Agentic loop: i 3 step di ogni agente AI (e perché contano per la tua PMI)

"Agente AI" è una parola di moda. Ma sotto il cofano ogni agente serio segue lo stesso pattern architetturale a tre fasi: reason, act, observe. Capire questo loop cambia il modo in cui una PMI sceglie, integra e governa la propria AI.

BlueSky Agent AI · 2026-05-02

Una parola, tre cose molto diverse

Nel 2026 la parola "agente AI" è ovunque. Microsoft, Salesforce, Google, NVIDIA: ogni piattaforma enterprise ha la sua agentic platform, ogni vendor SaaS ha rebrandizzato funzioni esistenti come "agentic". Per chi gestisce una PMI italiana e deve decidere se e come investire, il rumore è altissimo.

La buona notizia è che, sotto il cofano, gli agenti AI seri condividono tutti lo stesso pattern architetturale. È un loop a tre fasi che IBM ha formalizzato nel suo materiale "What is OpenClaw" e che Anthropic descrive nei propri paper sui Claude agents. Il loop si chiama Reason → Act → Observe, e capirlo cambia tre cose:

1. Come distingui un vero agente da un chatbot rebrandizzato
2. Quali tool e quali integrazioni servono davvero al tuo caso
3. Dove inserire i controlli umani per stare sicuri

In questo articolo lo spieghiamo in modo concreto, con esempi pensati per le PMI italiane.

Step 1 — Reason: l'agente decide cosa fare

La prima fase del loop è la ragione. L'agente riceve un obiettivo (esempio: "evadi questo ordine cliente") e una serie di informazioni di contesto (lo storico cliente, lo stato del magazzino, le regole aziendali). Il modello LLM analizza il contesto e produce un piano di azione: quali strumenti chiamare, in che ordine, con quali parametri.

È la fase più "intelligente" del loop, ed è dove il modello sottostante fa davvero la differenza. Un Claude Opus 4.7 ragiona su sequenze di 10-15 step con coerenza; un modello più piccolo si perde dopo 3-4. Ma "reason" non significa magia: l'agente ragiona solo su ciò che gli viene messo nel contesto. Se il sistema non gli fornisce le regole aziendali, l'agente le inventa o sbaglia.

Implicazione pratica per le PMI: il valore di un agente non sta nel modello che usa. Sta nelle informazioni e nelle regole che gli vengono fornite quando ragiona. Una PMI che documenta i propri processi, le sue policy, gli edge case del business, costruisce automaticamente agenti migliori — anche con modelli più piccoli ed economici.

Step 2 — Act: l'agente esegue l'azione

Dopo aver ragionato, l'agente agisce. Concretamente: chiama un tool. Un tool può essere praticamente qualunque cosa — un'API CRM, una query SQL, una chiamata HTTP a un fornitore, una scrittura su Google Sheet, l'invio di un'email, l'esecuzione di codice in sandbox.

Nel 2026 questa fase è stata standardizzata in modo importante. Model Context Protocol (MCP), lo standard aperto introdotto da Anthropic e diventato di fatto obbligatorio nel mercato, definisce un linguaggio comune con cui agenti e tool si parlano. Risultato: oltre 5.800 server MCP disponibili, e un agente costruito oggi può usare tool nuovi domani senza riscritture.

Per le PMI questo è un passaggio chiave. Tre anni fa "integrare l'AI con il gestionale" era un progetto da 6 mesi. Oggi, se il gestionale ha un connettore MCP (sempre più li hanno), parliamo di giorni. Il punto critico è scegliere agenti che parlano standard, non protocolli proprietari di un singolo vendor.

Implicazione pratica: nella valutazione di un fornitore di agenti AI, chiedi sempre due cose. Quali tool standard supportate? e posso aggiungere i miei tool senza rifare tutto? La risposta dovrebbe contenere "MCP" e "sì, in autonomia". Se non è così, stai comprando lock-in mascherato da agente.

Step 3 — Observe: l'agente legge il risultato e itera

Dopo aver agito, l'agente osserva il risultato dell'azione. Il tool ha restituito un errore? Il dato è quello atteso? L'azione ha modificato lo stato del sistema in modo coerente con il piano? In base a questa osservazione, l'agente decide il prossimo step: continuare il piano, modificarlo, fermarsi e chiedere aiuto.

È la fase che separa un agente vero da un automation script. Un agente non si limita a eseguire un workflow predefinito: reagisce alle anomalie. Esempio concreto: un agente che evade ordini scopre che un articolo è esaurito. Un automation script si ferma con errore. Un agente vero osserva l'errore, controlla se ci sono articoli equivalenti, propone una sostituzione al cliente, e in caso negativo apre un ticket al fornitore.

