Fare meno con più: un’esplorazione basata sui principi fondamentali dell’idoneità del calcolo agentico rispetto ad alternative architetturali

Abstract degli autori

Cresce l’interesse per l’automazione delle attività aziendali tramite l’intelligenza artificiale agentica (IA), per la sua apparente facilità d’uso. Non è mai stato così facile, né così costoso, fare meno con più. Tuttavia, si sa ancora poco su quando gli agenti siano preferibili ad alternative consolidate come il calcolo locale, Representational State Transfer (REST), Simple Object Access Protocol (SOAP) e Model Context Protocol (MCP), soprattutto se si considerano la velocità di sviluppo, le prestazioni e i costi operativi. Analizziamo la questione con un compito matematico controllato, confrontando sette metodi su un benchmark di 1.000 espressioni aritmetiche in cui va preservata la semantica della precedenza degli operatori. Abbiamo eseguito questa configurazione con una baseline nativa di Function Calling (libreria Python), architetture a microservizi basate su REST, SOAP e MCP, risposte dirette di modelli linguistici di grandi dimensioni (LLM) tramite un’API cloud di Groq e cinque modelli Ollama distribuiti localmente, nonché sistemi agentici in cui cinque LLM locali invocano strumenti MCP. I metodi deterministici raggiungono un’accuratezza del 100% con una latenza trascurabile. La valutazione diretta degli LLM raggiunge un’accuratezza massima del 92,9%, con una latenza superiore di oltre 22.000 volte a quella di una chiamata di funzione nativa. Con gli strumenti MCP, l’agente migliore raggiunge un’accuratezza del 99,9%, ma comporta una latenza quasi 1.000.000 di volte superiore a quella della baseline. Questi risultati dimostrano che gli approcci basati sugli LLM sono poco adatti alla valutazione esatta di espressioni aritmetiche e inducono a elaborare un quadro decisionale architetturale (ADF) informato, per scegliere un’architettura in base ai requisiti di accuratezza e throughput. Riconosciamo che un’interazione reale con un agente può comprendere sia compiti di ragionamento sia compiti linguistici. Raccomandiamo quindi di esplorare diverse scelte architetturali, in base al tipo di compito, anziché adottare una soluzione universale (gli LLM). Il codice è disponibile qui: https://github.com/Ritvik-G/adf/