Intelligenza artificiale agentica: architettura, applicazioni e rischi
di Vincenzo Calabrò · Pubblicato il
Abstract
L’articolo offre una rassegna dell’intelligenza artificiale agentica, cioè dei sistemi basati su modelli linguistici che percepiscono un ambiente, pianificano, usano strumenti esterni e collaborano con altri agenti per raggiungere obiettivi. Ne descrive l’architettura per livelli di percezione, cognizione, azione e comunicazione e i sistemi di memoria a breve e lungo termine. Esamina applicazioni, limiti tecnici, implicazioni etiche e sociali e rischi di sicurezza specifici, dalla prompt injection indiretta all’abuso degli strumenti, con i framework di mitigazione e le tendenze di ricerca.
Introduzione
L’intelligenza artificiale è passata in pochi anni dai sistemi basati su regole ai modelli generativi, e ora si muove verso sistemi capaci di agire. Si parla di IA agentica per indicare programmi che perseguono un obiettivo in più passaggi, decidendo che cosa fare, usando strumenti e verificando i risultati.
Dall’IA tradizionale all’IA agentica
I modelli tradizionali erano progettati per compiti specifici e ristretti, come classificare un’immagine o prevedere un valore, sulla base di regole o di schemi appresi. Richiedevano istruzioni esplicite e faticavano ad adattarsi a obiettivi più ampi.
L’IA generativa, resa popolare da ChatGPT alla fine del 2022, ha permesso di produrre testi, immagini e codice a partire da una richiesta in linguaggio naturale. I primi modelli generativi erano però privi di stato, rispondevano a un messaggio alla volta e interagivano quasi solo con l’utente, senza poter agire su sistemi esterni o completare da soli compiti in più fasi.
L’IA agentica usa i modelli linguistici di grandi dimensioni (LLM) come motore di ragionamento e li inserisce in un’architettura che permette di percepire l’ambiente, pianificare, agire e osservare l’effetto delle azioni. La differenza principale è l’azione autonoma. Il sistema passa dal produrre contenuti all’eseguire flussi di lavoro, e questo cambia il rapporto tra persone e IA, con conseguenze sui processi decisionali e sulla sicurezza.
Il tema è al centro dell’attenzione di aziende e ricercatori, e il dibattito alterna risultati concreti a promesse eccessive. Alcune applicazioni mostrano guadagni reali, altre nascono da aspettative gonfiate e da generalizzazioni premature. Una valutazione seria deve tenere insieme potenzialità e limiti attuali.
Una definizione
Si possono definire agenti di IA i programmi software autonomi, spesso basati su LLM, capaci di percepire il proprio ambiente, pianificare il comportamento, invocare strumenti esterni o interfacce di programmazione (API) e interagire con ambienti digitali e con altri agenti per raggiungere obiettivi definiti. Le loro caratteristiche distintive sono:
- l’autonomia orientata agli obiettivi, cioè la capacità di scomporre un compito, scegliere le azioni e adattare il piano ai risultati;
- l’uso degli strumenti, cioè la capacità di combinare API, motori di ricerca, basi di dati, interpreti di codice e altri programmi per osservare o modificare l’ambiente;
- la memoria, che conserva informazioni e contesto tra un passaggio e l’altro e tra sessioni diverse;
- il coordinamento con altri agenti, per dividere il lavoro e raggiungere obiettivi comuni;
- l’adattamento, attraverso la riflessione sui propri risultati e, in alcuni sistemi, l’apprendimento per rinforzo;
- la proattività, cioè la capacità di anticipare esigenze o problemi e agire senza una richiesta esplicita.
Gli LLM non sono di per sé sistemi agentici. Ne costituiscono il motore cognitivo, mentre l’architettura agentica fornisce la struttura operativa che trasforma le capacità di ragionamento e di linguaggio in azioni. Per questo i progressi dei modelli si traducono direttamente in agenti più capaci.
