- Conviene davvero passare a un sistema multi-agente per la tua azienda?
- Cosa ha annunciato Anthropic e cosa funziona davvero?
- Come funziona tecnicamente: cosa fa ogni agente e chi controlla cosa?
- Quanto costa davvero usare i workflow multi-agente?
- Tre scenari concreti: cosa cambia per un e-commerce, uno studio professionale e un'azienda manifatturiera?
- Quali strumenti esistono oggi per l'orchestrazione multi-agente e come si confrontano?
- Quali regole e rischi devi conoscere prima di attivare un workflow multi-agente?
- Perché se ne parla adesso: il mercato è davvero pronto per l'orchestrazione multi-agente?
- Come si parte concretamente: i passi per avviare un workflow multi-agente?
- Quali sono gli errori più comuni di chi inizia con i workflow multi-agente?
- Come capire se il workflow multi-agente sta funzionando per la tua azienda?
- Allora, ne vale la pena per la tua azienda adottare i workflow multi-agente?
- Come la vediamo in SHM
- Domande frequenti
- Claude può ora coordinare fino a 1.000 agenti AI in parallelo con i nuovi workflow dinamici: un agente principale pianifica, distribuisce i compiti e raccoglie i risultati.
- I workflow multi-agente trovano il doppio degli errori rispetto a un agente singolo nei test di Anthropic, ma consumano da 5 a 30 volte più token: il costo va calcolato prima di partire.
- Oltre il 57% delle organizzazioni usa già agenti AI per workflow multi-step, ma il tasso di successo dei pilot rimane sotto il 15%: governance e integrazione sono i fattori decisivi.
- Dal 2 agosto 2026 l’EU AI Act impone obblighi precisi per i sistemi AI ad alto rischio, inclusi i workflow multi-agente che toccano decisioni rilevanti.
Un singolo agente AI trova al massimo 27 bug su 116.000 righe di codice. Un sistema multi-agente ne trova 66, più del doppio, nella stessa sessione. Se questo vale per il controllo qualità del software, vale anche per qualsiasi processo aziendale ripetitivo e ad alta variabilità.
Conviene davvero passare a un sistema multi-agente per la tua azienda?
Dipende dal tipo di processo: i workflow multi-agente portano vantaggi concreti su compiti paralleli e ad alta variabilità, ma il costo in token può essere significativo. Prima di decidere, serve capire se il guadagno in qualità giustifica la spesa.
Un workflow multi-agente — cioè un sistema in cui un agente principale coordina decine o centinaia di agenti specializzati che lavorano in parallelo — non è la soluzione giusta per ogni azienda. Funziona bene su processi che si possono spezzare in sotto-compiti indipendenti: controllo qualità, analisi di grandi volumi di dati, revisione documentale, test automatizzati.
Su processi lineari e semplici, invece, aggiunge costo senza aggiungere valore. La tabella qui sotto aiuta a capire in quale situazione ti trovi.
| La tua situazione | Conviene? | Perché |
|---|---|---|
| Processi ripetitivi con molti sotto-compiti paralleli (es. QA, audit documentale) | Sì | Il sistema distribuisce il lavoro e riduce i tempi; la qualità migliora sensibilmente |
| Analisi di grandi volumi di dati con più angoli di lettura | Sì | Agenti specializzati lavorano in parallelo su segmenti diversi |
| Processi lineari e semplici (es. risposta a una email) | No, per ora | Un singolo agente o un chatbot è più economico e altrettanto efficace |
| Workflow con dati sensibili o decisioni ad alto rischio | Con cautela | Servono audit trail e supervisione umana per rispettare l’EU AI Act |
| Pilot iniziale senza esperienza di agenti AI | Inizia piccolo | Il tasso di successo dei pilot è sotto il 15%: meglio partire da un caso d’uso limitato |
Cosa ha annunciato Anthropic e cosa funziona davvero?
