Oltre il modello conversazionale
Nel lessico dell’intelligenza artificiale, gli agenti o AI agents indicano sistemi progettati per perseguire un obiettivo senza limitarsi a rispondere a un comando puntuale. La loro peculiarità non consiste nella sola produzione di testo, ma nella capacità di intervenire in modo operativo in un ambiente digitale, scegliendo azioni, attivando strumenti e portando avanti attività anche articolate.
Questa differenza rispetto ai modelli tradizionali è sostanziale. L’agente non si esaurisce nella generazione di contenuti, ma può gestire sequenze di compiti, verificare l’esito delle proprie azioni e proseguire fino al raggiungimento del risultato atteso. È qui che emerge il tratto più rilevante: la trasformazione dell’IA da supporto reattivo a strumento di esecuzione autonoma, sia pure entro confini definiti.
Le caratteristiche operative degli agenti AI
Tre elementi consentono di riconoscere un’architettura agentica. Il primo è l’autonomia, che permette al sistema di individuare passaggi intermedi e di organizzare il lavoro con una supervisione umana non costante. Il secondo è la pianificazione, cioè la capacità di scomporre un obiettivo complesso in attività più semplici e ordinate. Il terzo è l’interazione con strumenti esterni, quali applicativi software, API, database e risorse web, funzionali alla ricerca di informazioni, alla produzione di documenti e all’elaborazione di dati.
A questi profili si aggiunge la facoltà di auto valutazione. Un agente può confrontare il risultato con l’obiettivo assegnato, rilevare scostamenti, correggere errori e riorientare l’azione. Non si tratta di una semplice esecuzione meccanica, ma di un ciclo operativo che integra osservazione, verifica e adattamento.
La sperimentazione della Banca d’Italia
In questo quadro si colloca l’iniziativa della Banca d’Italia, che nel marzo 2026 ha pubblicato sei nuovi Occasional Papers nella collana “Questioni di economia e finanza”. Tra questi, oltre allo studio dedicato all’impatto economico dell’adozione dell’intelligenza artificiale da parte delle imprese italiane, assume particolare rilievo il contributo intitolato “Intelligenza artificiale con agenti: possiamo migliorare l’efficienza nella produzione di rassegne congiunturali economiche?”.
Lo studio affronta una questione molto concreta: se e in che misura sistemi basati su agenti possano migliorare la produzione di documenti e analisi utilizzati nei processi interni delle banche centrali. Il tema è rilevante perché tali istituzioni operano su un flusso documentale ampio e tecnicamente complesso, che comprende atti di politica monetaria, report tecnici, note di inquadramento macroeconomico e comunicazioni rivolte ai mercati.
Efficienza, accuratezza e presidio dei processi informativi
La produzione di questo materiale richiede tempo, competenze specialistiche e controlli accurati. I costi non riguardano soltanto la raccolta delle informazioni, ma anche la loro selezione, validazione, elaborazione e interpretazione. In questo contesto, diventa decisiva la capacità dei sistemi di intelligenza artificiale di effettuare inferenze attendibili, cioè di ricavare conclusioni utili a partire dai dati disponibili senza compromettere la qualità dell’output.
È proprio qui che l’AI agentica mostra il suo potenziale. Integrando modelli linguistici avanzati con funzionalità di pianificazione e tool calling, tali sistemi possono svolgere in modo coordinato attività di redazione, sintesi, controllo di coerenza tra fonti, analisi numeriche e produzione di grafici o tabelle. L’obiettivo non è sostituire il lavoro degli economisti, ma alleggerire le fasi più ripetitive e standardizzate, così da concentrare l’intervento umano sulle scelte di merito e sull’interpretazione dei risultati.
Due applicazioni concrete: inflazione e stabilità bancaria
La Banca d’Italia ha esaminato due prototipi sviluppati ex novo con strumenti open source, mostrando come l’impiego di architetture agentiche possa incidere sia sull’efficienza operativa sia sui costi di implementazione e gestione. Il primo strumento è dedicato alla redazione di un report sull’inflazione; il secondo alla costruzione di un indice di stabilità bancaria.
Nel caso del report sull’inflazione, l’attività si colloca in un perimetro molto definito. La raccolta dei dati, la loro verifica, la rappresentazione grafica e la sintesi interpretativa seguono passaggi ricorrenti, il che rende il processo particolarmente adatto all’automazione. L’agente può acquisire dati da fonti pertinenti, elaborarli e produrre un testo coerente con le evidenze statistiche emerse, lasciando al decisore umano la valutazione finale.
La seconda applicazione riguarda la costruzione di un indice sintetico di stabilità finanziaria del sistema bancario. Anche in questo caso, la ripetitività delle attività e la necessità di aggregare indicatori macro finanziari rendono utile un supporto automatizzato. Un sistema agentico può gestire in modo sistematico la base dati, applicare metodologie di sintesi in maniera coerente nel tempo e restituire un output comparabile, utile sia per finalità interne sia per la comunicazione istituzionale.
Governance, responsabilità e quadro regolatorio
Le indicazioni ricavabili dallo studio sono chiare: l’intelligenza artificiale basata su agenti può incidere in modo significativo sulla gestione documentale e analitica delle banche centrali. Il guadagno di efficienza, tuttavia, non esaurisce il problema. Al contrario, lo rende più esigente sul piano della governance.
Perché l’adozione sia sostenibile, servono competenze specialistiche, un addestramento adeguato dei sistemi, presidi organizzativi robusti e modelli di responsabilità ben definiti. Serve, soprattutto, una disciplina capace di governare l’automazione senza indebolire il controllo umano. Non è un dettaglio, è un passaggio necessario.
Le riflessioni emerse trovano un riferimento significativo nel quadro europeo di regolazione dell’intelligenza artificiale. L’AI Act, infatti, valorizza principi centrali quali la supervisione umana, la trasparenza, la gestione del rischio e la responsabilità per i sistemi a maggiore impatto decisionale. Si tratta di criteri che risultano particolarmente importanti quando l’IA entra in contesti istituzionali nei quali l’affidabilità dell’output e la tutela dell’interesse pubblico assumono rilievo primario.
Un uso istituzionale dell’AI che richiede metodo
L’evoluzione verso sistemi agentici apre quindi uno spazio concreto di innovazione per le amministrazioni complesse. Le banche centrali, per la natura delle loro funzioni, sono tra i soggetti che possono beneficiare maggiormente di queste tecnologie, purché l’introduzione degli strumenti avvenga con gradualità, controllo e consapevolezza.
In questa prospettiva, la questione non è se adottare l’AI, ma come farlo in modo compatibile con le esigenze di affidabilità, tracciabilità e accountability che connotano l’azione pubblica. L’innovazione, da sola, non basta. Occorre una cornice organizzativa e regolatoria capace di trasformare l’autonomia degli agenti in uno strumento utile e governabile, coerente con i principi posti a fondamento dell’AI Act.
È su questo equilibrio, tra capacità operativa e presidio umano, che si misura oggi la reale utilità dell’intelligenza artificiale nei processi istituzionali più delicati.