Context Engineering: From Prompts to Corporate Multi-Agent Architecture

Questo paper introduce l'ingegneria del contesto come disciplina fondamentale per gestire l'ambiente informativo degli agenti AI autonomi, proponendo un modello di maturità a quattro livelli che integra ingegneria del contesto, dell'intento e delle specifiche per superare le sfide di scalabilità e allineamento strategico nelle implementazioni aziendali.

L'essenziale

🏗️ Dalle Domande Semplici alle Fabbriche di Pensiero: La Nuova Arte dell'IA

Immagina di avere un genio della lampada (l'Intelligenza Artificiale) che risponde a qualsiasi tua domanda. Fino a due anni fa, il tuo unico compito era scrivere la domanda perfetta. Se la domanda era confusa, la risposta era confusa. Se era brillante, la risposta era geniale. Questo si chiamava Prompt Engineering (l'arte di fare la domanda giusta).

Ma oggi, le cose sono cambiate. Non stiamo più solo chiedendo al genio di rispondere; gli stiamo chiedendo di lavorare. Gli stiamo dando compiti che durano ore, che richiedono di aprire 20 finestre diverse, di chiamare altri colleghi robot e di prendere decisioni reali.

Il paper di Vera Vishnyakova ci dice che scrivere la domanda perfetta non basta più. Serve una nuova disciplina: l'Ingegneria del Contesto.

Ecco come funziona, spiegato con delle metafore quotidiane.

---

1. Il Problema: Il Genio che si perde nel rumore

Immagina di dare al tuo genio un compito enorme: "Organizza il mio viaggio di lavoro in Giappone".
Se gli dai solo questa frase, lui ti risponde con un piano generico.
Ma se gli dici: "Organizza il viaggio, controlla il mio calendario, prenota l'hotel, compra i biglietti, e assicurati che sia economico ma comodo", il genio inizia a lavorare da solo.

Il problema? Dopo 20 passaggi, il genio si è riempito la testa di troppi dettagli: le email vecchie, i log dei prezzi, le note prese a metà. Si è "confuso". Ha dimenticato che il tuo obiettivo era risparmiare, e ora sta prenotando un hotel di lusso perché ha letto una email di un collega che parlava di lusso.

La soluzione: Non serve una domanda migliore. Serve pulire la stanza in cui il genio lavora.

• Prompt Engineering = Scrivere la richiesta.
• Context Engineering (Ingegneria del Contesto) = Gestire la stanza. Decidere quali documenti mettere sul tavolo, quali buttare via, e quali tenere in un cassetto sicuro. È come se il genio avesse un sistema operativo (come Windows o macOS) che gestisce la sua memoria.

2. I 5 Pilastri di una "Stanza" Perfetta

Per far lavorare bene un robot autonomo, il suo ambiente (il contesto) deve avere 5 qualità:

1. Rilevanza: Solo ciò che serve ora. Niente spazzatura.
2. Sufficienza: Tutto ciò che serve per non inventare cose (le "allucinazioni").
3. Isolamento: Se hai due robot che lavorano insieme, non devono leggere i fogli di appunti dell'altro se non è necessario. Come due uffici separati.
4. Economia: Non pagare per leggere documenti che non servono. Risparmiare tempo e denaro.
5. Provenienza: Sapere sempre da dove arriva un'informazione. Se il robot sbaglia, devi poter dire: "Ah, ha letto male quel documento del 2023".

3. Il Caso Klarna: Il Robot che ha lavorato troppo (e male)

L'autrice racconta la storia di Klarna, una banca che ha messo un'IA a fare il servizio clienti.

• Cosa è successo: L'IA ha lavorato tantissimo, sostituendo 800 persone e risparmiando 60 milioni di dollari.
• Il problema: L'IA era tecnicamente perfetta, ma strategicamente cieca. Rispondeva in modo freddo e burocratico, rovinando la reputazione del brand.
• La causa: Avevano un'ottima "stanza" (Contesto), ma non avevano detto al robot cosa voleva davvero l'azienda. Avevano detto "risparmia", ma non avevano detto "ma non perdere i clienti".
• La lezione: Un robot può essere intelligente e avere tutti i dati, ma se non sa perché sta lavorando, farà danni.

4. La Piramide della Maturità: I 4 Livelli

L'autrice disegna una piramide. Non puoi saltare i gradini. Ogni livello include quello sotto, ma aggiunge qualcosa di nuovo.

🟢 Livello 1: Prompt Engineering (L'Arte della Domanda)

• Chi lo fa: Tu, l'utente.
• Cosa fa: Scrivi la domanda. "Scrivi una mail".
• Metafora: Dare un ordine a un cameriere. Funziona bene per un singolo piatto.