Anthropic ha aggiunto i workflow dinamici alla piattaforma Claude Managed Agents: un agente principale crea un piano, distribuisce i compiti a fino a 1.000 agenti in parallelo e raccoglie i risultati. Nei test interni, questo approccio ha trovato 66 bug su 116.000 righe di codice contro i 14-27 di un agente singolo.
La novità si chiama dynamic workflow (workflow dinamico): invece di un singolo agente che lavora in sequenza, un agente principale — detto lead agent — pianifica il lavoro, lo distribuisce a decine o centinaia di agenti secondari e poi raccoglie e unisce i risultati. Tutto in parallelo, tutto nella stessa sessione.
Anthropic ha reso disponibile questa funzione in public beta il 6 maggio 2026, insieme a due strumenti complementari: Outcomes (un agente separato che valuta la qualità dell’output su criteri definiti dall’utente) e Dreaming (una funzione sperimentale per ridurre gli errori ricorrenti tra sessioni). I dettagli tecnici sono nella documentazione per sviluppatori.
Il test più citato: il team di Anthropic ha nascosto 70 bug in un codebase da 116.000 righe. Un agente singolo ne trovava tra 14 e 27 per sessione. Il workflow multi-agente ne trovava 66 in modo consistente. Un salto di qualità netto, anche se i risultati su altri tipi di compiti restano da verificare caso per caso, come ammette la stessa fonte (The Decoder).
| Funzione | Cosa fa | Disponibilità |
|---|---|---|
| Dynamic Workflow | Agente principale coordina fino a 1.000 agenti in parallelo | Public beta (da maggio 2026) |
| Outcomes | Agente separato valuta la qualità dell’output su criteri definiti | Public beta |
| Dreaming | Riduce errori ricorrenti tra sessioni successive | Research preview |
| Multi-agent sessions | Ogni agente ha il proprio thread isolato; max 25 thread concorrenti per sessione | Disponibile |
Come funziona tecnicamente: cosa fa ogni agente e chi controlla cosa?
Ogni agente opera in un thread isolato con la propria cronologia, ma tutti condividono lo stesso ambiente di lavoro. Il limite pratico è 25 thread attivi contemporaneamente per sessione, non 1.000 tutti insieme.
Un dettaglio importante che spesso si perde nei titoli: il limite di 1.000 agenti riguarda l’esecuzione complessiva del workflow, non il numero di agenti attivi nello stesso istante. Secondo la documentazione ufficiale di Anthropic, il massimo di thread concorrenti per sessione è 25, thread principale incluso.
Ogni agente ha la propria cronologia di conversazione separata, ma condivide con gli altri lo stesso ambiente operativo: filesystem, credenziali e strumenti. Questo semplifica la configurazione, ma richiede attenzione quando si lavora con dati sensibili.
La piattaforma supporta tre modalità di coordinamento, descritte nella documentazione sull’orchestrazione:
- 1 · Lead agentPianificazioneL’agente principale analizza il compito e crea un piano: divide il lavoro in sotto-compiti indipendenti e decide quali agenti attivare.
- 2 · Agenti specializzatiParallelizzazioneSotto-compiti indipendenti vengono distribuiti a più agenti che lavorano contemporaneamente, riducendo i tempi totali.
- 3 · Agenti con system prompt dedicatiSpecializzazioneAlcuni agenti ricevono istruzioni specifiche (es. agente sicurezza, agente documentazione) e gestiscono solo il loro dominio.
- 4 · Agente più capaceEscalationSe un sotto-compito è troppo complesso, viene delegato a un modello più potente. Questo aumenta la qualità ma anche il costo.
- 5 · Lead agentRaccolta e sintesiL’agente principale raccoglie tutti i risultati, li unisce e produce l’output finale. Outcomes può valutarne la qualità in modo automatico.
Quanto costa davvero usare i workflow multi-agente?
I workflow multi-agente consumano da 5 a 30 volte più token rispetto a una singola chiamata chatbot. Con modelli premium il costo può diventare rilevante: serve un calcolo preciso prima di andare in produzione.
