Servizi di sviluppo AI agent per team operativi e di prodotto USA e UE

L'impostazione predefinita è una singola chiamata LLM. Si passa a un agent solo quando il task ha tre caratteristiche: richiede più chiamate agli strumenti il cui ordine non può essere codificato, opera su uno stato che cambia tra un turno e l'altro, e il criterio di successo è abbastanza verificabile da consentire all'agent di auto-correggersi. Il triage del supporto clienti raramente richiede un agent; i workflow operativi che toccano quattro API interne in un ordine diverso ogni volta, spesso sì. Rifiutiamo i progetti di agent in cui una pipeline deterministica più una chiamata LLM richiederebbe la metà del tempo e un quarto dei bug.

Dipende dal carico di lavoro. LangGraph per agent stateful con flusso di controllo ramificato e checkpoint umani — il grafo esplicito vale il suo peso quando si esegue il debug alle 2 di notte. CrewAI o AutoGen quando la collaborazione multi-agent è il pattern reale (raro). OpenAI Assistants quando il carico di lavoro è strettamente legato al formato degli strumenti OpenAI e non si ha bisogno di portabilità. Temporal o Inngest quando l'agent è in realtà un workflow durevole con passi LLM all'interno. Vercel AI SDK per frontend Next.js con utilizzo semplice degli strumenti. La scelta è basata sull'adesione operativa, non sulle preferenze del vendor.

Tre controlli. Budget fissi di token e dollari per task a livello di orchestrazione — l'agent si ferma con un errore chiaro prima di eseguire 40 iterazioni sulla vostra fattura OpenAI. Validazione delle chiamate agli strumenti a livello di passo tramite Pydantic, così gli argomenti non validi vengono catturati prima della chiamata API, non dopo. Checkpoint human-in-the-loop per azioni irreversibili (invio e-mail, pubblicazione in produzione, addebito su carta). L'osservabilità tramite Langfuse, Helicone o Arize registra ogni passo, ogni chiamata agli strumenti, ogni token. Gli alert sui costi scattano sull'orchestratore, non sulla dashboard che si controlla il lunedì.

La memoria è tre cose, non una. A breve termine: il buffer della conversazione corrente, riassunto quando supera il budget di contesto. Episodica a lungo termine: fatti che l'agent ha appreso sull'utente o sul task, archiviati in un vector store con richiamo semantico (pgvector o Weaviate). Semantica a lungo termine: il corpus da cui l'agent recupera le informazioni, trattato come un sottosistema RAG. Dimensioniamo esplicitamente ogni livello perché inserire tutto ingenuamente nella finestra di contesto costa da cinque a dieci volte di più per richiesta e degrada la qualità. Il costo della memoria per agent è tipicamente dal 30 al 60 percento del costo LLM quando progettato; 300 percento quando non lo è.

Checkpoint a livelli. Livello 1 (autonomo): azioni di sola lettura, nessun gate umano. Livello 2 (revisione asincrona): un essere umano vede e può ripristinare entro una finestra temporale, ma l'agent non si blocca. Livello 3 (approvazione sincrona): le azioni irreversibili (invio e-mail, pubblicazione in produzione, addebiti) attendono l'approvazione umana prima dell'esecuzione. L'interfaccia di approvazione è parte del deliverable, non un'aggiunta successiva — di solito un messaggio interattivo su Slack, un'azione in coda nel vostro admin esistente o una casella di approvazione personalizzata. L'assegnazione dei livelli avviene per strumento, è documentata e cambia tramite PR, non su Slack.

Tre livelli. Lo sprint di feasibility è 9.500 EUR in due settimane: mappatura dei casi d'uso, decisione agent vs pipeline, inventario degli strumenti, modello ROI e proposta di architettura scritta. L'MVP agent è 40.000 EUR in 7-9 settimane: agent funzionante, integrazioni degli strumenti, memoria, checkpoint human-in-the-loop, osservabilità e deploy customer-zero. Il retainer agent in produzione parte da 16.000 EUR al mese: iterazione sui prompt, nuove integrazioni di strumenti, espansione delle eval, ottimizzazione dei costi e on-call. Il percorso tipico dal kickoff alla produzione è di 10-14 settimane.