Se hai iniziato a valutare gli agenti AI per la tua azienda, probabilmente ti sei scontrato con tre parole usate come sinonimi: LLM, agente e harness. Non sono la stessa cosa, e capire la differenza ti aiuta a fare domande migliori a chi ti propone una soluzione. In breve: l'LLM è il modello che genera testo, l'harness AI è tutto il software che gli sta intorno, e l'agente è il risultato dell'unione dei due.

In questo articolo vediamo cos'è un harness, perché conta più di quanto sembri e quali criteri usare quando devi scegliere o far costruire un agente per i tuoi processi.

Il punto di partenza: cosa fa davvero un LLM

Un LLM (Large Language Model) è un modello statistico addestrato su enormi quantità di testo. Riceve un input e produce un output: una risposta, un riassunto, un pezzo di codice. Se vuoi approfondire come funziona e come viene istruito, trovi una spiegazione nel nostro articolo su cosa sono gli LLM.

Da solo, però, un modello ha limiti molto concreti:

  • non ricorda nulla tra una richiesta e l'altra, se nessuno gli ripassa il contesto;
  • non agisce: non legge il tuo gestionale, non invia email, non salva file;
  • non verifica il proprio lavoro: se sbaglia, nessuno se ne accorge in automatico;
  • non ha regole aziendali: non sa cosa può toccare e cosa no.

In altre parole, un LLM è un motore potente ma senza carrozzeria, volante e freni.

Cos'è un harness AI

L'harness (letteralmente "imbracatura") è l'insieme di codice, configurazioni e logica di esecuzione che circonda il modello e lo rende utilizzabile per un compito reale. Una definizione che circola molto tra chi costruisce agenti è semplice: tutto ciò che non è il modello stesso. Addy Osmani la riassume con la formula Agente = Modello + Harness nel suo articolo sull'agent harness engineering.

Le componenti tipiche di un harness

Un harness ben progettato di solito comprende:

  1. Istruzioni e contesto: il prompt di sistema, le regole del progetto, la documentazione che l'agente deve conoscere.
  2. Strumenti: le funzioni che il modello può chiamare, per esempio leggere un ordine dal gestionale, interrogare un database o creare un ticket. Spesso sono esposti tramite protocolli standard come MCP.
  3. Ambiente di esecuzione: un filesystem, una sandbox isolata, eventualmente un browser.
  4. Gestione della memoria: cosa conservare tra un passaggio e l'altro, come riassumere conversazioni lunghe, quando ripartire da uno stato salvato.
  5. Orchestrazione: il ciclo "ragiona, agisci, osserva il risultato, riprova", la suddivisione in sotto-compiti, l'eventuale uso di più modelli.
  6. Controlli deterministici: verifiche automatiche che non dipendono dal modello, come test, validazioni dei dati, permessi e limiti di spesa.
  7. Osservabilità: log, tracce delle azioni compiute, costi e tempi, per capire cosa è successo quando qualcosa va storto.

Harness, agente e LLM: la differenza in pratica

Prendiamo un esempio concreto: vuoi che un sistema legga le email dei fornitori con le conferme d'ordine e aggiorni le date di consegna nel gestionale.

  • L'LLM sa leggere l'email e capire che "spediamo il 14" significa una data di consegna. Ma non sa dove scriverla.
  • L'harness gli fornisce l'accesso alla casella di posta, lo strumento per aggiornare l'ordine, la regola "se la data non è chiara, non scrivere nulla e segnala a un operatore", e un registro di ogni modifica.
  • L'agente è il sistema completo che, ogni mattina, elabora le email e aggiorna gli ordini in modo controllato.

Se cambi modello mantenendo lo stesso harness, l'agente continua a funzionare (magari meglio o peggio). Se tieni lo stesso modello ma togli l'harness, resti con una chat che risponde bene ma non fa nulla.

Il modello determina quanto l'agente è capace di ragionare. L'harness determina quanto è affidabile.