Il token è l’unità di misura con cui i modelli AI elaborano il testo: ogni parola, ogni simbolo, ogni istruzione ha un costo. In un workflow multi-agente, ogni agente pianifica, recupera contesto, chiama strumenti, valida l’output e riprova i passi falliti. Tutto questo moltiplica il numero di token usati rispetto a una semplice domanda a un chatbot.
Secondo CockroachLabs, il moltiplicatore va da 5x a 30x rispetto a una singola chiamata standard. La scelta del modello incide moltissimo: i prezzi variano di decine di volte tra un modello economico e uno premium, come mostra la tabella qui sotto.
| Modello | Costo output ($/M token) | Uso consigliato |
|---|---|---|
| GPT-5.6 Luna (budget) | $1,20 | Compiti semplici, alto volume, bassa criticità |
| Claude Haiku 4.5 | $5,00 | Agenti secondari su compiti standardizzati |
| Claude Sonnet 5 | $10,00 | Bilanciamento qualità/costo per la maggior parte dei workflow |
| Claude Opus 5 | $25,00 | Lead agent o escalation su compiti ad alta complessità |
| OpenAI o3-pro | $80,00 | Ragionamento avanzato; costo molto elevato per workflow lunghi |
Esempio illustrativo (i numeri servono a mostrare il calcolo, non sono dati di clienti reali): un e-commerce che usa Claude Sonnet 5 per revisionare 1.000 schede prodotto con un workflow multi-agente potrebbe consumare 10-50 milioni di token in output per sessione. A $10/M token, significa $100-500 per sessione. Se il workflow sostituisce 8 ore di lavoro manuale, il conto torna. Se il processo è già rapido, probabilmente no.
Tre scenari concreti: cosa cambia per un e-commerce, uno studio professionale e un’azienda manifatturiera?
I workflow multi-agente portano vantaggi diversi a seconda del settore e del tipo di processo. Ecco tre casi tipici con una stima del valore generato.
| Tipo di azienda | Processo automatizzabile | Vantaggio atteso | Rischio principale |
|---|---|---|---|
| E-commerce (200+ prodotti) | Revisione e ottimizzazione schede prodotto in parallelo | Riduzione tempi da giorni a ore; coerenza del tono | Costo token elevato su cataloghi grandi; serve supervisione umana |
| Studio professionale (legale/fiscale) | Analisi documentale su grandi volumi di contratti o pratiche | Copertura più ampia, meno errori di omissione | Dati sensibili: serve audit trail e conformità EU AI Act |
| Azienda manifatturiera | QA automatizzato su specifiche tecniche e report di produzione | Individuazione anomalie su più linee in parallelo | Integrazione con sistemi esistenti; costo di setup iniziale |
Per approfondire come le aziende stanno già applicando questi sistemi in contesti reali, l’articolo su AI agents nei workflow aziendali con tre case study reali offre esempi concreti di adozione.
Quali strumenti esistono oggi per l’orchestrazione multi-agente e come si confrontano?
Claude non è l’unico sistema che permette di coordinare più agenti AI in parallelo. Esistono alternative con caratteristiche e costi diversi: la scelta dipende dall’ecosistema già in uso e dal livello di personalizzazione necessario.
| Piattaforma | Max agenti paralleli | Punto di forza | Limite principale |
|---|---|---|---|
| Claude Managed Agents (Anthropic) | Fino a 1.000 (25 thread attivi) | Integrazione nativa, Outcomes per QA automatico | Costo token elevato con modelli premium |
| OpenAI Agents SDK | Variabile (dipende dall’implementazione) | Ecosistema ampio, modelli diversi | Un ingegnere senior OpenAI ha definito gli ‘agent swarm’ uno spreco di token |
| LangGraph / LangChain | Illimitato (self-hosted) | Massima flessibilità e controllo | Richiede sviluppo custom e competenze tecniche avanzate |
| Microsoft AutoGen | Variabile | Integrazione con Azure e strumenti Microsoft | Curva di apprendimento elevata |
La scelta della piattaforma non è solo tecnica. Se la tua azienda usa già strumenti Microsoft, AutoGen può integrarsi più facilmente. Se vuoi partire velocemente senza sviluppo custom, Claude Managed Agents offre un percorso guidato. Per chi vuole capire meglio il panorama degli agenti AI, l’articolo su AI Agents e workflow aziendali: cosa cambia nel 2026 è un buon punto di partenza.
