Gli Agenti sul lavoro sono la tecnologia più utile che oggi abbiamo a disposizione. In Youpiter e in Oblique per esempio ne abbiamo sviluppati diversi che ci permettono di fare in poche ore attività che un tempo avrebbero richiesto settimane di lavoro.
Ma c’è un problema: gli Agenti veri e propri sono complessi da costruire – servono competenze di sviluppo codice – e costosi da usare – se basati su un modello come Claude Opus 5 o simili consumano tanti token.
Però non dobbiamo necessariamente avere Agenti completi per tutto quello che facciamo. Spesso basta usare strumenti come ChatGPT o Claude in maniera agentica. E quindi cambiare il come non il cosa. Cambiare il modo in cui lavoriamo e non lo strumento che usiamo.
Al posto di creare Agenti in grado di lavorare sempre in autonomia, collegandosi a diverse app e ad altri sub-agenti, possiamo creare Agenti più accessibili, che potremmo chiamare “Light Agent” e che orchestriamo noi manualmente ma che ci permettono comunque di automatizzare alcune parti del nostro lavoro.
Già oggi per costruire un “Light Agent” abbiamo diverse possibilità no-code (senza scrivere una riga di codice).
4 Modi + 1 per costruire un Light Agent
Claude Managed Agents
Una soluzione completa e flessibile che permette di creare agenti integrati con skill, tool e MCP. Integrandolo con Zapier possiamo anche collegare più di 9.000 app. Lo svantaggio è che non è all’interno di Claude e quindi va usato con le API attraverso la piattaforma di Anthropic.
ChatGPT Workspace Agents
Con Agents integrato in ChatGPT (se non sbaglio solo nella versione Business) possiamo creare facilmente Agenti molto potenti che integrano app, file, skill, MCP. Il limite principale è che consumano crediti, soprattutto se usiamo un’automazione.
Zapier Agents
Questa funzione di Zapier è perfetta per automatizzare workflow tra migliaia di applicazioni senza programmare. Il costo dipende dal numero di attività eseguite, ma già con l’abbonamento base di Zapier da 20 dollari al mese si possono fare dei piccoli Agenti.
Claude Code
Claude lavora direttamente su file e cartelle locali, con skill e MCP. Quindi possiamo avere un approccio molto pratico, ma se lo usiamo sul lavoro spesso è limitato dalle policy IT aziendali.
Projects
C’è poi un quinto modo ancora più leggero per costruire un Light Agent: usare i Progetti di ChatGPT o Claude per simulare un processo agentico.
Tecnicamente non costruiamo un Agente autonomo. Siamo noi a fare da orchestratore, decidendo quando attivare i diversi ruoli e trasferendo gli output da una fase all’altra. Però abbiamo già molti degli ingredienti che servono.
I Project infatti possono contenere chat, file e istruzioni condivise e, se non sbaglio, dovrebbero essere disponibili anche nella versione gratuita, anche se 20 dollari al mese per la versione Plus valgono tutti.
Costruire un Light Agent usando i Project è tecnicamente molto semplice: basta cliccare sul pulsante “Projects” nella barra laterale di ChatGPT, poi sul pulsante Nuovo e quindi dare al progetto un nome e delle istruzioni. Una volta attivo, possiamo mettere le nostre chat.
La vera sfida è cambiare la mentalità con cui ci approcciamo all’IA. Passare da un approccio interattivo: Io chiedo → la macchina risponde → io chiedo → la macchina risponde. A un approccio agentico: Costruisco processi e sub-agenti → la macchina lavora → io controllo il risultato.
La mentalità per costruire un Light Agent
99% organizzazione, 1% esecuzione
Quando costruiamo un sistema di questo tipo, la parte più lunga avviene prima di aprire ChatGPT. In questa fase dobbiamo organizzare tutto il materiale che ci serve:
- Istruzioni (prompt): lunghi e dettagliati prompt con cui spieghiamo cosa deve fare il sistema, quali passaggi deve seguire, quali decisioni può prendere, quali regole deve rispettare e quale risultato consideriamo corretto.
- Conoscenza (knowledge base): documenti aziendali, esempi, articoli, cataloghi, linee guida, ricerche, archivi, FAQ, procedure. Tutto ciò che l’IA deve conoscere per poter lavorare bene.
- Competenze (skill): procedure riutilizzabili in cui indichiamo all’IA come fare qualcosa. Per esempio come scrivere con il nostro stile, o come correggere un testo, come analizzare un contratto, come preparare un report, come controllare una fonte o come applicare un determinato metodo.
Quando scriviamo prompt dettagliati, aggiungiamo documenti, mostriamo esempi e definiamo procedure, stiamo poco alla volta trasferendo parte del nostro modo di lavorare dentro il sistema. Da questo punto di vista, costruire un Light Agent è anche un esercizio molto utile per capire come lavoriamo noi.
Pensare come un programmatore senza essere programmatori
Questo è utile perché l’IA è una macchina, se parliamo il suo stesso linguaggio funziona meglio. In una lezione di Claude Per Tutti, Danilo Lapegna riassume in quattro punti cosa voglia dire “pensare come uno sviluppatore”:
- Modularità: ogni elemento deve avere uno scopo preciso. Un documento contiene le istruzioni editoriali. Un altro il tono di voce. Un altro ancora la procedura per verificare le fonti.
- Single Source of Truth: per ogni informazione importante dovrebbe esistere una sola fonte ufficiale. Un solo file. Non tanti file con piccole differenze tra loro.