Perché l'harness conta più della scelta del modello

Chi valuta un progetto di AI tende a concentrarsi sul modello: quale fornitore, quale versione, quale costo per token. È una scelta importante, ma nei progetti aziendali la differenza tra un prototipo che impressiona in una demo e uno strumento che il team usa tutti i giorni sta quasi sempre nell'harness.

Anche chi sviluppa i modelli lo riconosce: Anthropic ha dedicato articoli tecnici alla progettazione degli harness per agenti che lavorano a lungo, proprio perché la qualità del risultato dipende da come si gestiscono contesto, verifiche e passaggi intermedi.

Per un'azienda, l'harness è anche il punto in cui si decidono le cose che contano davvero:

  • sicurezza: a quali dati e sistemi l'agente può accedere;
  • responsabilità: quali azioni richiedono l'approvazione di una persona;
  • tracciabilità: chi ha fatto cosa, e perché;
  • portabilità: se domani vuoi cambiare fornitore del modello, quanto lavoro serve.

Stai valutando un agente AI per un processo interno? Ti aiutiamo a capire quali strumenti, regole e controlli servono prima di scegliere il modello. Parliamone

Errori comuni quando si parla di agenti

Nei confronti con titolari e responsabili IT vediamo spesso gli stessi equivoci:

  • Confondere una chat con un agente. Un assistente che risponde a domande sui documenti è utile, ma non è un agente se non compie azioni sui tuoi sistemi.
  • Dare all'agente troppi permessi subito. Meglio partire con strumenti in sola lettura e azioni reversibili, poi allargare il perimetro.
  • Affidare tutto al prompt. Le regole critiche (importi massimi, dati da non toccare) vanno scritte come controlli nel codice, non solo come istruzioni testuali che il modello potrebbe interpretare male.
  • Non misurare. Senza log e metriche non sai se l'agente sta migliorando, peggiorando o costando più del previsto.
  • Legarsi a un solo fornitore. Un harness progettato bene isola il modello dal resto, così puoi sostituirlo quando serve.

Come scegliere o far costruire un agente: i criteri

Se stai valutando una soluzione, che sia un prodotto pronto o uno sviluppo su misura, queste domande ti aiutano a capire la qualità dell'harness:

  1. Quali strumenti può usare l'agente, e con quali permessi?
  2. Cosa succede quando l'agente non è sicuro o sbaglia? C'è un passaggio di revisione umana?
  3. Come vengono verificati i risultati prima di arrivare nei tuoi sistemi?
  4. Dove finiscono i dati aziendali e chi li può vedere?
  5. Posso vedere lo storico delle azioni compiute?
  6. Quanto è difficile cambiare modello in futuro?

Se le risposte sono vaghe, il problema non è il modello: è che manca un harness pensato per il tuo contesto.

Come lavoriamo noi su questi temi

In Mine Consulting usiamo agenti AI sia nei prodotti che costruiamo per i clienti sia nel nostro modo di sviluppare software. In entrambi i casi l'attenzione va prima all'harness: specifiche chiare, strumenti con permessi definiti, test automatici che verificano il lavoro dell'agente. È lo stesso principio alla base dello Spec-Driven Development, la metodologia con cui portiamo gli agenti nel ciclo di vita del software.

Il percorso, in genere, è questo:

  • un obiettivo condiviso: un processo preciso, con un risultato che si può osservare;
  • un primo risultato da provare: un agente con un perimetro ridotto, che il team usa davvero e su cui raccogliamo riscontri;
  • un percorso che continua: nuovi strumenti, nuove regole e più autonomia solo quando i controlli dimostrano che il sistema è affidabile.

Se vuoi sapere di più sul metodo, trovi i dettagli nella pagina su come lavoriamo.

In sintesi

  • LLM: il modello che comprende e genera testo, senza memoria né capacità di agire.
  • Harness: il software intorno al modello, cioè istruzioni, strumenti, memoria, orchestrazione, controlli e log.
  • Agente: il sistema completo, modello più harness, che svolge un compito reale nei tuoi processi.

Quando valuti un progetto di AI, chiedi del modello, ma chiedi soprattutto dell'harness: è lì che si decide se l'agente sarà uno strumento affidabile o una demo.