Quali regole e rischi devi conoscere prima di attivare un workflow multi-agente?
Dal 2 agosto 2026 sono in vigore gli obblighi principali dell’EU AI Act per i sistemi AI ad alto rischio. I workflow multi-agente che toccano decisioni rilevanti — assunzioni, credito, sicurezza — rientrano in questa categoria e richiedono misure specifiche.
L’EU AI Act (il regolamento europeo sull’intelligenza artificiale) impone, per i sistemi ad alto rischio, tre obblighi principali entrati in vigore il 2 agosto 2026: un registro di ogni decisione presa dal sistema (audit trail), un meccanismo di interruzione immediata gestibile da un essere umano (la cosiddetta ‘stop button’) e un processo continuo di gestione del rischio. Lo spiega in dettaglio Iusletter.
In un’architettura multi-agente, ogni agente che svolge una funzione ad alto rischio deve rispettare questi obblighi in modo indipendente. Non basta che il sistema nel suo complesso sia conforme: ogni nodo della catena deve esserlo.
| Obbligo EU AI Act | Cosa significa in pratica | Chi è coinvolto |
|---|---|---|
| Audit trail (Art. 12) | Registrare ogni decisione presa da ogni agente, con timestamp e motivazione | IT, Legal, DPO |
| Supervisione umana con stop button (Art. 14) | Un operatore umano deve poter interrompere il workflow in qualsiasi momento | Operations, IT |
| Risk management continuo (Art. 9) | Valutare e aggiornare i rischi del sistema nel tempo, non solo al lancio | Management, Legal |
| Conformità per ogni agente (Recital 99-100) | In architetture multi-agente, ogni agente ad alto rischio deve essere conforme | IT, Legal |
Se il tuo workflow riguarda processi interni a basso rischio — come la revisione di testi o l’analisi di dati aggregati non personali — gli obblighi sono meno stringenti. Ma è sempre utile documentare le scelte fatte e mantenere un presidio umano sui risultati.
Perché se ne parla adesso: il mercato è davvero pronto per l’orchestrazione multi-agente?
Più della metà delle organizzazioni usa già agenti AI per workflow multi-step, ma il tasso di successo dei pilot rimane basso. Il mercato è in rapida crescita, ma la maturità operativa è ancora limitata.
Il dato più importante non è quello sull’adozione, ma quello sul successo: meno di un pilot su sette arriva in produzione, secondo Fifthrow. I fattori che fanno la differenza sono governance chiara, integrazione con i sistemi esistenti e conformità normativa — non la scelta del modello AI.
Per chi vuole capire come altri strumenti si posizionano in questo mercato, l’articolo su ChatGPT Work Agent e automazione multi-app offre un confronto utile dal punto di vista del marketing operativo.
Come si parte concretamente: i passi per avviare un workflow multi-agente?
Anthropic consiglia di iniziare piccolo, con un caso d’uso limitato e ben definito. Ecco il percorso consigliato per una PMI che parte da zero.
- 1 · Management / OperationsScegli un caso d’uso limitatoIdentifica un processo ripetitivo con sotto-compiti paralleli e output verificabile. Evita processi ad alto rischio per il primo pilot.
- 2 · IT / SviluppatoriAttiva il tipo di agente correttoSeleziona ‘multiagent_20261001’ come tipo di agente nella piattaforma Claude. Segui la documentazione ufficiale o esegui ‘/claude-api managed-agents-onboard’ in Claude Code.
