Un agente AI che lavora da solo, prima o poi, si intasa. Legge venti pagine, apre dieci file, accumula risultati di ricerca che non rileggerà mai più e arriva al punto decisivo con la memoria piena di rumore. I sotto-agenti AI nascono per risolvere esattamente questo problema: invece di far leggere tutto a un solo agente, si delega il lavoro di raccolta ad assistenti separati, ognuno con il proprio spazio di lavoro, e si riceve indietro soltanto la sintesi.
Detto così sembra ovvio. Nella pratica è una delle decisioni architetturali che si pagano più care, perché cambia il costo, la latenza e il modo in cui un'automazione sbaglia.
Che cos'è un sotto-agente, e cosa non è
Un sotto-agente non è un secondo chatbot aperto in un'altra scheda. È un'istanza specializzata che gira in una finestra di contesto tutta sua, con istruzioni proprie, un elenco ristretto di strumenti e permessi indipendenti. La documentazione di Claude Code lo definisce in modo molto operativo: si usa quando un compito laterale inonderebbe la conversazione principale di risultati di ricerca, log o contenuti di file che non verranno più riletti.
Il dettaglio che cambia tutto è un altro: un sotto-agente non eredita la conversazione. L'orchestratore gli scrive un messaggio di delega che riassume il compito, e il sotto-agente parte da lì. Non sa cosa è stato detto prima, non conosce le preferenze espresse tre ore fa, non ha visto il file che avevi scartato. Lavora, risponde, sparisce.
Questo lo distingue anche dalle flotte di agenti verticali: lì la divisione è organizzativa e permanente, un agente per funzione aziendale. Qui invece la delega avviene dentro un singolo compito e dura pochi minuti.
Perché i sotto-agenti AI liberano la finestra di contesto
Il valore della delega è tutto in un rapporto di compressione. Il sotto-agente legge quaranta pagine e ne restituisce quindici righe. Quelle quaranta pagine non entrano mai nella conversazione principale: non consumano finestra di contesto, non distraggono il modello nel momento in cui deve decidere, non si accumulano come zavorra per il resto della sessione.
Anthropic ha pubblicato numeri concreti sul proprio sistema di ricerca multi-agente. Un'architettura con Claude Opus 4 come agente capo e sotto-agenti Claude Sonnet 4 ha superato del 90,2% il singolo agente Opus 4 nella loro valutazione interna sulla ricerca, soprattutto sulle domande che richiedono di esplorare molte direzioni in parallelo. La spiegazione che danno è netta: la separazione delle responsabilità riduce la dipendenza dal percorso già intrapreso e permette indagini indipendenti e approfondite.
La delega ha senso quando il rapporto tra ciò che si legge e ciò che torna indietro è molto sbilanciato.
Tradotto per chi compra un'automazione: un sotto-agente conviene quando il materiale da esaminare è molto più grande della risposta attesa. Spulciare trecento email per trovare le cinque che richiedono un preventivo è un lavoro da delegare. Scrivere il preventivo, no.
Quanto costano i sotto-agenti AI: circa quindici volte una chat
La delega non è gratis. Secondo la stessa analisi di Anthropic, un agente consuma circa quattro volte i token di una conversazione normale, e un sistema multi-agente arriva a circa quindici volte. Sulla valutazione BrowseComp, il solo consumo di token spiega l'80% della varianza nei risultati: una buona parte del miglioramento, insomma, è semplicemente più lavoro che qualcuno paga.
La conclusione che ne traggono è la riga più utile dell'intero articolo per un imprenditore: i sistemi multi-agente hanno senso sui compiti il cui valore è abbastanza alto da pagare l'aumento di prestazioni. Se un'automazione evade pratiche da trenta euro l'una, moltiplicare per quindici il costo di inferenza va messo nel conto prima, non scoperto a fine mese.
Ci sono però due leve che riducono parecchio il danno. La prima è il modello: il lavoro di lettura e filtraggio si può affidare a un modello più piccolo ed economico, tenendo quello costoso per la sintesi finale. La seconda è il prompt caching, che su istruzioni ripetute abbatte il costo di ogni delega successiva. Esiste inoltre un costo non monetario: un sotto-agente che parte da zero deve prima raccogliere il proprio contesto, quindi la risposta arriva più tardi. Dove conta la reattività percepita, la delega è la scelta sbagliata.
