Il glossario degli agenti AI: 60 termini AI spiegati in parole semplici (2026)

Ogni pagina prodotto sull'AI ormai si legge come un dettato di parole difficili: agentico, MCP, RAG, context window, tool calling, guardrail, orchestrazione. Le idee dietro queste parole sono per lo più semplici, ma nessuno le spiega tutte in un solo posto, ed è questo vuoto il motivo per cui tante persone "usano l'AI" senza mai affidarle un lavoro vero.

Questo glossario AI risolve il problema. Copre 60 termini che incontrerai leggendo di agenti AI, grandi modelli linguistici e automazione nel 2026, raggruppati per tema e spiegati in parole semplici con un esempio concreto. Salvalo nei preferiti, condividilo con il tuo team, e usalo insieme alle nostre guide su cos'è l'AI agentica e su come funzionano i subagenti AI. Dove un termine è rilevante per usare Jobbit, lo segnaliamo.

Concetti di base: le parole che usano tutti

• Intelligenza artificiale (AI): software che svolge compiti che normalmente richiedono intelligenza umana, come capire il linguaggio, riconoscere le immagini o prendere decisioni. Nel 2026 il termine si riferisce per lo più a sistemi costruiti su grandi modelli linguistici.

• Machine learning (ML): la tecnica di addestrare il software su esempi invece di scrivere regole esplicite. Un filtro antispam impara da milioni di email etichettate; non gli viene detta ogni regola a mano.

• Deep learning: machine learning che usa reti neurali con molti livelli. È ciò che ha reso possibili il riconoscimento delle immagini, il parlato e i modelli linguistici moderni.

• AI generativa: AI che crea contenuti nuovi, testo, immagini, codice, audio o video, a partire da un prompt. ChatGPT, Claude, Gemini e Midjourney sono prodotti di AI generativa.

• Large language model (LLM): una rete neurale addestrata su enormi quantità di testo che prevede il token successivo in una sequenza e, così facendo, impara a ragionare, scrivere e seguire istruzioni. GPT, Claude, Gemini, Llama, DeepSeek e Mistral sono famiglie di LLM.

• Foundation model: un grande modello addestrato su dati ampi che può essere adattato a molti compiti. Gli LLM sono foundation model per il linguaggio; esistono equivalenti per immagini e video.

• Modello multimodale: un modello che comprende e produce più di un tipo di input, tipicamente testo, immagini, audio e talvolta video. I modelli multimodali permettono a un agente di leggere uno screenshot o una fattura scansionata.

• Prompt: l'istruzione che dai a un modello. Fare un buon prompt è un'abilità; vedi come scrivere prompt per gli agenti AI.

• System prompt: istruzioni nascoste impostate da chi costruisce il prodotto che modellano il comportamento del modello in ogni conversazione: il suo ruolo, il tono, le regole e gli strumenti.

• Inferenza: l'atto di eseguire un modello addestrato per produrre una risposta. L'addestramento avviene una volta; l'inferenza avviene ogni volta che invii un messaggio, ed è quella che paghi.

Come pensano i modelli: token, contesto e ragionamento

• Token: l'unità che i modelli leggono e scrivono, all'incirca tre quarti di una parola inglese. Prezzi, limiti e velocità si misurano tutti in token. "Un milione di token" equivale a circa 750.000 parole.

• Context window: la quantità di testo che un modello può considerare contemporaneamente, inclusa la tua conversazione, i documenti e la risposta stessa del modello. Finestre più ampie permettono a un agente di tenere a mente un intero codebase o un contratto di cento pagine.

• Context engineering: l'arte di decidere cosa entra nella context window: quali documenti, esempi, risultati degli strumenti e memorie, così il modello ha ciò di cui ha bisogno e niente che lo distragga. Ha in gran parte sostituito il "prompt engineering" come abilità importante nella progettazione degli agenti.

• Reasoning model: un modello addestrato a "pensare" prima di rispondere, producendo passaggi intermedi che migliorano l'accuratezza su matematica, codice e pianificazione. Le modalità di ragionamento costano più token ma rendono gli agenti molto più affidabili.