- 3 · IT / OperationsImposta i limiti di token e costoConfigura un budget massimo per sessione prima di avviare il workflow. I workflow multi-agente possono consumare molti token rapidamente.
- 4 · Team internoValida l’output manualmente nelle prime sessioniNon affidarti subito all’automazione completa. Usa Outcomes per la valutazione automatica, ma mantieni un presidio umano sui risultati critici.
- 5 · Management / LegalVerifica la conformità normativaSe il processo tocca dati personali o decisioni rilevanti, verifica gli obblighi EU AI Act prima di andare in produzione.
- 6 · ManagementMisura e scalaDopo il pilot, confronta qualità, tempi e costi con il processo precedente. Solo se il bilancio è positivo, estendi ad altri processi.
Quali sono gli errori più comuni di chi inizia con i workflow multi-agente?
La maggior parte dei pilot fallisce non per problemi tecnici, ma per scelte organizzative sbagliate: processi troppo complessi, budget non controllati e assenza di supervisione umana.
Chi si avvicina per la prima volta all’orchestrazione multi-agente tende a commettere gli stessi errori. Conoscerli in anticipo riduce il rischio di sprecare tempo e budget.
| Errore comune | Perché succede | Come evitarlo |
|---|---|---|
| Partire con un processo troppo complesso | Si vuole dimostrare subito il massimo potenziale | Scegli un caso d’uso con output verificabile e basso rischio |
| Non impostare limiti di spesa sui token | Si sottovaluta il consumo dei workflow agentici (fino a 30x) | Configura un budget massimo per sessione prima di avviare |
| Eliminare subito la supervisione umana | Si punta all’automazione totale fin dall’inizio | Mantieni un presidio umano sui risultati per almeno le prime settimane |
| Ignorare la conformità normativa | Si pensa che riguardi solo le grandi aziende | Verifica gli obblighi EU AI Act anche per i pilot interni |
| Scegliere sempre il modello più potente (e costoso) | Si confonde qualità con costo del modello | Usa modelli economici per gli agenti secondari, premium solo per il lead agent o l’escalation |
| Non misurare i risultati del pilot | Si va avanti per inerzia senza dati | Definisci metriche di successo prima di iniziare e confrontale dopo |
Un approfondimento utile su come strutturare correttamente un workflow agentico prima di avviarlo si trova nell’articolo su Claude Opus 4.8 e i dynamic workflows per le PMI, che esplora le basi di questa architettura.
Come capire se il workflow multi-agente sta funzionando per la tua azienda?
Servono indicatori concreti, misurati prima e dopo il pilot. La qualità dell’output, il costo per unità lavorata e il tempo risparmiato sono i tre parametri fondamentali.
| Indicatore | Come si misura | Segnale positivo |
|---|---|---|
| Qualità dell’output | Errori trovati o task completati correttamente vs. processo precedente | Miglioramento ≥20% rispetto al metodo precedente |
| Costo per unità lavorata | Costo token totale diviso per numero di output prodotti | Inferiore al costo del lavoro manuale equivalente |
| Tempo di completamento | Ore o minuti per completare il processo end-to-end | Riduzione significativa rispetto al processo manuale o sequenziale |
| Tasso di errori residui | Output che richiedono correzione manuale dopo il workflow | Sotto il 10% degli output totali |
| Conformità normativa | Audit trail completo, stop button funzionante, risk log aggiornato | Nessuna lacuna documentale nei controlli periodici |
Allora, ne vale la pena per la tua azienda adottare i workflow multi-agente?
Vale la pena sehai processi ripetitivi con molti sotto-compiti paralleli (QA, analisi documentale, revisione su grandi volumi), un team tecnico in grado di configurare e monitorare il sistema, e sei disposto a investire nel pilot con metriche chiare.
Una via di mezzoil tuo processo è semi-strutturato e vorresti automatizzarlo, ma non hai ancora esperienza con gli agenti AI. Parti da un workflow semplice con un singolo agente, misura i risultati e poi valuta se aggiungere la coordinazione multi-agente.
