024/1689 del Parlamento europeo e del Consiglio che stabilisce regole armonizzate sull’intelligenza artificiale. Gazzetta ufficiale dell’Unione europea. https://eur-lex.europa.eu/eli/reg/2024/1689/oj

U.S. Copyright Office. (2023, March 16). Copyright registration guidance: Works containing material generated by artificial intelligence. Federal Register, 88(51), 16190–16194. https://www.federalregister.gov/documents/2023/03/16/2023-05321/copyright-registration-guidance-works-containing-material-generated-by-artificial-intelligence

Wiener, N. (1948). Cybernetics: Or control and communication in the animal and the machine. The M.I.T. Press.

Yamada, Y., Lange, R. T., Lu, C., Hu, S., Lu, C., Foerster, J., Clune, J., & Ha, D. (2025). The AI Scientist-v2: Workshop-level automated scientific discovery via agentic tree search. arXiv. https://doi.org/10.48550/arXiv.2504.08066

Yu, B., Baker, F. N., Chen, Z., Herb, G., Gou, B., Adu-Ampratwum, D., Ning, X., & Sun, H. (2024). ChemToolAgent: The impact of tools on language agents for chemistry problem solving. arXiv. https://doi.org/10.48550/arXiv.2411.07228

Yao, S., Zhao, J., & Zhang, M. (2023). ReAct: Synergizing reasoning and acting in language models. arXiv preprint. https://arxiv.org/abs/2210.03629