Una delle promesse più interessanti dell’intelligenza artificiale agentica consiste nella possibilità di suddividere attività complesse tra più sistemi, consentendo a un agente di iniziare un lavoro e a un altro di completarlo successivamente. Una recente ricerca evidenzia però un limite ancora significativo di questo approccio: gli agenti AI mostrano notevoli difficoltà nel riprendere in modo efficiente un’attività già avviata da un altro modello o da un’altra istanza dello stesso sistema.
Il problema non riguarda la capacità di eseguire il compito finale, ma la comprensione dello stato intermedio del lavoro. Quando un’attività viene interrotta, un essere umano è generalmente in grado di ricostruire rapidamente il contesto attraverso appunti, documenti, file aperti o semplicemente grazie alla propria memoria di lavoro. Gli agenti AI, invece, dipendono quasi esclusivamente dalle informazioni che vengono trasferite esplicitamente durante il passaggio di consegne. Se il contesto fornito è incompleto, il nuovo agente tende a ripetere analisi già eseguite, verificare nuovamente dati già elaborati o ripercorrere passaggi precedentemente completati.
La ricerca mostra come la continuità operativa rappresenti una sfida molto diversa rispetto alla semplice esecuzione di un compito. I moderni modelli linguistici hanno raggiunto livelli elevati nella risoluzione di problemi complessi, nella scrittura di codice, nell’analisi documentale e nell’utilizzo di strumenti esterni. Tuttavia, la gestione delle transizioni tra sessioni diverse richiede una rappresentazione strutturata degli obiettivi, delle decisioni già prese e delle informazioni raccolte durante le fasi precedenti del lavoro. In assenza di questi elementi, il sistema non possiede una reale comprensione storica dell’attività e deve ricostruire il contesto partendo da dati parziali.
Questo limite assume particolare rilevanza nelle architetture multi-agente che stanno emergendo in numerosi contesti aziendali. In tali ambienti, diversi agenti specializzati collaborano per completare attività articolate che possono durare ore o addirittura giorni. Se ogni passaggio richiede una ricostruzione parziale del contesto, il vantaggio teorico derivante dalla parallelizzazione può ridursi sensibilmente a causa della duplicazione del lavoro e dell’aumento dei costi computazionali.
I risultati suggeriscono che il futuro degli agenti AI non dipenderà soltanto da modelli più potenti, ma anche da sistemi più efficaci per la gestione della memoria operativa, della documentazione automatica delle attività e del trasferimento strutturato delle informazioni tra agenti differenti. La capacità di comprendere non solo cosa fare, ma anche cosa è già stato fatto, potrebbe diventare uno degli elementi chiave per l’evoluzione delle piattaforme agentiche destinate agli ambienti professionali e aziendali.