Non ancora seil tuo processo è lineare e semplice, i volumi sono bassi, o non hai le risorse per gestire la conformità normativa e il monitoraggio continuo. Un chatbot o un agente singolo è più economico e altrettanto efficace.
Come la vediamo in SHM
Per noi, l’orchestrazione multi-agente è uno strumento potente — ma solo se usato per sollevare le persone dalla routine, non per inseguire la novità tecnologica. Il dato che conta non è quanti agenti puoi far girare in parallelo, ma quante ore di lavoro ripetitivo riesci a restituire al tuo team per attività che richiedono davvero giudizio umano.
Abbiamo lavorato con aziende manifatturiere e di consulenza che gestivano grandi volumi di documentazione tecnica: in quei contesti, la parallelizzazione degli agenti ha senso perché il processo è già strutturato e l’output è verificabile. In altri casi — processi creativi, relazioni con i clienti, decisioni strategiche — l’agente singolo o l’automazione parziale è la scelta più intelligente.
Se stai valutando dove e come introdurre l’automazione agentica nella tua azienda, il nostro servizio di integrazione strategica AI parte sempre da un’analisi dei processi reali, non da una lista di strumenti. Per chi vuole formare il team interno, il percorso di formazione sull’automazione dei processi aziendali è pensato per chi non ha un background tecnico. Puoi approfondire anche il tema degli AI e automazione processi nel nostro cluster dedicato, dove trovi guide e analisi aggiornate.
Domande frequenti
Il limite dichiarato è di 1.000 agenti per esecuzione complessiva del workflow, ma il numero di thread attivi contemporaneamente per sessione è 25, thread principale incluso. Nella pratica, questo significa che il sistema lavora in ondate successive, non tutto in parallelo nello stesso istante.
I workflow multi-agente consumano da 5 a 30 volte più token rispetto a una singola chiamata chatbot, secondo CockroachLabs. Il costo dipende anche dal modello scelto: Claude Sonnet 5 costa $10 per milione di token in output, Claude Opus 5 arriva a $25. Prima di avviare un workflow in produzione, è essenziale stimare il costo per unità lavorata e confrontarlo con il valore generato.
Dipende dal tipo di processo. Se il workflow tocca decisioni ad alto rischio — come selezione del personale, accesso al credito o sicurezza — rientra negli obblighi del Titolo III dell’EU AI Act, in vigore dal 2 agosto 2026. In architetture multi-agente, ogni agente che svolge una funzione ad alto rischio deve essere conforme in modo indipendente.
Secondo Fifthrow, meno del 15% dei pilot aziendali di AI agentica arriva in produzione. I fattori che fanno la differenza non sono tecnici, ma organizzativi: governance chiara, integrazione con i sistemi esistenti e conformità normativa. Partire da un caso d’uso limitato e ben definito aumenta significativamente le probabilità di successo.
Per attivare i workflow dinamici di Claude è necessario accedere alla piattaforma Claude Managed Agents e configurare il tipo di agente corretto. Non serve un team di sviluppo avanzato per i casi d’uso più semplici, ma è consigliabile avere almeno una persona con competenze tecniche di base per la configurazione, il monitoraggio dei costi e la gestione degli errori.
Un processo è adatto se può essere diviso in sotto-compiti indipendenti che si possono eseguire in parallelo, se l’output è verificabile in modo oggettivo e se i volumi giustificano il costo dei token. Processi lineari, semplici o a basso volume sono meglio gestiti con un agente singolo o un chatbot tradizionale.
La vera domanda non è quanti agenti riesci a far girare, ma quante ore di lavoro ripetitivo riesci a restituire alle persone.
Articoli correlati
Scopri altri articoli che approfondiscono temi simili, selezionati per offrirti una visione più completa e stimolante. Ogni contenuto è scelto con cura per arricchire la tua esperienza.
