Agentic AI vs generative AI: dove passa davvero il confine

I quattro termini in una sola tassonomia

Quattro termini vengono usati come sinonimi e indicano quattro cose diverse: un LLM è il modello, la generative AI è ciò che quel modello sa fare, un AI agent è un sistema concreto che avvolge un modello in tool e in un loop, e l'agentic AI è la classe più ampia dei sistemi costruiti così. Si contengono a vicenda invece di competere. Ogni AI agent contiene un modello generativo, e ogni modello generativo è un LLM o un suo parente stretto, quindi nulla in questa lista sostituisce qualcos'altro della lista. La confusione costa cara perché i quattro stanno su livelli diversi: uno è un file di pesi, uno è una capacità, uno è un sistema che puoi mettere in produzione, e uno è un pattern di design attorno a cui puoi costruire un'azienda. Sbaglia livello e finirai per comprare un chatbot aspettandoti autonomia, oppure per costruire un sistema autonomo per un compito che chiedeva un solo prompt. Agentic vs generative AI non è uno scontro tra due tecnologie; è una domanda su due di questi quattro livelli, e si scioglie nel momento in cui sai nominarli tutti e quattro.

• LLM: il modello stesso, un insieme di pesi che predice il token successivo. Lo riconosci dal fatto che da solo non sa fare nulla se non restituire testo.
• Generative AI: la capacità di produrre contenuti nuovi a partire da un prompt, testo, immagini, audio o codice. La riconosci dal fatto che l'interazione finisce nel momento in cui arriva l'output.
• AI agent: un sistema concreto che dà tool a un modello e lo fa girare in loop verso un obiettivo. Lo riconosci dal fatto che compie azioni che non hai approvato una per una.
• Agentic AI: la classe di sistemi costruiti su quel pattern di agent, spesso più agent più orchestrazione. La riconosci dal fatto che l'unità di lavoro è un risultato, non una risposta.

Ogni definizione di vendor citata in questa pagina è stata letta ad agosto 2026, e il vocabolario si muove più in fretta della tecnologia. Anthropic, AWS e Red Hat pubblicano formulazioni leggermente diverse per lo stesso confine, e Gartner avverte fin dal suo comunicato stampa di giugno 2025 sull'"agent washing", che definisce come il ribattezzare prodotti esistenti come AI assistant, robotic process automation e chatbot senza capacità agentiche sostanziali. Tratta il glossario di qualsiasi singolo vendor come una lettura, non come la definizione.

Agentic AI vs generative AI: la differenza che conta

La differenza che conta è chi chiude il loop: con la generative AI è un umano a prendere l'output e ad agire, con l'agentic AI è il sistema ad agire, a osservare il risultato e a decidere da solo il passo successivo. Girata al contrario, qual è la differenza tra generative AI e agentic AI: il sistema generativo si ferma all'output, quello agentico va avanti finché l'obiettivo non è raggiunto. Red Hat, in una pagina aggiornata ad aprile 2026, traccia lo stesso confine come proattivo contro reattivo: la generative AI sarebbe reattiva e andrebbe promptata con una richiesta precisa prima di generare una risposta, mentre l'agentic AI potrebbe portare a termine compiti creando i passi ed eseguendoli in autonomia. AWS descrive l'agentic AI come un sistema di AI autonomo capace di agire in modo indipendente per raggiungere obiettivi stabiliti in anticipo. Nessuna di queste definizioni parla di un modello diverso, perché non ce n'è uno. Attorno al modello si aggiungono tre cose, e quelle tre aggiunte sono tutta la differenza.

• I tool: la capacità di chiamare qualcosa fuori dal modello, una API, un database, una shell, un browser. Senza tool il sistema può descrivere un'azione ma non eseguirla mai.
• Un loop: l'output di un passo diventa l'input del successivo, così il sistema reagisce a quello che è davvero successo invece che a quello che aveva previsto.
• Uno stato: un posto dove tenere ciò che è stato fatto finora, ed è quello che permette al passo nove di dipendere dal passo due invece di ripartire da zero.