Il funzionamento di un agente segue un ciclo ricorrente. L’agente osserva l’ambiente, ragiona sulle osservazioni, decide un’azione, la esegue e ne osserva il risultato, per poi ricominciare. Lo schema ricorda il ciclo OODA (osserva, orienta, decidi, agisci) noto in ambito militare e di sicurezza, e trova una formulazione influente nell’approccio ReAct (Yao e colleghi, 2023), che alterna passaggi di ragionamento e azioni sugli strumenti.
Perché conta
L’IA agentica promette di estendere l’automazione dai compiti semplici e ripetitivi alle attività che richiedono scelte, come gestire una pratica, analizzare un incidente di sicurezza o preparare una ricerca. Questo spiega l’interesse delle imprese per l’iperautomazione e per i sistemi di supporto alle decisioni basati su agenti. Le differenze con l’IA generativa possono essere riassunte così:
| Aspetto | IA generativa | IA agentica |
| Ragionamento | Risposta immediata a una richiesta | Pianificazione e riflessione in più passaggi |
| Interazione | Soprattutto con l’utente | Con utente, strumenti, sistemi esterni e altri agenti |
| Esecuzione | Compiti a passo singolo, uso limitato di strumenti | Flussi di lavoro in più fasi con strumenti diversi |
| Adattamento | Legato ai dati di addestramento | Usa memoria ed esperienze delle esecuzioni precedenti |
| Autonomia | Guidata passo per passo dall’utente | Autodiretta entro i limiti fissati |
| Uso | Richiede istruzioni dettagliate | Basta indicare l’obiettivo |
L’articolo prosegue con l’architettura degli agenti, le applicazioni, i limiti tecnici, le implicazioni etiche, sociali e di sicurezza e le direzioni di ricerca.
L’architettura
Un sistema agentico integra più componenti che lavorano insieme, in un ciclo continuo di percezione, cognizione, azione e comunicazione, sostenuto da meccanismi di memoria.
Il livello di percezione
Il livello di percezione raccoglie e interpreta le informazioni sull’ambiente. Usa l’elaborazione del linguaggio naturale per testi e parlato, la visione artificiale per immagini, video e schermate, e dati provenienti da sensori fisici o digitali, come log, eventi e risposte delle API. Gli agenti più evoluti sono multimodali, cioè combinano informazioni di tipo diverso. La qualità della percezione condiziona tutto il resto, perché un agente che interpreta male l’ambiente prende decisioni sbagliate.
Il livello cognitivo
È il cuore del sistema, dove si ragiona, si decide e si pianifica. L’LLM analizza le informazioni, scompone l’obiettivo in sotto-compiti, sceglie gli strumenti e prevede gli esiti delle azioni. Alcune ricerche mostrano che i modelli possono costruire rappresentazioni interne di ambienti solo parzialmente osservabili, utili per decidere in contesti con più agenti.
La pianificazione negli agenti è un processo iterativo. Il sistema elabora un piano, lo esegue in parte, osserva i risultati e lo corregge. Tecniche come la riflessione, in cui il modello critica il proprio output e lo migliora (Shinn e colleghi, 2023), e la ricerca ad albero tra piani alternativi rendono il ragionamento più solido. L’apprendimento per rinforzo viene usato per addestrare i modelli a ragionare in più passaggi e a usare meglio gli strumenti.
Il livello di azione
Il livello di azione traduce le decisioni in operazioni concrete. Le azioni possono essere digitali, come inviare un’email, interrogare un database, modificare un file o chiamare un’API, oppure fisiche, come muovere un robot. I risultati tornano all’agente come nuove osservazioni, chiudendo il ciclo e permettendo di correggere gli errori.
Gli strumenti sono il modo in cui l’agente agisce sul mondo, una sorta di arti del sistema. Uno strumento è un frammento di codice che l’agente usa per osservare o modificare l’ambiente, e la capacità di combinare strumenti diversi è ciò che rende utili gli agenti. Per collegarli in modo standard sono nati protocolli come il Model Context Protocol (MCP), presentato da Anthropic nel novembre 2024, che definisce come un modello accede a strumenti e fonti di dati.
