Ho costruito più di 12 sistemi di agenti AI di produzione in tutte le operazioni di sviluppo, DevOps e dati. Ecco perché l'attuale hype intorno agli agenti autonomi è matematicamente impossibile e ciò che funziona realmente nella produzione. Tutti dicono che il 2025 è l'anno degli agenti di intelligenza artificiale. I titoli sono ovunque: "L'intelligenza artificiale autonoma trasformerà il lavoro", "Gli agenti sono il prossimo confine", "Il futuro è agentico". Nel corso dell’ultimo anno, ho costruito più di una dozzina di sistemi di agenti di produzione in tutto il ciclo di vita dello sviluppo del software: I generatori di interfacce utente che creano componenti React funzionali dal linguaggio naturale, gli agenti di rifattoraggio del codice che modernizzano le base di codice tradizionali, i generatori di documentazione che mantengono automaticamente i documenti API e i generatori di funzioni che convertono le specifiche in implementazioni funzionali. Development agents Agenti operativi di database che gestiscono query e migrazioni complesse, sistemi di automazione AI di DevOps che gestiscono l'infrastruttura come codice su più provider cloud. Data & Infrastructure agents I pipelines CI/CD alimentati da AI risolvono i problemi della striscia, generano suite di test complete, eseguono revisioni automatizzate del codice e creano richieste di pull dettagliate con descrizioni adeguate. Quality & Process agents Questi sistemi funzionano, offrono un valore reale, risparmiano ore di lavoro manuale ogni giorno, e questo è esattamente il motivo per cui penso che gran parte di ciò che si sente parlare del 2025 come "l'anno degli agenti" manchi le realtà chiave. TL;DR: Three Hard Truths About AI Agents TL;DR: Tre dure verità sugli agenti AI Dopo aver costruito più di 12 sistemi di produzione, ecco cosa ho imparato: I tassi di errore si aggravano esponenzialmente nei flussi di lavoro in più passaggi. affidabilità del 95% per passo = successo del 36% su 20 passaggi. 
 
 
 Le finestre di contesto creano costi quadrati di token. le conversazioni lunghe diventano proibitivamente costose su scala. La vera sfida non sono le capacità di intelligenza artificiale, ma la progettazione di strumenti e sistemi di feedback che gli agenti possono effettivamente utilizzare in modo efficace. La realtà matematica di cui nessuno parla Ecco la scomoda verità che ogni azienda di agenti di intelligenza artificiale sta ballando: il compounding degli errori rende i flussi di lavoro autonomi a più passaggi matematicamente impossibili su scala di produzione. Se ogni passo in un flusso di lavoro di un agente ha un'affidabilità del 95%, che è ottimista per gli attuali LLM, allora: 
 
 
 
 5 passaggi = 77% di successo 10 passaggi = 59% di successo 20 passaggi = 36% di successo I sistemi di produzione richiedono un'affidabilità superiore al 99,9%. Anche se si raggiunge magicamente il 99% di affidabilità per passo (che nessuno ha), si ottiene ancora solo l'82% di successo in 20 passi. Questo non è un problema di ingegneria rapida. Questo non è un problema di capacità del modello. Il mio agente DevOps funziona proprio perché non è in realtà un flusso di lavoro autonomo a 20 passi. È 3-5 operazioni discrete, verificabili in modo indipendente con punti di ritorno espliciti e porte di conferma umane. Ogni sistema di agenti di successo che ho costruito segue lo stesso modello: contesti limitati, operazioni verificabili e punti di decisione umani (a volte) alle intersezioni critiche. L'economia dei token che non si aggiunge C'è un'altra realtà matematica che gli agenti evangelisti facilmente ignorano: le finestre di contesto creano una scalabilità quadrata dei costi che rende gli agenti di conversazione economicamente impossibili. Ecco cosa succede quando si costruisce un agente "conversazionale": 
 
 
 