Il test pratico è una sola domanda: dopo che il modello ha prodotto testo, succede qualcosa in automatico? Un riassuntore è generative AI, perché leggi il riassunto e poi decidi tu. Un sistema di supporto che legge un ordine, controlla la disponibilità ed emette un rimborso è agentic AI, perché il rimborso avviene senza che un umano lo decida. Gen AI vs agentic AI e GenAI vs agentic AI sono la stessa domanda con un nome più corto: la differenza tra GenAI e agentic AI è esattamente nelle tre aggiunte qui sopra, tool, un loop e uno stato.

L'agentic AI è solo generative AI con i tool?

Quasi sì, e la risposta onesta vale più di quella diplomatica: l'agentic AI è generative AI più tool, più un loop, più un posto dove tenere lo stato, senza alcuna nuova architettura di modello. Anthropic lo ha detto così nel suo post di engineering di dicembre 2024 sulla costruzione di agent efficaci, descrivendo gli agent come tipicamente semplici LLM che usano tool sulla base del feedback dell'ambiente, in loop. I sistemi agentici lì coprono entrambi i casi: i workflow, dove LLM e tool sono orchestrati attraverso percorsi di codice predefiniti, e gli agent, dove gli LLM dirigono dinamicamente i propri processi e il proprio uso dei tool. Lo stesso file di modello che scrive i tuoi testi di marketing è il file di modello dentro il tuo agent. Quello che cambia è l'imbracatura attorno. Il post di Anthropic di settembre 2025 sul Claude Agent SDK comprime tutto il pattern in quattro parole ripetute all'infinito: raccogli contesto, agisci, verifica il lavoro, ripeti.

Quello che la parola "solo" nasconde è che quelle tre aggiunte cambiano completamente il modo in cui il sistema fallisce. Un sistema generativo che sbaglia produce un paragrafo brutto che cancelli. Un sistema agentico che sbaglia produce un'azione sbagliata che devi disfare, e siccome ogni passo alimenta il successivo, un piccolo errore iniziale si amplifica lungo il loop invece di restare contenuto. Per questo il lavoro di ingegneria interessante nei sistemi agentici non è il prompting, ma i permessi, la verifica e il sapere quando fermarsi. Dirigere bene quel loop è tutto l'argomento dell'agentic engineering, ed è quello che questo campus insegna.

AI agent vs agentic AI: un sistema contro un pattern

Un AI agent è un sistema concreto che puoi indicare, mettere in produzione e fatturare; l'agentic AI è la proprietà che quei sistemi hanno e la categoria più ampia a cui appartengono. Chiedi "quanti ne hai" e la differenza diventa ovvia: gli AI agent si contano, l'agentic AI non si conta più di quanto si conti la generative AI. Nell'uso quotidiano quasi nessuno fa rispettare la distinzione tra AI agent e agentic AI, e quasi nulla si rompe per questo. Inizia a contare nel momento in cui vai oltre un singolo agent.

• Un agent: un modello, un insieme di tool, istruzioni e un loop. Questa è l'unità. La guida pratica di OpenAI alla costruzione di agent la descrive come un modello che gestisce l'esecuzione di un workflow con tool e guardrail.
• Più agent: un coordinatore che passa parti di un compito ad agent specializzati, ciascuno con i propri tool e il proprio contesto. Questo è un sistema multi-agent, ed è ancora agentic AI, solo in quantità maggiore.
• I subagent: la stessa idea dentro un singolo prodotto, usata soprattutto per tenere il lavoro secondario rumoroso fuori dal contesto principale, non per aggiungere autonomia.
• Agentic AI: l'ombrello sopra tutti e tre, più i workflow che stanno un gradino sotto la piena autonomia, su percorsi di codice predefiniti.

AI agents vs agentic AI e agentic AI vs AI agents sono la stessa domanda posta nelle due direzioni, e la risposta non si ribalta: una nomina le cose, l'altra nomina la categoria. Per un founder la traduzione pratica è brutale. Se qualcuno ti vende "agentic AI", chiedi quanti agent, quali tool tiene ciascuno e quali azioni girano senza un umano. Se la risposta è un chatbot con una knowledge base, ti hanno venduto generative AI con un branding migliore.

Dove si collocano LLM, RAG e predictive AI

Un LLM è il motore sotto tutto il resto, il RAG è un passo di retrieval che migliora quello che uno qualsiasi di questi sistemi sa, e la predictive AI è una famiglia separata e più vecchia che assegna punteggi o fa previsioni invece di generare. Nessuno dei tre è un concorrente dell'agentic AI, ed è per questo che ognuno di questi confronti si risolve in una questione di livelli invece che in un duello. Agentic AI vs LLM è il caso più chiaro: l'LLM è un componente dell'agent, quindi confrontarli è come confrontare un motore con un'automobile.

• Agentic AI vs LLM: l'LLM è il componente di ragionamento; l'agent è l'LLM più tool, un loop e il permesso di agire. Senza un modello sotto, nessun agent gira.
• RAG vs agentic AI: il RAG porta i documenti rilevanti dentro il prompt prima che il modello risponda, il che migliora quello che sa ma non quello che può fare. Un chatbot RAG resta generative AI.
• RAG vs agentic RAG: nell'agentic RAG è il modello a decidere quando e cosa recuperare, e può recuperare più volte. È quel loop decisionale a renderlo agentico, non il retrieval.
• Agentic AI vs generative AI vs predictive AI: i sistemi agentici restituiscono lavoro finito, i modelli generativi restituiscono contenuti, i modelli predittivi restituiscono un punteggio o un'etichetta che un agent può usare come tool.

Il Model Context Protocol, lo standard aperto che Anthropic ha rilasciato per collegare le applicazioni AI a sistemi esterni, vale la pena conoscerlo qui perché è l'impianto che trasforma la colonna centrale in quella di destra. MCP da solo non rende agentico un sistema; standardizza il modo in cui si collegano i tool di cui un agent ha bisogno, così lo stesso tool funziona in Claude, ChatGPT, VS Code e Cursor invece di essere ricostruito per ogni client.

Un esempio calcolato: lo stesso rimborso, in due modi

Prendi un compito reale, una cliente che chiede il rimborso di un ordine in ritardo, e fallo passare attraverso entrambe le architetture: la versione generativa costa una chiamata al modello e lascia cinque passi a un umano, la versione agentica costa sei chiamate al modello e quattro chiamate ai tool e lascia un passo a un umano. Niente qui richiede un modello migliore, perché entrambe le versioni usano lo stesso. L'unica cosa che cambia è cosa al modello è permesso toccare, e il calcolo qui sotto è tutto l'argomento agentic AI contro generative AI in un solo posto.

• Versione generativa, chiamate al modello: una. Incolli i dati dell'ordine e la policy di rimborso in una chat e chiedi una risposta per la cliente.
• Versione generativa, chiamate ai tool: zero. Il modello non ha accesso al sistema degli ordini, quindi può lavorare solo su quello che hai incollato.
• Versione generativa, passi umani: cinque. Cercare l'ordine, controllare lo stato del corriere, controllare la policy, emettere il rimborso nel sistema di pagamento, inviare il messaggio.
• Versione agentica, chiamate ai tool: quattro. Leggere il record dell'ordine, leggere il tracking del corriere, leggere la policy di rimborso, scrivere il rimborso nel sistema di pagamento.
• Versione agentica, chiamate al modello: sei. Una per pianificare, una dopo ciascuno dei quattro risultati dei tool, una per scrivere il messaggio finale alla cliente.
• Versione agentica, passi umani: uno. Approvare o rifiutare prima che parta il tool di pagamento, l'unico passo in cui un'azione sbagliata costa denaro vero.

In sintesi: cinque decisioni umane diventano una, zero scritture di sistema diventano una, e il prezzo sono cinque chiamate al modello in più oltre al lavoro di ingegneria per dare al modello quattro tool in sicurezza. A mille rimborsi al mese lo scambio conviene chiaramente, a tre chiaramente no. Anthropic fa lo stesso ragionamento in termini generali, notando che i sistemi agentici scambiano latenza e costo per prestazioni migliori sul compito e che ottimizzare singole chiamate al modello con retrieval e buoni esempi di solito basta. Il volume al quale lo scambio si ribalta è il numero che dovresti calcolare prima di costruire qualsiasi cosa.

Quando la generative AI è la risposta giusta, non l'agentic AI

La generative AI è la risposta giusta ogni volta che il compito è un passo solo, l'output è testo che un umano avrebbe letto comunque, e un'azione sbagliata costerebbe più di una bozza sbagliata. Questo copre molto più lavoro reale di quanto l'ondata di annunci attuale lasci pensare, e generative vs agentic AI è una decisione di volume e di verificabilità, non una gara di sofisticazione. L'indicazione di Anthropic è di trovare la soluzione più semplice possibile e aumentare la complessità solo quando serve, e dice chiaramente che questo può voler dire non costruire affatto sistemi agentici. Gartner ha previsto in un comunicato stampa di giugno 2025 che più del 40 per cento dei progetti di agentic AI verrà cancellato entro la fine del 2027, citando costi in crescita, valore di business poco chiaro e controlli del rischio inadeguati. L'eccesso di ambizione, non la mancanza di capacità, è il modo in cui la maggior parte dei builder fallisce davvero.

• Resta generativo quando non esiste un modo affidabile di controllare il risultato in automatico. Un agent senza un passo di verifica è un loop che ripete con sicurezza i propri errori.
• Resta generativo quando l'azione è irreversibile ed è economica da fare a mano. Inviare denaro, cancellare dati e scrivere ai clienti sono pessimi primi candidati per l'autonomia.
• Resta generativo quando il volume è basso. Sei chiamate al modello e un'integrazione di tool per risparmiare quattro minuti a settimana sono un hobby, non un'automazione.
• Resta generativo quando il processo non è scritto da nessuna parte. Non puoi dare a un agent una definizione di finito che tu stesso non sai enunciare, e un obiettivo poco chiaro è esattamente il posto in cui gli agent bruciano token senza arrivare da nessuna parte.
• Passa all'agentico quando il compito si ripete, i sistemi hanno delle API, la definizione di finito è controllabile da uno script e il raggio d'impatto di un'azione sbagliata è piccolo o reversibile.

Il codice è il caso più netto in cui tutte e quattro le condizioni valgono insieme, ed è per questo che i coding agent sono maturati per primi: i tool sono file e una shell, la definizione di finito è una suite di test che passa, e una modifica sbagliata è a un git revert di distanza. Se vuoi sentire la differenza tra le due architetture invece di leggerne, questo è il posto più economico da cui partire.

Cosa dovresti costruire

Costruisci generative AI quando il risultato è una bozza che un umano controllerà, e costruisci agentic AI solo quando il compito ha una definizione di finito controllabile, tool che raggiungono ogni sistema coinvolto e un raggio d'impatto con cui puoi convivere. Quelle tre condizioni sono tutta la decisione, e il confronto qui sotto non porta nessun fatto che non sia già sopra.

• Generative AI: usala per bozze, riassunti, frammenti di codice e risposte. Modo di fallire: un paragrafo sbagliato. Ruolo umano: leggere l'output e agire di conseguenza.
• AI agent: usalo per un compito ripetitivo a più passi con tool e un risultato controllabile. Modo di fallire: un'azione sbagliata che si amplifica. Ruolo umano: approvare i passi rischiosi e verificare il risultato.
• Agentic AI: usala quando più compiti di questo tipo vanno coordinati tra sistemi diversi. Modo di fallire: costo e cancellazione, il rischio del 40 per cento di Gartner. Ruolo umano: progettare obiettivi, tool e guardrail.
• Predictive AI: usala per punteggi e previsioni su dati strutturati. Modo di fallire: un numero sbagliato. Ruolo umano: agire sul punteggio, o passarlo a un agent come tool.

Se sei un founder solo con un prodotto che funziona, aggiungi tool a un singolo workflow ristretto che già fai a mano ogni giorno e tieni il passo di approvazione; quello è un AI agent ed è abbastanza. Se guidi un piccolo team operativo, parti dal processo che è già scritto come checklist, perché una checklist è una definizione di finito rispetto a cui un agent può essere misurato. Se stai valutando un fornitore, ignora del tutto la parola agentico e chiedi quali azioni girano senza un umano, cosa possono raggiungere quelle azioni e cosa succede quando una di esse sbaglia.

I corsi gratuiti di Agentic School prendono esattamente questo loop, obiettivo, tool, verifica, e ti accompagnano a costruirlo da solo.

Domande frequenti

Continua a imparare