Una catena di cinque agenti, ognuno affidabile al 90%, non è affidabile al 90%. È affidabile al 59%: gli errori si moltiplicano a ogni passaggio, non si annullano.
È il punto che l’immagine della squadra di specialisti lascia fuori. Aggiungere un ruolo — un critico, un revisore, un secondo redattore — sembra sempre un guadagno, perché è così che ragionano i team umani. Ma sotto ogni ruolo c’è lo stesso modello: un backstory da detective non lo rende migliore nel recupero delle informazioni, cambia solo il prompt.
A determinare la qualità di una pipeline non è il numero di agenti. È cosa sopravvive nel punto di contatto tra uno e l’altro: quanto contesto resta dopo l’handoff, e se l’output di un passaggio è verificabile prima di diventare l’input del successivo.
Da qui il criterio per decidere se aggiungere un ruolo: quel passaggio è controllabile da solo? Se la sua uscita ha un riscontro oggettivo — compila, il test passa, il numero torna — l’agente in più tronca la propagazione dell’errore e si ripaga. Se è un altro modello che commenta il precedente senza alcun riscontro esterno, stai aggiungendo latenza e token, e a volte amplifichi un errore detto con sicurezza.
Il multi-agente conviene in due casi: sottotask indipendenti che girano in parallelo, o un controllo oggettivo tra un passo e l’altro. Fuori da lì, una catena di agenti è un solo modello che parla con sé stesso, più lentamente.