- Versioning: in pratica conserviamo tutte le versioni precedenti chiamandole con il numero della versione. Esempio: Prompt-Long-Form-v1.md – Prompt-Long-Form-v2.md – Prompt-Long-Form-current.md…
- Riuso: Se abbiamo scritto bene una procedura una volta, possiamo utilizzarla in molti sistemi diversi. Una skill per verificare le fonti può servire a un Agente che scrive articoli, a uno che prepara report e a uno che costruisce presentazioni.
Non usare ChatGPT come Google
Ovvero andare oltre il prompt da una riga. I prompt possono essere lunghi anche diverse pagine. È un tema di mentalità e delega. Se usiamo ChatGPT come Google stiamo usando una nuova tecnologia con una vecchia mentalità. Usare bene ChatGPT vuol dire essere in grado di delegare alla macchina attività dando indicazioni chiare e comprensibili.
Come costruire un Light Agent con i Projects di ChatGPT
Ipotizziamo di voler costruire un sistema che, partendo dalle informazioni su un potenziale cliente, produca una proposta commerciale personalizzata.
1. Disegniamo prima il processo
Prima di creare il Project definiamo il flusso di lavoro. Per esempio: Brief sul cliente → ricerca → analisi dei bisogni → proposta → revisione critica → versione finale
Ogni passaggio dovrebbe avere un input e un output riconoscibili. Se in un punto serve una decisione umana, come scegliere quale soluzione proporre o approvare una condizione economica, la inseriamo esplicitamente nel processo.
Questo passaggio è importante perché il Light Agent non nasce dalle chat, ma dal processo che decidiamo di distribuire tra le chat.
2. Organizziamo i file
Possiamo costruire prima la struttura in una normale cartella sul computer:
SALES-AGENT/
│
├── MASTER/
│ └── Istruzioni-Master.md
│
├── SOURCES/
│ ├── Servizi.md
│ ├── Case-Study.md
│ ├── FAQ.md
│ └── Profilo-Aziendale.md
│
├── SKILLS/
│ └── Revisione-Proposta.md
│
├── TASKS/
│ ├── Ricerca-Cliente.md
│ ├── Analisi-Bisogni.md
│ ├── Generazione-Proposta.md
│ └── Revisione-Finale.md
│
└── OUTPUT/La struttura può essere completamente diversa. Conta soprattutto la separazione tra contesto generale, fonti, procedure e attività specifiche. Ogni file dovrebbe avere uno scopo preciso.
3. Scriviamo le istruzioni Master
Le istruzioni Master definiscono il contesto comune a tutto il sistema. Nel nostro esempio possono contenere il posizionamento dell’azienda, i servizi offerti, il tipo di clienti, il tono da utilizzare, le regole commerciali e il modo in cui devono essere trattate le fonti.
Queste informazioni possono diventare le Project Instructions.
Il Master non deve descrivere nel dettaglio ogni singola attività. Deve stabilire le regole e il contesto entro cui lavoreranno tutte le chat del Project.
4. Costruiamo la Knowledge Base
Nelle “Sources” del Project carichiamo le informazioni che serviranno più volte: descrizioni dei servizi, case study, FAQ, documentazione aziendale, esempi di proposte precedenti e altre fonti utili.
L’obiettivo è evitare di ricostruire lo stesso contesto in ogni nuova conversazione.
Conviene distinguere le Sources, cioè le informazioni a cui il sistema può attingere, dalle Instructions, che spiegano invece come svolgere un determinato lavoro.
5. Creiamo chat specializzate
A questo punto possiamo creare diverse chat nello stesso Project, ciascuna con un compito preciso. Per esempio:
- RESEARCH – CLIENTE raccoglie e organizza le informazioni sull’azienda da contattare.
- ANALYST – BISOGNI parte dalla ricerca e identifica problemi, priorità e possibili opportunità.
- SALES – PROPOSTA usa l’analisi e la Knowledge Base per costruire una proposta coerente con i servizi disponibili.
- REVIEWER – PROPOSTA cerca punti deboli, affermazioni poco supportate, passaggi generici o promesse eccessive.
Le chat condividono lo stesso Project e la stessa Knowledge Base, ma ricevono istruzioni operative diverse. In pratica utilizziamo lo stesso contesto per creare ruoli specializzati.
6. Facciamo noi da orchestratore
Il passaggio tra una chat e l’altra rimane manuale. Possiamo prendere il risultato della ricerca e portarlo all’Analyst, passare l’analisi alla chat che genera la proposta e infine inviare la bozza al Reviewer.
Per le attività più importanti conviene fornire esplicitamente il materiale che deve essere elaborato, soprattutto quando esistono più versioni dello stesso documento. In questo modo non dipendiamo dalla capacità del sistema di capire da solo quale output precedente intendiamo utilizzare.
Rispetto a un agente completamente autonomo perdiamo automazione, ma guadagniamo controllo, trasparenza e facilità di modifica. Per molti processi questo compromesso è più che sufficiente.
7. Miglioriamo (ed esportiamo) il sistema
Quando un output non funziona, possiamo correggerlo direttamente. Ma è più utile chiederci anche perché non ha funzionato.
Forse manca una regola nelle istruzioni Master, una procedura è troppo vaga, una Source contiene informazioni insufficienti oppure la chat specializzata ha bisogno di un esempio migliore. Correggendo questi elementi miglioriamo non soltanto l’output corrente, ma anche quelli successivi.
Questo è uno dei vantaggi principali del Light Agent: prompt, procedure, skill e Knowledge Base possono vivere sia dentro ChatGPT sia in normali file locali. Il sistema rimane quindi leggibile, modificabile e in buona parte portabile.
Se un giorno decidiamo di usare un altro modello – per esempio passiamo da ChatGPT a Claude – possiamo trasferire buona parte di questa struttura.
Se invece decidiamo di trasformare il Light Agent in un agente realmente autonomo, gran parte del lavoro concettuale è già stata fatta.