3.7 — Quando NON fare multi-agente ⚖️

Il multi-agente impressiona, ma non è un interruttore da attivare per riflesso.

🟢 In parole semplici — aggiungere agenti non significa “più cervelli = meglio”. Ogni agente costa token (le unità di testo che l’IA fattura — quindi denaro e tempo), e più sono, più possono ostacolarsi a vicenda. La regola: si inizia semplice, si complica solo se il compito lo esige davvero.

• Costa caro. Un solo agente consuma già ~4× più token di una semplice chat; un sistema multi-agente, ~15× (a volte molto di più). Più agenti = più chiamate = più costo e latenza.
• Può degradare la qualità. Sui compiti sequenziali, il coordinamento crea errori. Anthropic ha misurato un calo di prestazioni del ~35% quando un modello è messo in configurazione multi-agente su un compito di pianificazione (misurato su un caso specifico — un ordine di grandezza, non una legge universale; lo stesso vale per i ~4×/~15× sopra).
• La regola pro: inizia con un solo agente ben progettato. Passa al multi-agente solo quando il compito è ampio e parallelizzabile (es. fare ricerche su 10 argomenti in parallelo), non quando è una semplice sequenza di passi.

Consiglio

🎯 Da ricordare: “un solo agente fatto bene” batte “cinque agenti mal coordinati” nella maggior parte dei casi reali. Il multi-agente è uno strumento da specialista, non un riflesso.

❓ Verifica di aver capito — “più agenti si mettono, migliore è il risultato.” Vero o falso?

Vedi la risposta

Falso. Il multi-agente costa molto di più (~15× i token di una chat semplice) e può degradare i compiti sequenziali (Anthropic ha misurato −35% su un compito di pianificazione). Lo si riserva ai compiti ampi e parallelizzabili.

✅ In sintesi

• Il multi-agente è caro (~15× i token) e più lento.
• Sui compiti sequenziali, può degradare la qualità (−35% misurato).
• Regola pro: iniziare con un solo agente; passare al multi-agente solo se il compito è ampio e parallelizzabile.