🔵 Livello 2: Context Engineering (L'Ingegneria della Stanza)

• Chi lo fa: L'ingegnere che costruisce il robot.
• Cosa fa: Prepara la memoria, i documenti, le regole di accesso.
• Metafora: Preparare la cucina per lo chef. Assicurarsi che ci siano gli ingredienti giusti, che il forno sia caldo e che lo chef non si bruci le mani. Se la cucina è disordinata, anche lo chef migliore fallisce.

🟠 Livello 3: Intent Engineering (L'Ingegneria dell'Intenzione)

• Chi lo fa: I manager e i leader aziendali.
• Cosa fa: Definisce il "Perché". Quali sono i valori? Cosa è più importante: la velocità o la qualità?
• Metafora: Dare allo chef la filosofia del ristorante. "Non siamo un fast food, siamo un'esperienza di lusso. Se serve, rallenta, ma non rovinare il piatto". Senza questo, lo chef cucinerà solo per velocità, non per gusto.

🔴 Livello 4: Specification Engineering (L'Ingegneria delle Regole)

• Chi lo fa: L'intera azienda.
• Cosa fa: Trasforma le regole scritte nei manuali (che nessuno legge) in codice che i robot capiscono.
• Metafora: La Costituzione del paese. Se hai 10.000 robot che lavorano, non puoi dirgli a voce cosa fare. Devi scrivere una "Costituzione" digitale che tutti rispettano, così non si creano conflitti.

5. Perché tutto questo è importante per te?

L'autrice ci avverte di una trappola: oggi è facilissimo creare un robot (basta un clic). Ma se lo crei senza pensare ai livelli superiori (Contesto, Intenzione, Regole), stai creando un mostro silenzioso.

• Se controlli il Contesto, controlli il comportamento del robot.
• Se controlli l'Intenzione, controlli la strategia.
• Se controlli le Regole, controlli la scala (quanto può crescere il tuo sistema).

In Sintesi

Il futuro non è solo "parlare meglio con l'IA". Il futuro è progettare l'ambiente in cui l'IA vive.
Pensala così:

• Prompt Engineering è imparare a suonare uno strumento.
• Context Engineering è costruire l'orchestra e accordare gli strumenti.
• Intent Engineering è decidere quale musica suonare per emozionare il pubblico.
• Specification Engineering è scrivere la partitura per un'intera sinfonia di migliaia di musicisti.

Se salti i passaggi intermedi, otterrai un suono stonato, anche se lo strumento è perfetto.

Sommario tecnico

Ecco una sintesi tecnica dettagliata del documento "Context Engineering: From Prompts to Corporate Multi-Agent Architecture" di Vera V. Vishnyakova, redatta in italiano.

Titolo del Documento

Context Engineering: Dalle Prompt Engineering all'Architettura Multi-Agente Aziendale
Autore: Vera V. Vishnyakova (HSE University, Mosca)
Data: Marzo 2026

---

1. Il Problema: Il Divario tra Prompt Engineering e Agenti Autonomi

Il documento identifica un divario critico nell'attuale maturità dell'IA aziendale. Sebbene il Prompt Engineering (PE) sia stato sufficiente per l'era dei chatbot "stateless" (domanda-risposta singola), si è rivelato inadeguato e insufficiente per gestire agenti autonomi che operano in flussi di lavoro multi-step, delegano compiti e interagiscono con sistemi esterni (API, database, browser).

I problemi principali emersi con l'adozione di agenti (Livelli 2 e 3) includono:

• Degradazione su orizzonti lunghi: Gli agenti che eseguono 20-50 passaggi soffrono di "perdita nel mezzo" (lost-in-the-middle) a causa del riempimento della finestra di contesto con dati irrilevanti o obsoleti.
• Contaminazione del contesto: L'output di un tool o di un sub-agente "inquina" il contesto dei passaggi successivi, portando a decisioni errate.
• Crescita esponenziale dei costi: Senza compressione e gestione intelligente, il costo dei token e la latenza crescono in modo non lineare con ogni passo dell'agente.
• Divario di Governance e Intent: Gli agenti possono essere tecnicamente competenti (contexting perfetto) ma strategicamente ciechi, ottimizzando metriche sbagliate (es. costo per token) a scapito degli obiettivi aziendali (es. fedeltà del cliente), come illustrato dal caso Klarna.

2. Metodologia e Approccio

L'autrice adotta un approccio ibrido che combina:

• Analisi Architetturale: Esame delle architetture fornite dai vendor (Google ADK, Anthropic, LangChain) e dei framework accademici (ACE, modelli di delega intelligente di Tomašev et al.).
• Ricerca Empirica: Utilizzo di dati aziendali (Deloitte 2026, KPMG 2026) e dell'esperienza diretta dell'autrice nella costruzione di un sistema multi-agente (MAS) per il controllo di conformità.
• Definizione di Criteri di Qualità: Proposta di una tassonomia operativa per valutare e progettare l'ambiente informativo in cui operano gli agenti.
• Modellazione a Livelli: Sviluppo di un modello di maturità cumulativo che integra discipline ingegneristiche distinte ma interdipendenti.

