Il problema non è se un agente LLM possa ricevere un ordine da un operatore umano, ma quanto quell’ordine sopravviva quando il contesto si allunga e il modello continua a pianificare. La risposta proposta da un gruppo di ricerca si chiama Structured Authority Injection (SAI) e affronta esattamente questo punto: un canale di autorità separato dal processo di pianificazione, non un semplice prompt in linguaggio naturale.

SAI instrada le correzioni dell’operatore attraverso chiamate a strumenti MCP tipizzate e validate da schema. Il sistema mantiene un contesto di autorità ordinato per rango, anteposto a ogni prompt dell’LLM. Definisce tre classi di override — Constraint, Priority e Strategy — con semantica di persistenza distinta e un ordine di precedenza esplicito. La particolarità è che il canale di autorità è diretto e inaccessibile al processo di pianificazione: il planner non può rinegoziare o diluire i vincoli mentre costruisce le proprie azioni.

Un canale che il planner non può toccare

La tesi implicita è che il controllo umano non debba dipendere dalla capacità del modello di interpretare istruzioni libere, ma da un livello di protocollo che impone la precedenza a monte. Questo sposta il baricentro: non è più il singolo LLM a decidere come pesare un vincolo, ma il framework di orchestrazione a garantire la persistenza. Ne deriva un vantaggio concreto per chi gestisce agenti in contesti dove le correzioni devono valere anche dopo numerosi passaggi di pianificazione. Le direttive non si diluiscono quando il contesto si accumula, perché vivono in un canale separato con validazione di schema.

Per chi valuta deployment on-premise o self-hosted, questo approccio ha un risvolto architetturale rilevante. Non richiede fine-tuning né accesso ai pesi del modello, quindi non lega l’autorità a un vendor specifico o a una pipeline di addestramento. Funziona con LLM instruction-tuned che supportano MCP, il che rende il controllo una proprietà dello strato di orchestrazione piuttosto che del modello. In ambienti dove dati e decisioni devono restare sotto controllo locale, un canale di autorità separato dal planner è un requisito di governance che si può implementare senza spostare il carico sul cloud.

A livello di settore, il segnale è più ampio. MCP, già usato come bus per strumenti, assumerebbe il ruolo di piano di controllo per l’autorità umana. Gli operatori avrebbero un linguaggio comune per vincoli, priorità e strategie, indipendente dal modello. Questo può favorire architetture multi-agente in cui il coordinamento non passa solo da messaggi tra modelli, ma da una gerarchia di autorità ispezionabile e verificabile. Diventa più difficile, per un sistema, spacciare per robusto un agente che affida la sicurezza soltanto alla qualità del prompt o all’addestramento.

I risultati riportati nella fonte offrono un framework sfumato. Nei test su nove LLM e otto scenari mirati a modalità di errore tipiche degli agenti, SAI ha ridotto l’interpretazione ambigua delle direttive e attenuato il decadimento dell’autorità tra le iterazioni di pianificazione. L’overhead di prompt è risultato più basso nei modelli più forti, fino al 38% a seconda di modello e scenario, ma il beneficio varia in modo sostanziale tra i modelli. Non è una bacchetta magica: è un design pattern che sposta la questione del controllo umano dal prompt engineering all’architettura del sistema.