• Chain of thought: il ragionamento passo dopo passo che un modello scrive esplicitamente prima di arrivare a una risposta. I reasoning model lo fanno in modo nativo; ai modelli più vecchi si può chiedere di farlo con il prompt.

• Temperature: un'impostazione che controlla la casualità. Una temperature bassa dà un output coerente e prevedibile; una più alta dà un output più vario e creativo.

• Allucinazione: un'affermazione sicura ma falsa da parte di un modello, come una citazione inventata o una funzione di prodotto inesistente. Gli agenti riducono le allucinazioni controllando le fonti e testando i risultati invece di fidarsi di un'unica risposta.

• Grounding: ancorare la risposta di un modello a dati reali, documenti, risultati di ricerca o output di strumenti, così riporta ciò che c'è davvero invece di ciò che suona plausibile.

• Fine-tuning: addestrare ulteriormente un modello sui tuoi esempi così adotta uno stile, un formato o una conoscenza di dominio. Utile per compiti ristretti; di solito non necessario per gli agenti, che ottengono le loro conoscenze da strumenti e contesto.

• Retrieval-augmented generation (RAG): recuperare i documenti rilevanti al momento della domanda e inserirli nella context window così il modello risponde a partire dai tuoi dati. È così che funzionano i prodotti "chatta con i tuoi documenti".

• Embedding: rappresentazioni numeriche del testo che catturano il significato, così i passaggi simili finiscono vicini tra loro. Gli embedding alimentano la ricerca semantica e il RAG.

• Vector database: un database ottimizzato per memorizzare e cercare embedding. Pinecone, Weaviate, pgvector e Chroma sono scelte comuni.

• Knowledge cutoff: la data oltre la quale un modello non ha dati di addestramento. Gli agenti la aggirano cercando sul web e leggendo fonti attuali.

Agenti: il vocabolario dell'autonomia

• Agente AI: software che usa un modello più strumenti per portare a termine compiti in autonomia: pianifica, agisce, osserva i risultati e si adatta. L'argomento della maggior parte di questo glossario.

• AI agentica: l'approccio più ampio di costruire sistemi AI orientati all'obiettivo, che usano strumenti, spesso con più agenti che lavorano insieme. Spiegato per intero in cos'è l'AI agentica?.

• Assistente AI / copilot: un aiuto simile a un agente che resta sotto il tuo controllo diretto, suggerendo invece di agire. GitHub Copilot nell'editor è l'esempio classico; la "modalità agente" è quando un copilot diventa un agente.

• Autonomia: quanto un agente fa senza chiedere. I sistemi utili scalano l'autonomia in base alla reversibilità dell'azione: scrivi bozze liberamente, spendi solo con approvazione.

• Tool use / function calling: il meccanismo con cui un modello chiama il software: cercare sul web, eseguire codice, interrogare un database, inviare un'email. Gli strumenti trasformano un chatbot in un agente.

• Model Context Protocol (MCP): uno standard aperto, introdotto da Anthropic, per collegare i modelli a strumenti e fonti di dati in modo coerente. Pensalo come una presa universale per gli agenti; il supporto si è diffuso sulle principali piattaforme AI nel corso del 2025 e del 2026.

• Agent-to-agent protocol (A2A): uno standard perché agenti di fornitori diversi si scoprano e comunichino tra loro, proposto da Google. Insieme a MCP indica una direzione in cui gli agenti collaborano tra aziende diverse.

• Orchestrazione: coordinare più passaggi, strumenti o agenti in un unico flusso di lavoro: decidere cosa viene eseguito, in quale ordine, e cosa succede in caso di fallimento.

• Sistema multi-agente: più agenti con ruoli diversi che lavorano su un obiettivo comune, tipicamente un agente capofila che pianifica e delega più agenti specialisti che fanno ricerca, costruiscono o verificano.

• Subagente: un agente generato da un altro agente per gestire una parte di un lavoro in parallelo. Jobbit usa i subagenti per fare ricerca su molte fonti o per costruire e testare più funzionalità contemporaneamente; vedi i subagenti AI spiegati.

• Planner: la parte di un agente che scompone un obiettivo in passaggi e rivede il piano man mano che arrivano i risultati.