3. Contributi Chiave

A. La Disciplina del Context Engineering (CE)

Il paper introduce il Context Engineering come disciplina autonoma, distinta dal PE. Mentre il PE si occupa di "come chiedere", il CE si occupa di "cosa l'agente sa, vede e ricorda al momento dell'azione".

• Il Contesto come Sistema Operativo (OS): Il contesto non è un semplice buffer di input, ma l'OS dell'agente che gestisce memoria, allocazione risorse, isolamento dei processi e interfacce con sistemi esterni.
• Cinque Criteri di Qualità per il Contesto di Produzione:
  1. Rilevanza: Fornire solo ciò che è necessario per il passo corrente (minimo sufficiente).
  2. Sufficienza: Garantire che manchino dati critici per evitare allucinazioni.
  3. Isolamento: Prevenire la fuoriuscita di dati tra sub-agenti (privilege attenuation).
  4. Economia: Minimizzare token e ricomposizioni del contesto per garantire la sostenibilità economica.
  5. Provenienza: Tracciabilità di ogni elemento del contesto alla sua fonte per audit e debug.
• Tassonomia del "Context Rot" (Breunig, 2025): Identificazione di quattro modalità di degradazione: avvelenamento (poisoning), distrazione, confusione e scontro (clash) dei dati.

B. L'Ingegneria dell'Intento (Intent Engineering - IE)

Il CE è necessario ma non sufficiente. L'IE risolve il "divario di intenti", codificando obiettivi aziendali, valori, gerarchie di compromesso (trade-off) e principi etici nell'infrastruttura dell'agente.

• Trasforma la strategia aziendale in istruzioni ingegnerizzabili, assicurando che l'agente ottimizzi per il risultato corretto e non solo per la metrica più facile da misurare.

C. L'Ingegneria delle Specifiche (Specification Engineering - SE)

A livello enterprise, l'SE estende l'approccio creando un corpus macchina-leggibile di politiche, standard di qualità e procedure operative.

• Le specifiche agiscono come una "Costituzione" per gli agenti, permettendo la coerenza e il controllo su larga scala (migliaia di agenti) senza supervisione manuale continua.

D. Il Modello a Piramide di Maturità (The Pyramid)

L'autrice propone un modello a quattro livelli cumulativi, dove ogni livello assorbe il precedente come infrastruttura necessaria:

1. Prompt Engineering (PE): Fondamento per l'interazione singola (Query-Response).
2. Context Engineering (CE): Gestione dello stato e dell'ambiente informativo per agenti autonomi.
3. Intent Engineering (IE): Allineamento strategico e definizione degli obiettivi.
4. Specification Engineering (SE): Formalizzazione della conoscenza aziendale per la scalabilità multi-agente.

4. Risultati e Analisi

• Analisi Economica: Un'architettura di contesto ben progettata (compressione, caching, caricamento selettivo) può ridurre i costi di inferenza di 5-10 volte, rendendo gli agenti economicamente vitali.
• Caso Klarna: L'analisi del caso Klarna dimostra che un agente con un contesto tecnico perfetto ma privo di intenti aziendali codificati (IE) porta a un "over-pivot" sui costi, danneggiando la reputazione del brand e la fedeltà dei clienti.
• Divario di Governance: I dati mostrano che il 75% delle aziende prevede di deployare agenti in due anni, ma solo il 21% ha un modello di governance maturo. La mancanza di SE e IE crea un rischio di "dark factory" (operazioni autonome senza controllo umano).
• Architettura Ibrida: Viene evidenziata l'importanza di architetture ibride Cloud/Edge, dove un LLM cloud orchestra il ragionamento e modelli SLM (Small Language Models) eseguono compiti locali a bassa latenza, richiedendo una gestione federata della memoria.

5. Significato e Implicazioni

Il documento segna un cambio di paradigma fondamentale:

• Dall'Arte all'Ingegneria: Si passa dalla "romantica" arte del prompting a una disciplina ingegneristica sistematica. Il controllo sul contesto determina il comportamento, il controllo sull'intento determina la strategia, il controllo sulle specifiche determina la scala.
• Nuovo Ruolo Umano: Il ruolo umano si sposta dalla formulazione tattica di query alla progettazione architetturale dell'ambiente informativo, alla codifica degli obiettivi strategici e alla formalizzazione della conoscenza aziendale.
• Sostenibilità Futura: Anche se le architetture LLM venissero sostituite da modelli di "world models" o altre tecnologie, la necessità di ingegneria del contesto, dell'intento e delle specifiche rimarrà critica, poiché i dati del mondo reale sono più rumorosi e meno perdonanti degli errori di contesto rispetto al testo.

In sintesi, il paper sostiene che per scalare l'IA agenticamente nelle aziende, è necessario abbandonare la visione monolitica del "prompt" e adottare un approccio stratificato che integri Context, Intent e Specification Engineering come pilastri fondamentali di un sistema operativo aziendale machine-readable.