Implicazione pratica: la qualità di un agente si misura nei casi anomali, non in quelli felici. Quando valuti un agente AI, costruisci un eval set che include edge case reali dei tuoi processi: cosa succede se il cliente è duplicato? Se il prezzo è negativo? Se l'API esterna è down? Un agente che gestisce bene 50 edge case batte 10 agenti che gestiscono solo il flusso felice.

Il loop completo: come funziona in pratica

Mettiamo insieme i tre step in un esempio concreto: un agente di customer service per una PMI italiana che vende online prodotti tecnici.

Trigger: un cliente scrive via WhatsApp "non funziona il prodotto che ho ordinato la settimana scorsa".

Reason (1): l'agente analizza il messaggio. Capisce che serve identificare il cliente, recuperare l'ordine, capire che tipo di prodotto, capire la natura del problema. Pianifica: cerca cliente → recupera ultimo ordine → leggi scheda prodotto → chiedi dettagli sul problema.

Act (1): chiama il CRM per cercare il cliente dal numero WhatsApp. Tool MCP: crm.find_customer.

Observe (1): il CRM restituisce 2 risultati. C'è ambiguità.

Reason (2): l'agente decide di chiedere conferma al cliente per disambiguare.

Act (2): invia messaggio WhatsApp con domanda di disambiguazione.

Observe (2): il cliente risponde con email. L'agente ora ha il record univoco.

...e così via, fino al risultato finale: ticket aperto, RMA generato, email di conferma al cliente, notifica al magazzino. Tutto questo in 90 secondi, senza intervento umano sulle azioni di routine, ma con checkpoint obbligatori nei punti critici (per esempio: prima di approvare un rimborso sopra una soglia, l'agente passa il controllo a un operatore).

I 3 punti dove l'Human-in-the-Loop conta davvero

Una volta capito il loop, diventa chiaro dove mettere i controlli umani. La risposta non è "ovunque" — ucciderebbe i benefici dell'agente. È in tre punti specifici:

1. Sui Reason di alta posta: prima di azioni che modificano stato critico (rimborsi, transazioni, comunicazioni esterne pubbliche), l'agente deve presentare il piano e ottenere conferma.
2. Sugli Act esterni e irreversibili: invio email, scritture su sistemi terzi, chiamate API a pagamento. Sandbox e dry-run sono il pattern standard.
3. Sugli Observe ambigui: quando il risultato di un'azione è ambiguo (status code 2xx ma payload sospetto), l'agente non deve "interpretare" — deve scalare a umano.

Il 94% delle aziende che hanno problemi di AI Sprawl (OutSystems Research, 2026) ha agenti senza questi tre presidi. Non è un caso.

Cosa cambia nella conversazione tra PMI e fornitori

Sapere come funziona il loop cambia il modo in cui una PMI può fare procurement di AI agentica. Tre domande che cambiano la conversazione con un fornitore:

1. "Mostratemi i prompt di sistema che usate nel Reason." Se non vogliono mostrarli o sono banali, l'intelligenza dell'agente sta nel modello, non nel prodotto. Significa che competerete con altre PMI che hanno lo stesso modello.
2. "Quali tool standard supportate? È supportato MCP?" Se la risposta non è "sì, e ne supportiamo X", state guardando un'integrazione fragile.
3. "Mostratemi cosa fa l'agente quando il tool restituisce errore." È la prova del nove: distingue un vero agente da un workflow ribrandizzato.

Il loop è semplice. Costruirci sopra non lo è.

L'architettura concettuale di un agente AI è elegantemente semplice: tre step in loop. Ma costruire un agente di livello enterprise — con i giusti checkpoint umani, la giusta osservabilità, la corretta gestione degli errori, l'integrazione con sistemi reali, la compliance AI Act — richiede esperienza ingegneristica e dominio del processo aziendale.

È esattamente il motivo per cui esistono fornitori specializzati in agenti AI per PMI italiane come BlueSky Agent AI: il modello LLM è una commodity, ma il loop intorno a esso — costruito per il tuo settore, con i tuoi tool, le tue policy, i tuoi edge case — è il vero prodotto. Capire il loop ti rende un cliente migliore. Capirlo bene ti rende capace di scegliere il fornitore giusto.

Vuoi vedere come funziona un agente AI nel tuo processo specifico? Richiedi una demo a BlueSky Agent AI — ti mostriamo il loop reason-act-observe applicato a un caso reale del tuo settore.