• Memoria: ciò che un agente conserva oltre un singolo messaggio. La memoria a breve termine è il contesto attuale; la memoria a lungo termine conserva preferenze, decisioni passate e informazioni su di te così l'agente migliora nel tempo.

• Agent loop: il ciclo ripetuto di pianifica, agisci, osserva, correggi che gira finché l'obiettivo non è raggiunto o l'agente non ha bisogno di una decisione.

• Human in the loop: un progetto in cui una persona rivede o approva certi passaggi, come inviare un'email a un cliente o effettuare un pagamento.

• Computer use / agente browser: un agente che opera il software guardando lo schermo e cliccando e digitando come farebbe una persona, il che gli permette di lavorare con strumenti privi di API. Spiegato in gli agenti AI computer use.

• Deep research: un flusso di lavoro agentico in cui l'agente legge decine di fonti, verifica incrociando le affermazioni e produce un report con le fonti citate. Vedi come condurre ricerche approfondite con l'AI.

• Workflow automation: sequenze di azioni predefinite e basate su regole tra app, il territorio di Zapier, Make e n8n. Gli agenti aggiungono giudizio ai flussi di lavoro; confrontiamo i due approcci in Zapier contro Make contro n8n contro gli agenti AI.

• Agente AI multifunzione: un solo agente che gestisce molti tipi di lavoro, ricerca, scrittura, costruzione di software, design, automazione, da un'unica chat, invece di uno strumento separato per ciascuno. Jobbit è costruito così.

Costruire software con l'AI

• Vibe coding: costruire software descrivendo ciò che vuoi in linguaggio naturale e lasciando che un agente AI scriva, esegua e corregga il codice, giudicando il risultato da come si comporta invece che leggendo ogni riga. Guida completa: cos'è il vibe coding?.

• AI app builder: un prodotto che trasforma una descrizione in un'applicazione funzionante, spesso con l'hosting incluso. Lovable, Bolt, v0, Replit e Jobbit sono esempi; confrontati in i migliori strumenti di vibe coding.

• Coding agent: un agente che lavora dentro un codebase: legge file, scrive codice, esegue test e corregge gli errori. Claude Code, OpenAI Codex, la modalità agente di Cursor e Devin sono coding agent.

• No-code / low-code: strumenti visuali per costruire software senza (o con poca) programmazione, come Bubble, Webflow, Airtable e Retool. Il confronto con il vibe coding è trattato in vibe coding contro no-code contro low-code.

• Sandbox: un ambiente isolato in cui un agente può eseguire codice in sicurezza senza toccare i tuoi sistemi reali. Essenziale per qualsiasi agente che esegue codice.

• Deployment: mettere il software online su un server così le persone possono usarlo. Gli agenti che pubblicano al posto tuo, con l'hosting incluso, eliminano il passaggio che ferma la maggior parte di chi non è sviluppatore.

• API (application programming interface): il modo strutturato in cui un software parla con un altro. Gli agenti usano le API per leggere e modificare dati in altri sistemi.

• Webhook: un messaggio che un sistema invia a un altro quando succede qualcosa ("nuovo ordine effettuato"), usato comunemente per attivare automazioni.

• MVP (minimum viable product): la versione più piccola di un prodotto che permette a utenti reali di provarlo. Gli agenti hanno compresso i tempi degli MVP da mesi a giorni; vedi come costruire un SaaS con l'AI.

• Debito tecnico: scorciatoie nel codice che rendono i cambiamenti futuri più lenti e rischiosi. Il codice generato dall'AI lo accumula in fretta se nessuno rivede la struttura, uno dei rischi trattati in errori e sicurezza nel vibe coding.

Sicurezza, qualità e fiducia

• Guardrail: regole e controlli che limitano cosa un agente può fare o dire: azioni bloccate, tetti di spesa, filtri sui contenuti, approvazioni richieste.

• Prompt injection: un attacco in cui il testo letto dall'agente (una pagina web, un'email, un documento) contiene istruzioni pensate per dirottarlo. Gli agenti robusti trattano tutto ciò che leggono come dati, mai come comandi.

• Alignment: lo sforzo ampio di far comportare i modelli in linea con le intenzioni e i valori umani, dal rifiutare richieste dannose al seguire fedelmente le istruzioni.