 
 Ogni nuova interazione richiede il trattamento di TUTTI i contesti precedenti Il costo del token scala quadratticamente con la lunghezza della conversazione Una conversazione a 100 turni costa $ 50-100 solo in token Moltiplicato da migliaia di utenti e stai guardando all'economia non sostenibile Ho imparato questo in modo difficile quando ho prototipato un agente di database di conversazione. Le prime interazioni erano a buon mercato. Alla 50esima query in una sessione, ogni risposta costava più dollari - più del valore fornito. Il mio agente di generazione di funzioni riesce perché è completamente senza statuto: descrizione → funzione → fatto. nessun contesto da mantenere, nessuna conversazione da tracciare, nessuna esplosione di costi quadrati. Non è un'esperienza di "chattare con il tuo codice", è uno strumento focalizzato che risolve un problema specifico in modo efficiente. I "agenti" di maggior successo nella produzione non sono affatto conversazionali.Sono strumenti intelligenti e limitati che fanno una cosa bene e vanno fuori strada. Lo strumento di ingegneria Reality Wall Anche se si risolvono i problemi matematici, si colpisce un tipo diverso di muro: la costruzione di strumenti di livello di produzione per agenti è una disciplina di ingegneria completamente diversa che la maggior parte dei team sottovaluta. Le chiamate degli strumenti sono in realtà abbastanza precise ora. La vera sfida è la progettazione degli strumenti. Ogni strumento deve essere accuratamente progettato per fornire il feedback giusto senza sovraffollare la finestra di contesto. 
 
 
 
 
 Come fa l'agente a sapere se un'operazione è stata parzialmente riuscita?Come si comunicano cambiamenti di stato complessi senza bruciare token? Una query di database potrebbe restituire 10.000 righe, ma l'agente ha solo bisogno di sapere "la query è riuscita, 10k risultati, ecco i primi 5". Quando uno strumento fallisce, quali informazioni l'agente ha bisogno di recuperare? Troppo poco e è bloccato; troppo e sprecate il contesto. Come gestire le operazioni che si influenzano reciprocamente? transazioni di database, blocchi di file, dipendenze di risorse. Il mio agente di database funziona non perché le chiamate degli strumenti sono inaffidabili, ma perché ho trascorso settimane progettando strumenti che comunicano efficacemente con l'IA. Ogni strumento restituisce feedback strutturati che l'agente può effettivamente utilizzare per prendere decisioni, non solo risposte API crude. Le aziende che promettono "solo collegare le API e il nostro agente lo scoprirà" non hanno fatto questo lavoro di ingegneria. Essi stanno trattando strumenti come interfacce umane, non interfacce AI. Il risultato è agenti che tecnicamente fanno chiamate API di successo ma non possono effettivamente realizzare flussi di lavoro complessi perché non capiscono cosa è successo. Il segreto sporco di ogni sistema di agenti di produzione è che l'IA sta facendo forse il 30% del lavoro.L'altro 70% è l'ingegneria degli strumenti: progettare interfacce di feedback, gestire in modo efficiente il contesto, gestire i guasti parziali e costruire meccanismi di recupero che l'AI può effettivamente capire e utilizzare. Controllare la realtà dell’integrazione Ma diciamo che si risolvono i problemi di affidabilità e l'economia. Devi ancora integrare con il mondo reale, e il mondo reale è un caos. I sistemi aziendali non puliscono le API in attesa che gli agenti di intelligenza artificiale le orchestrino.Sono sistemi legati con trucchi, modalità di guasto parziali, flussi di autenticazione che cambiano senza preavviso, limiti di tariffa che variano a seconda dell'ora del giorno e requisiti di conformità che non si adattano accuratamente ai template prompt. L'agente del mio database non solo "esegue le query in modo autonomo". naviga nel pooling delle connessioni, gestisce i rollback delle transazioni, rispetta le replicate a lettura esclusiva, gestisce i timeout delle query e registra tutto per le tracce di audit. Le aziende che promettono "agenti autonomi che si integrano con l'intero stack tecnologico" sono o troppo ottimisti o non hanno effettivamente cercato di costruire sistemi di produzione su scala. Cosa funziona davvero (e perché) Dopo aver costruito più di una dozzina di diversi sistemi di agenti in tutto il ciclo di vita dello sviluppo del software, ho imparato che quelli di successo condividono un modello: 
 
 
 
 
 