La ricerca propone anche schemi architetturali per gestire meglio gli strumenti. Uno di questi, chiamato control plane as a tool, separa la gestione degli strumenti dal ragionamento dell’agente e la affida a un componente dedicato, che seleziona gli strumenti, applica le regole di governo e registra il loro uso. L’obiettivo è avere sistemi più modulari, osservabili e controllabili.
Il livello di comunicazione
Il livello di comunicazione gestisce l’interazione con le persone e con altri agenti, in formati diversi come testo, voce e immagini. Nei sistemi con più agenti permette di scambiare informazioni, dividere i compiti e coordinare le azioni senza duplicazioni o conflitti. Protocolli come Agent2Agent (A2A), presentato da Google nell’aprile 2025, mirano a far comunicare agenti sviluppati con tecnologie diverse. La comunicazione tra agenti apre possibilità nuove e introduce anche nuovi rischi di sicurezza, perché un agente compromesso può influenzare gli altri.
La memoria
Gli LLM sono privi di stato, cioè dimenticano tutto tra una richiesta e l’altra. La memoria è quindi un componente indispensabile, che permette agli agenti di mantenere il contesto, imparare dalle esperienze e personalizzare il comportamento. Le architetture si ispirano spesso alla distinzione usata in psicologia cognitiva tra diversi tipi di memoria.
La memoria a breve termine, o di lavoro, contiene le informazioni necessarie al compito in corso. Corrisponde in genere alla finestra di contesto del modello, una quantità limitata di testo che viene sostituita man mano che l’interazione procede, e si perde al termine della sessione.
La memoria a lungo termine conserva informazioni tra sessioni diverse e si articola in tre tipi:
- la memoria episodica, che registra eventi ed esperienze specifiche, come le interazioni passate e i loro esiti, ed è utile per imparare da successi e fallimenti;
- la memoria semantica, che contiene conoscenze strutturate, come fatti, definizioni e regole;
- la memoria procedurale, che codifica abilità e sequenze di azioni apprese, così da eseguirle senza ragionare ogni volta su ciascun passaggio.
La memoria a lungo termine viene realizzata con archivi esterni, come basi di dati, grafi della conoscenza e database vettoriali, che permettono di cercare informazioni per somiglianza di significato. La tecnica più diffusa è la generazione aumentata dal recupero (RAG), con cui l’agente recupera documenti pertinenti e li usa per costruire la risposta. Servono poi meccanismi per consolidare le informazioni utili, dimenticare quelle superate ed evitare che la memoria cresca senza controllo. Framework come LangChain e LangGraph offrono componenti pronti per gestire memoria e flussi.
La gestione della memoria è uno dei problemi aperti. Decidere che cosa conservare, come aggiornarlo e come recuperare al momento giusto le informazioni pertinenti è difficile, e una memoria inquinata da dati falsi può condizionare in modo persistente il comportamento dell’agente.
Le applicazioni
Applicazioni attuali
Gli agenti sono già usati in diversi ambiti:
- l’assistenza ai clienti, con agenti conversazionali che comprendono il contesto, consultano i sistemi aziendali e risolvono richieste, come fa da anni l’operatore finlandese Elisa con il proprio assistente Annika, o che offrono consigli personalizzati, come nel settore della cosmesi;
- l’automazione dei processi aziendali, con agenti che elaborano documenti, rilevano anomalie, gestiscono pratiche del personale o ottimizzano scorte e percorsi logistici, spesso con piattaforme come IBM watsonx;
- la sicurezza informatica e l’antifrode, con agenti che analizzano allarmi, svolgono le prime indagini, bloccano transazioni sospette o isolano sistemi compromessi, sotto la supervisione degli analisti;
- lo sviluppo software, con agenti che leggono il codice, implementano modifiche, eseguono i test e correggono gli errori. Cognition ha presentato nel 2024 Devin come il primo ingegnere software basato su IA, e strumenti analoghi sono ora integrati negli ambienti di sviluppo più diffusi;
- i veicoli autonomi, che percepiscono il traffico e decidono in tempo reale, pur con architetture diverse da quelle basate su LLM.
Potenziale
Le prospettive dei prossimi anni riguardano:
- la sanità, con agenti che gestiscono prenotazioni, codifica e fatturazione delle prestazioni, preparano sintesi cliniche e supportano medici e infermieri, sempre con supervisione professionale;
- la finanza, con analisi, controllo delle frodi e consulenza personalizzata, in un settore fortemente regolato;
- l’istruzione, con tutor personalizzati e assistenti che aiutano gli studenti a orientarsi tra scadenze e servizi;
- la ricerca scientifica, con agenti che cercano e sintetizzano la letteratura, formulano ipotesi, progettano esperimenti e analizzano i risultati in chimica, biologia e scienza dei materiali;
- l’integrazione con il mondo fisico, con agenti che controllano dispositivi IoT in case, uffici e città, e sistemi robotici, come quelli sviluppati da NVIDIA e GE HealthCare per l’imaging medico.
Alcuni ricercatori, tra cui Andrew Ng, considerano i flussi di lavoro basati su agenti una delle strade verso sistemi più generali. È una tesi dibattuta, e i risultati attuali restano lontani da un’intelligenza artificiale generale.
I limiti tecnici
Valutazione
Misurare le capacità di un agente è difficile, perché il risultato dipende da sequenze lunghe di azioni in ambienti che cambiano. Sono nati benchmark dedicati, come SWE-bench per la correzione di problemi reali nel software, WebArena e OSWorld per l’uso di siti web e sistemi operativi, GAIA per gli assistenti generali e τ-bench per l’interazione con utenti e strumenti. I risultati mostrano progressi rapidi ma anche percentuali di successo ancora lontane dall’affidabilità richiesta in molti contesti. Esiste inoltre il rischio che i dati dei benchmark siano finiti nei dati di addestramento, falsando le misure.
Ragionamento e pianificazione
Gli agenti incontrano difficoltà nei compiti lunghi, perché gli errori si accumulano passaggio dopo passaggio. Faticano a riconoscere quando mancano informazioni e a porre le domande giuste, possono seguire piani inadeguati senza accorgersene e, nei sistemi con più agenti, è difficile capire quale componente abbia causato un fallimento. Le allucinazioni, cioè affermazioni false presentate come vere, diventano più pericolose quando si traducono in azioni.
Sicurezza e allineamento dei modelli
Le protezioni dei modelli possono indebolirsi con l’addestramento successivo (fine-tuning), anche su dati apparentemente innocui, e possono essere aggirate con richieste costruite ad arte. Dati di preferenza avvelenati possono alterare il comportamento dei modelli. La ricerca lavora su tecniche per mantenere l’allineamento durante l’adattamento e su agenti capaci di verificare le proprie azioni rispetto a regole di sicurezza esplicite.
Efficienza e costi
Un agente esegue molte chiamate al modello per un solo compito, con costi e latenze che crescono rapidamente. Le tecniche di ottimizzazione, come i modelli a miscela di specialisti, la quantizzazione, la compressione della memoria di contesto e l’uso di modelli più piccoli per i passaggi semplici, sono indispensabili per un uso su larga scala.
Dati e conoscenza
Gli agenti dipendono dalla qualità delle fonti a cui accedono. Informazioni obsolete, incomplete o manipolate producono decisioni sbagliate, e l’integrazione con i sistemi aziendali richiede dati ordinati e permessi gestiti con cura.
Interazione con le persone
Progettare la collaborazione tra persone e agenti è un tema aperto. Occorre decidere quali decisioni richiedono conferma, come presentare le azioni in modo comprensibile e come evitare sia l’eccesso di fiducia sia il rifiuto degli strumenti. Alcuni studi parlano di comprensione apparente per descrivere modelli che rispondono correttamente a domande su un concetto senza saperlo applicare in modo coerente.
I limiti dell’IA agentica comprendono quindi la dipendenza dai dati, i bias, l’opacità, l’incertezza normativa, le difficoltà di attribuzione delle responsabilità, i problemi di integrazione e di costo e le vulnerabilità di sicurezza. Affrontarli richiede governo dei dati, strumenti di trasparenza, regole chiare e architetture modulari.
Implicazioni etiche, sociali e di sicurezza
Implicazioni etiche
Gli agenti possono riprodurre e amplificare i bias presenti nei dati, con decisioni ingiuste o discriminatorie. L’opacità delle decisioni è un problema serio nei settori regolati, come sanità e finanza, dove occorre poter giustificare le scelte. Le tecniche di IA spiegabile e la registrazione completa delle azioni aiutano a rendere verificabile il comportamento degli agenti.
Esiste anche un rischio di paternalismo. Quando un agente semplifica informazioni complesse, come le condizioni d’uso di un servizio o le informative sulla privacy, l’utente può finire per accettare le sue conclusioni come proprie decisioni, con una perdita di autonomia. Gli agenti dovrebbero quindi aiutare a capire, lasciando alla persona la scelta.
Implicazioni sociali
L’automazione basata su agenti cambierà molte professioni, con la necessità di riqualificare il personale e il rischio di nuove disuguaglianze. Agenti capaci di dialogare in modo convincente possono anche influenzare il comportamento delle persone, in modo trasparente o manipolatorio. Nell’interazione con i robot si aggiungono questioni di fiducia, attribuzione delle colpe, raccolta dei dati e sicurezza fisica.
Implicazioni di sicurezza
La sicurezza è uno degli aspetti più critici, perché un agente compromesso agisce con i permessi che gli sono stati concessi. Nei sistemi fisici le conseguenze possono essere materiali. Nel 2015 due ricercatori dimostrarono il controllo a distanza di una Jeep Cherokee attraverso il sistema di infotainment, e nel 2016 un robot di sorveglianza in un centro commerciale californiano urtò e ferì un bambino. I sistemi robotici combinano software per percezione, comunicazione, pianificazione e attuazione, e ciascuno di questi componenti è una possibile superficie di attacco.
Le minacce specifiche per gli agenti comprendono:
- la prompt injection indiretta, in cui istruzioni nascoste in una pagina web, un documento o un’email letti dall’agente ne deviano il comportamento (Greshake e colleghi, 2023), forse il rischio più concreto oggi;
- l’abuso degli strumenti e l’eccesso di autonomia (excessive agency), quando l’agente dispone di permessi più ampi del necessario e può essere indotto a usarli contro l’utente;
- l’avvelenamento della memoria, che inserisce informazioni false destinate a condizionare le decisioni future;
- gli attacchi ai sensori e agli attuatori nei sistemi fisici, con input ingannevoli per telecamere e lidar o comandi iniettati per deviare un robot;
- l’avvelenamento dei dati di addestramento, come accadde nel 2016 al chatbot Tay di Microsoft;
- il furto o l’inversione del modello attraverso le sue interfacce, con il rischio di esporre dati riservati o proprietà intellettuale;
- nei sistemi con più agenti, la propagazione delle compromissioni da un agente all’altro, il movimento laterale tra sistemi e comportamenti collusivi difficili da rilevare.
Narajala e Narayan (2025) organizzano queste minacce in cinque aree, cioè vulnerabilità dell’architettura cognitiva, persistenza nella memoria, esecuzione delle operazioni, violazione dei confini di fiducia ed elusione dei controlli di governo. Molti attacchi si manifestano con ritardo, si propagano tra sistemi e producono disallineamenti sottili rispetto agli obiettivi, difficili da individuare con i controlli tradizionali.
Come affrontare i rischi
Le contromisure combinano tecnica e governo:
- mitigazione dei bias ed etica, con verifiche sui dati e sugli esiti, tecniche di spiegabilità e ricerca sull’etica delle macchine;
- sicurezza e privacy, con privilegio minimo per agenti e strumenti, isolamento degli ambienti di esecuzione, conferma umana per le azioni irreversibili, filtri sui contenuti in ingresso, cifratura, autenticazione solida e test periodici, anche con framework come ATFAA e SHIELD proposti per gli agenti;
- progettazione che presuppone un attaccante nel caso peggiore, considerando che anche gli agenti incaricati di proteggere un sistema possono essere presi di mira;
- trasparenza e responsabilità, con registrazione completa delle azioni degli agenti, verificabilità e regole chiare su chi risponde quando un agente prende una decisione dannosa;
- riferimenti specifici come il documento OWASP sulle minacce agli agenti del febbraio 2025, la OWASP Top 10 per le applicazioni basate su LLM, il NIST AI Risk Management Framework e, in Europa, l’AI Act.
Tendenze di ricerca
Verso sistemi più generali
Gli agenti basati su LLM sono considerati da alcuni una possibile strada verso l’intelligenza artificiale generale, grazie a flussi di lavoro in cui più agenti collaborano e iterano su un problema. Secondo questa tesi i miglioramenti nell’organizzazione degli agenti potrebbero contare quanto le nuove generazioni di modelli.
Collaborazione tra persone e agenti
Cresce l’attenzione alla progettazione centrata sulla persona, con l’intervento umano nei punti decisivi (human in the loop), l’ottimizzazione dei gruppi misti e agenti capaci di gestire eccezioni e di interpretare le regole con flessibilità.
Agenti specializzati
Si osserva un passaggio da assistenti generici ad agenti verticali, costruiti per ruoli specifici in sanità, finanza, sviluppo software, sicurezza o marketing. La specializzazione porta maggiore precisione, integrazione più profonda nei sistemi aziendali e controlli più mirati.
Proattività e personalizzazione
Gli agenti evolvono da assistenti che attendono istruzioni a sistemi che anticipano le esigenze. Un agente potrebbe, per esempio, rilevare i primi segnali di un’interruzione della catena di approvvigionamento e avviare un piano di emergenza, adattando le proprie risposte alle preferenze e al contesto dell’utente.
Sistemi con più agenti
Piattaforme come Google Agentspace e sistemi di ricerca come Magentic-One di Microsoft coordinano più agenti specializzati su compiti complessi. La ricerca si concentra sulla scomposizione dinamica dei compiti, sulla comunicazione tra agenti e sul controllo del sistema nel suo insieme.
Integrazione con il mondo fisico
L’IA incarnata porta gli agenti nei robot e nei dispositivi connessi, con applicazioni che vanno dalla domotica alla logistica e all’imaging medico. Qui l’affidabilità e la sicurezza diventano requisiti ancora più stringenti.
Etica, trasparenza e governo
Con l’aumento dell’autonomia degli agenti, la ricerca continuerà a lavorare su bias, spiegabilità e responsabilità, e sui modelli di governo che rendono gli agenti affidabili e coerenti con i valori delle persone.
Sistemi che si migliorano
Una direzione importante riguarda i sistemi che migliorano attraverso cicli di riscontro e apprendimento adattivo. La capacità di criticare il proprio lavoro e correggerlo rende i risultati più solidi, a condizione che il miglioramento resti sotto controllo e verificabile.
Nuovi framework
Lo sviluppo è sostenuto da framework come LangChain, LangGraph, AutoGen e CrewAI, da protocolli di integrazione come MCP e A2A e da schemi architetturali come il control plane as a tool, che rendono più semplice costruire, osservare e governare flussi di lavoro complessi.
Considerazioni finali
L’IA agentica segna un passaggio rilevante nell’evoluzione dell’intelligenza artificiale, dai sistemi che rispondono ai sistemi che agiscono. La capacità di percepire, ragionare, pianificare e agire, sostenuta dalla memoria e dall’uso degli strumenti, apre applicazioni in molti settori, dall’assistenza ai clienti allo sviluppo software, dalla sicurezza informatica alla ricerca scientifica.
Il percorso verso un’adozione diffusa incontra però ostacoli concreti. Valutare gli agenti è difficile, l’affidabilità nei compiti lunghi è ancora limitata, costi e latenze crescono con la complessità. Le implicazioni etiche, sociali e di sicurezza sono altrettanto rilevanti, perché agenti autonomi con accesso a dati e sistemi ampliano la superficie di attacco e pongono domande nuove sulla responsabilità.