• Evaluation (eval): test sistematici della qualità di un modello o di un agente su un insieme fisso di compiti. I team seri eseguono eval prima di affidare un flusso di lavoro a un agente.

• Benchmark: una valutazione pubblica usata per confrontare i modelli, come SWE-bench per i compiti di ingegneria del software. Segnali utili, ma le prestazioni nel mondo reale sul tuo compito contano di più.

• Observability: registrare cosa ha fatto un agente, quali strumenti ha chiamato e perché, così puoi verificare i risultati e correggere i fallimenti.

• Red teaming: attaccare deliberatamente un modello o un agente per trovarne le debolezze prima che lo faccia qualcun altro.

• Residenza dei dati e privacy: dove sono conservati i tuoi dati e chi può vederli. Controlla se un fornitore di AI addestra i propri modelli sui tuoi input, e dove si trovano i suoi server, prima di caricare qualsiasi cosa sensibile.

Termini di business e prezzi

• Crediti: la valuta d'uso che molte piattaforme di agenti vendono al posto dei token grezzi, così un credito potrebbe coprire un messaggio, un passaggio di build o una sessione di ricerca. Leggi con attenzione il tasso di conversione; lo analizziamo in quanto costano gli agenti AI?.

• Rate limit: il tetto a quante richieste o token puoi usare in un periodo. Raggiungerlo a metà di un compito è il motivo più comune per cui l'esecuzione di un agente si blocca.

• Latenza: quanto tempo richiede una risposta. Gli agenti scambiano latenza per accuratezza: una ricerca di due minuti batte un'ipotesi di due secondi.

• Prezzi a postazione contro prezzi a consumo: pagare per utente al mese contro pagare per ciò che consumi. I prodotti ad agenti mescolano sempre di più i due modelli.

• ROI dell'automazione: il ritorno di un'automazione, di solito misurato in ore risparmiate, tempi di risposta più rapidi o fatturato influenzato, a fronte del costo dello strumento e del tempo per configurarlo.

• Digital worker / dipendente AI: linguaggio di marketing per un agente di livello 4 che possiede un ruolo invece di un compito. Tratta la frase con lo stesso scetticismo che applicheresti a un CV.

Domande frequenti

Qual è la differenza tra un agente AI e un LLM?

Un LLM è il modello che legge e scrive testo. Un agente AI è un sistema costruito attorno a un modello che aggiunge pianificazione, strumenti, memoria e un ciclo di feedback così può portare a termine compiti invece di limitarsi a rispondere a domande. L'LLM è il motore; l'agente è l'automobile.

Cosa significa MCP nell'AI?

MCP sta per Model Context Protocol, uno standard aperto per collegare i modelli AI a strumenti e fonti di dati in modo coerente. Invece che ogni prodotto costruisca integrazioni su misura, gli strumenti espongono un server MCP e qualsiasi agente compatibile può usarli.

Cos'è una context window e perché è importante?

La context window è quanto testo un modello può considerare contemporaneamente, misurato in token. È importante perché tutto ciò che l'agente sa sul lavoro in corso, le tue istruzioni, i documenti, i risultati degli strumenti, deve entrarci dentro. Finestre più grandi permettono agli agenti di gestire codebase più grandi e documenti più lunghi.

Qual è la differenza tra RAG e fine-tuning?

Il RAG recupera i documenti rilevanti al momento della domanda e li fornisce al modello, così risponde a partire da dati attuali senza un nuovo addestramento. Il fine-tuning cambia il modello stesso addestrandolo su esempi, il che si adatta a stili o formati fissi. Per la maggior parte delle aziende il RAG più buoni strumenti bastano, e gli agenti rendono entrambi meno necessari semplicemente leggendo la fonte.

Cos'è il vibe coding in una frase?

Il vibe coding è costruire software descrivendo ciò che vuoi e lasciando che un agente AI scriva, esegua e corregga il codice, così giudichi il risultato da come si comporta l'app invece che leggendo ogni riga.

Ora che il vocabolario ha senso, mettilo al lavoro: inizia gratis su Jobbit e affida a un agente un lavoro che vale la pena fare.