 Il mio agente di generazione UI funziona perché gli esseri umani riesaminano ogni interfaccia generata prima della distribuzione.L'IA gestisce la complessità di tradurre il linguaggio naturale in componenti React funzionali, ma gli esseri umani prendono le decisioni finali sull'esperienza utente. Il mio agente di database funziona perché conferma ogni operazione distruttiva prima dell'esecuzione.L'IA gestisce la complessità di tradurre i requisiti aziendali in SQL, ma gli esseri umani mantengono il controllo sull'integrità dei dati. Il mio agente di generazione di funzioni funziona perché funziona all'interno di limiti chiaramente definiti. Dai una specifica, restituisci una funzione. Nessun effetto collaterale, nessuna gestione dello stato, nessuna complessità di integrazione. La mia automazione DevOps funziona perché genera infrastruttura-come-codice che può essere rivista, versionata e riprodotta.L'IA gestisce la complessità di tradurre i requisiti in Terraform, ma il pipeline di distribuzione mantiene tutti i meccanismi di sicurezza su cui abbiamo imparato a fare affidamento. Il mio agente CI/CD funziona perché ogni fase ha chiari criteri di successo e meccanismi di rollback.L'IA gestisce la complessità di analizzare la qualità del codice e generare correzioni, ma il pipeline mantiene il controllo su ciò che viene effettivamente fuso. Il modello è chiaro: l’intelligenza artificiale gestisce la complessità, gli esseri umani mantengono il controllo e l’ingegneria software tradizionale gestisce l’affidabilità. My Predictions Le mie previsioni Ecco le mie previsioni specifiche su chi combatterà nel 2025: Le startup "agenti completamente autonomi" finanziate dall'impresa colpiranno prima il muro economico.Le loro demo funzioneranno bene con i flussi di lavoro a 5 passi, ma i clienti richiedono più di 20 processi step che si rompono matematicamente.I tassi di bruciatura aumenteranno mentre cercano di risolvere problemi di affidabilità insolubili. Le aziende di software aziendali che hanno boltato "agenti di intelligenza artificiale" sui prodotti esistenti vedranno l'adozione stagnare. Nel frattempo, i vincitori saranno i team che costruiranno strumenti specifici per il dominio che utilizzano l’intelligenza artificiale per le parti rigide pur mantenendo il controllo umano o i limiti rigorosi sulle decisioni critiche. Il mercato imparerà la differenza tra l'IA che dimostra bene e l'IA che spedisce in modo affidabile. Non sto scommettendo contro l'IA. Sto scommettendo contro l'attuale approccio all'architettura degli agenti.Ma credo che il futuro sarà molto più prezioso di quanto suggerisca l'hype. Costruire la strada giusta Se stai pensando di costruire con gli agenti AI, inizia con questi principi: Cosa può fare esattamente il tuo agente, e cosa trasmette agli esseri umani o ai sistemi deterministici? Define clear boundaries. Come gestisci il 20-40% dei casi in cui l’IA commette errori? Design for failure. Quanto costa ogni interazione, e come scala con l'uso? Solve the economics. Gli utenti si fidano di strumenti che funzionano costantemente più di quanto apprezzino i sistemi che a volte fanno magia. Prioritize reliability over autonomy. Utilizzare l’IA per le parti dure (comprendere l’intenzione, generare contenuti), ma fare affidamento sull’ingegneria software tradizionale per le parti critiche (esecuzione, gestione degli errori, gestione dello stato). Build on solid foundations. La rivoluzione degli agenti sta arrivando.Non sembrerà nulla di quello che tutti promettono nel 2025. Le vere lezioni dei treni Il divario tra "lavoro in demo" e "lavoro su scala" è enorme, e la maggior parte dell'industria sta ancora calcolando questo. Le sfide riguardanti l'affidabilità degli agenti, l'ottimizzazione dei costi e la complessità dell'integrazione sono affascinanti problemi di ingegneria che non hanno ancora soluzioni ovvie. Consigliamo regolarmente ai team e alle aziende di navigare su queste sfide esatte - dalle decisioni di architettura all'evitare le trappole che ho imparato di prima mano.Sia che tu stia valutando le decisioni di costruzione contro l'acquisto, debugging perché i tuoi agenti non stanno lavorando nella produzione, o semplicemente vogliono implementarle, non esitate a contattarli. Più persone costruiscono sistemi reali e condividono esperienze oneste, più velocemente scopriremo cosa funziona davvero. Se vuoi approfondire uno qualsiasi di questi argomenti. X

Read My Stories

Questo audio è prodotto nella lingua originale della storia!

Troppo lungo; Leggere

Make resilience your competitive advantage

Smetti di credere all'agente Hype - I numeri non mentono

About Author

COMMENTI

CARTELLINI

QUESTO ARTICOLO È STATO PRESENTATO IN

Related Stories

The Fall of OM by Mantra DAO: Accident or Pattern?

How to Mint Your Name.HackerNoon Web3 Identity Namespace

I Built an AI Copilot That Thinks in Exploits, Not Prompts

New Year, New Exciting Features: Mint Your Name, Watch Web 2.5 and Meet The Top Startups of The Year

The Fall of OM by Mantra DAO: Accident or Pattern?

How to Mint Your Name.HackerNoon Web3 Identity Namespace

I Built an AI Copilot That Thinks in Exploits, Not Prompts

New Year, New Exciting Features: Mint Your Name, Watch Web 2.5 and Meet The Top Startups of The Year

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps