Settimana scorsa il nostro collega Federico Ruperti ha partecipato ad AI Heroes 2025, uno degli eventi italiani più attesi per chi lavora con l’intelligenza artificiale e le tecnologie emergenti. Un concentrato di ispirazione, innovazione e visioni concrete su come l’AI stia trasformando il modo in cui sviluppiamo applicazioni, testiamo prodotti e prendiamo decisioni data-driven.
Oltre i prompt
Creare applicazioni intelligenti
Tra i vari interventi, quello di Peter Friese ci ha portato “oltre i prompt” mostrando che strumenti come Genkit e il Model Context Protocol (MCP) possano rivoluzionare il modo in cui costruiamo applicazioni AI.
L’idea di fondo?
Non limitarci a chatbot scollegati dal contesto, ma creare agenti intelligenti in grado di interagire con API, strumenti e dati reali in tempo reale. Con MCP, un LLM non è più solo una macchina che genera testo, ma un vero e proprio agente contestuale, capace di collegarsi a sistemi esistenti, richiamare dati aggiornati, eseguire azioni e orchestrare flussi complessi.
Un approccio che apre la strada a AI agent-based, capaci di integrarsi davvero nel nostro stack tecnologico.
.jpeg?access_token=7978ba4e-3083-4b0a-ab20-d5927a59cd4f)
UI Testing? Ci pensano gli agenti AI
Michelantonio Trizio e Andrea Lops hanno presentato una soluzione ad un problema noto per chi lavora con test automatizzati: la fragilità.
Cambia un bottone e tutto crolla? Non più.
Il loro sistema multi-agente basato su LLM legge la documentazione prodotto, estrae i flussi utente e li trasforma in test UI dinamici, eseguibili su browser reali senza scrivere codice. L’approccio si basa su agenti che collaborano, ognuno con una propria expertise (dropdowns, modals, form, ecc.), orchestrati in un flusso che gestisce anche gli errori in modo intelligente.
Una visione di automazione davvero scalabile e flessibile, alimentata da AI generativa.
Decision Intelligence: dall’analisi all’azione
Con Giovanni Cugliari è stato fatto un salto nel mondo della Decision Intelligence, dove l’AI non si limita a prevedere, ma supporta decisioni complesse, simulate e spiegabili.
Dati, grafi causali, simulazioni "what if", storytelling interattivo: tutti elementi di un nuovo paradigma in cui l’AI non sostituisce l’uomo, ma collabora con lui. Gli strumenti generativi possono supportare il continuous learning, con sistemi che si adattano nel tempo, imparano da nuovi dati ma anche dai propri errori, mantenendo però sicurezza e controllo.
🚀 Agenti AI che collaborano (davvero):
quando CrewAI, LangGraph e Google A2A parlano la stessa lingua
.jpeg?access_token=729a71ba-ed6f-4bdb-80fc-ec38c8c42551)
Negli ultimi mesi, il mondo degli agenti AI ha vissuto un'accelerazione significativa, passando dai semplici chatbot a sistemi complessi di agenti intelligenti in grado di collaborare, prendere decisioni autonome e orchestrare flussi articolati.
Tuttavia, la vera sfida è l’interoperabilità tra agenti sviluppati con tecnologie diverse come CrewAI, LangGraph e Google A2A.
CrewAI
CrewAI si concentra sulla gestione di squadre di agenti con ruoli definiti e coordinati.
LangGraph
LangGraph adotta un approccio più flessibile, basato su grafi decisionali dinamici che si adattano in tempo reale.
Google A2A
Google A2A propone un paradigma dove gli agenti si scambiano messaggi JSON in modo agnostico rispetto al framework di origine.
Tutti e tre puntano verso un obiettivo comune: creare un ecosistema di agenti interoperabili, dove la collaborazione non dipenda più dalla piattaforma di sviluppo ma dalla capacità degli agenti stessi di comunicare e cooperare.
Questo segna un passaggio cruciale: si abbandonano i flussi rigidi e si adottano modelli dove gli agenti scelgono in autonomia cosa fare, con chi lavorare e come portare a termine un compito, ognuno con la propria specializzazione (scrittura di codice, test, report, ricerca, ecc.).
In questo scenario emergente:
Il Model Context Protocol (MCP) ha dimostrato come connettere LLM a strumenti e dati reali.
Google A2A sta proponendo un linguaggio comune per agenti di qualsiasi provenienza.
Framework come CrewAI e LangGraph stanno evolvendo per supportare questa visione interoperabile.
Il risultato è un nuovo paradigma per lo sviluppo AI: soluzioni modulari, scalabili e flessibili, dove si può scegliere il framework migliore per ogni componente, mantenendo comunque la coerenza e la collaborazione del sistema nel suo insieme. Un’evoluzione che non è solo tecnica, ma anche culturale, verso un’AI più collaborativa, distribuita e umana.
AI heroes - Uno sguardo al futuro dell'IA (Parte 1)
27 Maggio 2025