Gli agenti diventeranno più specializzati, proattivi e capaci di collaborare, con memorie più sofisticate e un’integrazione crescente con il mondo fisico. Per realizzarne il potenziale in modo responsabile servono sicurezza e controlli fin dalla progettazione, privilegi limitati, supervisione umana sulle decisioni rilevanti e collaborazione tra ricercatori, sviluppatori, autorità ed specialisti di etica.
Bibliografia
- Yao, S. et al. (2023). ReAct: Synergizing Reasoning and Acting in Language Models. ICLR 2023.
- Shinn, N. et al. (2023). Reflexion: Language Agents with Verbal Reinforcement Learning. NeurIPS 2023.
- Greshake, K. et al. (2023). Not what you’ve signed up for: Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection. AISec 2023.
- Jimenez, C. E. et al. (2024). SWE-bench: Can Language Models Resolve Real-World GitHub Issues? ICLR 2024.
- Generative to Agentic AI: Survey, Conceptualization, and Challenges (2025). arXiv:2504.18875. https://arxiv.org/html/2504.18875v1
- Control Plane as a Tool: A Scalable Design Pattern for Agentic AI Systems (2025). arXiv:2505.06817. https://arxiv.org/html/2505.06817v1
- Sapkota, R. et al. (2025). AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenges. arXiv:2505.10468. https://arxiv.org/abs/2505.10468
- Light, J. et al. (2024). PIANIST: Learning Partially Observable World Models with LLMs for Multi-Agent Decision Making. arXiv:2411.15998. https://arxiv.org/abs/2411.15998
- Episodic memory in AI agents poses risks that should be studied and mitigated (2025). arXiv:2501.11739. https://arxiv.org/html/2501.11739v2
- Gridach, M. et al. (2025). Agentic AI for Scientific Discovery: A Survey of Progress, Challenges, and Future Directions. ICLR 2025 Workshop. https://openreview.net/forum?id=TyCYakX9BD
- AI Security Threats against Pervasive Robotic Systems: A Course for Next Generation Cybersecurity Workforce (2023). arXiv:2302.07953. https://arxiv.org/abs/2302.07953
- Aydin, I. et al. (2024). Assessing Privacy Policies with AI: Ethical, Legal, and Technical Challenges. arXiv:2410.08381. https://arxiv.org/abs/2410.08381
- Narajala, V. S., e Narayan, O. (2025). Securing Agentic AI: A Comprehensive Threat Model and Mitigation Framework for Generative AI Agents. arXiv:2504.19956. https://www.arxiv.org/abs/2504.19956
- Open Challenges in Multi-Agent Security: Towards Secure Systems of Interacting AI Agents (2025). arXiv:2505.02077. https://arxiv.org/html/2505.02077v1
- OWASP GenAI Security Project (2025). Agentic AI. Threats and Mitigations.
- Anthropic (2024). Introducing the Model Context Protocol.
- IBM. What Is AI Agent Memory? https://www.ibm.com/think/topics/ai-agent-memory
- MIT Sloan (2025). 4 new studies about agentic AI from the MIT Initiative on the Digital Economy. https://mitsloan.mit.edu/ideas-made-to-matter/4-new-studies-about-agentic-ai-mit-initiative-digital-economy
Vedi anche: gli articoli Agenti AI nella Cybersecurity: la nuova frontiera della Difesa Digitale (2025), Sicurezza degli agenti LLM: serve un framework unificato (2026), Costruire AI Agent nelle organizzazioni: le 4 aree critiche (2026) e Zero Trust alla prova degli AI agent: spostare l’applicazione delle regole di sicurezza dalla rete all’utente (2026).
Vincenzo Calabrò | Ingegnere informatico specializzato in sicurezza informatica e investigazioni digitali. Funzionario informatico del Ministero dell'Interno; su incarico autorizzato si occupa di sicurezza informatica e di perizie informatiche forensi. Autore di articoli e saggi. Lecturer, Speaker, Trainer.Profili: Google Scholar · ORCID · ResearchGate · Academia.edu · Wikidata · CyberSecurity360 · AgendaDigitale · ICT Security Magazine · Amazon · LinkedIn · YouTube · Ordine degli Ingegneri di Reggio Calabria