Quando la delega rompe il risultato
Qui arriva il contrappeso, e viene da chi costruisce agenti per mestiere. Cognition sostiene che i sistemi multi-agente siano oggi fragili per due ragioni strutturali: il contesto va condiviso per intero, non a pezzi, e ogni azione porta con sé decisioni implicite — decisioni in conflitto producono risultati cattivi.
L'esempio che usano è memorabile. Due sotto-agenti costruiscono in parallelo le parti di un videogioco: uno produce uno sfondo in stile Super Mario, l'altro un personaggio con meccaniche che non c'entrano nulla. Nessuno dei due ha sbagliato il proprio compito, ma l'insieme non sta in piedi.
Anthropic, dal canto suo, ammette lo stesso limite: i domini che richiedono a tutti gli agenti di condividere lo stesso contesto, o pieni di dipendenze reciproche, non sono adatti — e la maggior parte dei compiti di programmazione rientra in questa categoria. La regola pratica che se ne ricava è semplice: si delega ciò che si può leggere in parallelo, non ciò che va deciso insieme.
Come falliscono davvero i sistemi multi-agente
Esiste anche una misura accademica del problema. Un gruppo di ricercatori di Berkeley e Stanford ha analizzato oltre 1.600 tracce di esecuzione su sette framework multi-agente diffusi, costruendo una tassonomia di 14 modalità di fallimento (concordanza tra annotatori κ = 0,88). Le categorie sono tre e il loro peso dice molto.
- Problemi di progettazione del sistema — 44,2%. Dentro ci sono la ripetizione degli stessi passi (15,7%), l'inconsapevolezza delle condizioni di arresto (12,4%) e la disobbedienza alla specifica del compito (11,8%).
- Disallineamento tra agenti — 32,3%. Conversazioni azzerate, richieste di chiarimento mai fatte.
- Verifica del compito — 23,5%. Nessuno controlla che il risultato sia davvero quello richiesto.
Quasi nulla di tutto questo dipende dall'intelligenza del modello. Sono errori di organizzazione del lavoro: compiti scritti male, criteri di chiusura assenti, nessun collaudo finale. Gli stessi difetti che affosserebbero una squadra di persone.
Come si impostano i sotto-agenti AI senza farsi male
Se stai valutando un'automazione che usa sotto-agenti AI, queste sono le domande che separano un progetto solido da una complicazione costosa.
- Un compito, non un ruolo. "Leggi questi dodici documenti ed estrai le scadenze" è delegabile. "Occupati tu della parte legale" non lo è.
- Definisci cosa torna indietro. Il formato della sintesi va deciso prima: quali campi, quanto lunga, cosa fare se non trova nulla.
- Dai meno strumenti, non di più. Un sotto-agente che deve solo leggere non ha bisogno del permesso di scrivere né di inviare email.
- Scrivi la condizione di arresto. È il 12,4% dei fallimenti censiti: dire quando fermarsi costa una riga.
- Lascia le decisioni di merito all'orchestratore. I sotto-agenti raccolgono e riassumono, non scelgono.
- Misura il costo per pratica evasa, non la spesa mensile totale. È l'unico numero che dice se la delega sta ripagando.
Resta valido il consiglio più asciutto che Anthropic dà sulla progettazione degli agenti: aggiungere complessità solo quando migliora i risultati in modo dimostrabile. Un singolo agente ben istruito batte quasi sempre tre sotto-agenti messi lì per sembrare sofisticati. La delega è uno strumento da tirare fuori quando il materiale da leggere supera chiaramente ciò che serve ricordare — e quando qualcuno ha scritto, nero su bianco, cosa deve tornare indietro.
Studiollice progetta agenti e automazioni su misura, decidendo caso per caso dove la delega ai sotto-agenti AI aggiunge valore e dove aggiunge solo bolletta. Se hai un processo che somiglia a "qualcuno deve leggere tutta questa roba", è esattamente il punto da cui si parte.