La parte più interessante dell’attuale corsa agli agenti AI non riguarda più i modelli.l, riguarda il coordinamento il vero valore economico si sta spostando lentamente verso l’orchestrazione del lavoro cognitivo. In questo contesto, Anthropic ha introdotto dentro una funzione quasi nascosta, chiamata Workflows, che potrebbe cambiare in modo molto concreto il modo in cui team tecnici, CTO e sviluppatori automatizzano attività ripetitive ad alta intensità operativa.

La funzione non è attiva di default. Dettaglio apparentemente marginale, ma significativo. Nel mercato AI del 2026, le feature più potenti sono spesso quelle meno pubblicizzate, perché richiedono un minimo di disciplina tecnica. Le demo pubbliche preferiscono chatbot che scrivono poesie o agenti che prenotano voli; i workflow reali, invece, assomigliano molto di più a catene di montaggio industriali: parsing di repository, audit di codice, generazione documentazione, validazione API, test distribuiti, refactoring incrementale, review multi-step. Attività noiose, ripetitive, costosissime in termini di tempo umano.

Claude Workflows introduce una logica che il mercato enterprise conosce bene da vent’anni: pipeline, orchestrazione, retry automatici, isolamento dei task, controllo dei costi. La differenza è che qui gli operai non sono microservizi Kubernetes ma sub-agenti AI paralleli che operano dentro la stessa sessione di sviluppo. Il risultato è curioso: il terminale sta lentamente diventando il nuovo sistema operativo cognitivo degli sviluppatori.

L’attivazione richiede semplicemente l’impostazione della variabile d’ambiente Workflows prima dell’avvio di Claude Code. Una volta fatto, compare il comando /workflows, che apre l’accesso a un sistema di automazione agentica costruito interamente in JavaScript. Nessuna DSL proprietaria, nessun framework esoterico, nessun YAML infernale da DevOps traumatizzato. Una scelta strategicamente intelligente. Ogni volta che una piattaforma AI introduce un linguaggio proprietario per orchestrare agenti, aumenta la dipendenza dal vendor. Usare JavaScript riduce drasticamente l’attrito e permette agli sviluppatori di riutilizzare pattern già conosciuti.

La struttura è sorprendentemente pragmatica. Dentro .claude/workflows/, ogni file rappresenta un job. Il workflow definisce metadata, schemi di output tipizzati e fasi operative. Qui emerge il vero salto qualitativo: gli agenti non si scambiano testo casuale, ma output strutturati. Questo riduce una delle grandi fragilità degli agenti AI contemporanei, cioè l’accumulo progressivo di ambiguità semantica tra una fase e l’altra.

Molti sistemi agentici oggi sembrano startup costruite dopo tre espresso e un pitch deck di 90 slide: impressionanti nei video demo, instabili nel mondo reale. Il motivo è semplice. Se un agente passa testo semi-caotico a un altro agente, gli errori si propagano rapidamente. Gli schemi tipizzati servono esattamente a evitare questa degenerazione. In pratica, Anthropic sta importando nel mondo AI una filosofia tipica dell’ingegneria software classica: validare gli input prima che il sistema collassi.

Un altro elemento interessante è la pipeline incrementale. I task completati possono essere inviati immediatamente alla fase successiva senza attendere la chiusura dell’intero batch. Questo sembra un dettaglio tecnico, ma in realtà modifica radicalmente throughput e latenza operativa. In scenari enterprise con centinaia di file o repository, attendere la fine dell’intera elaborazione significa moltiplicare i tempi morti. La pipeline streaming-oriented consente invece un comportamento molto più vicino a sistemi ETL industriali o architetture event-driven.

Il controllo operativo appare altrettanto maturo. Budget di token, monitoraggio runtime, retry automatici fino a tre tentativi, pausa manuale, skip dei sub-agenti bloccati. Tutte funzioni che sembrano banali finché non si osserva il caos tipico dei workflow agentici attuali. Gran parte delle demo AI online ignora completamente il problema della resilienza operativa. Gli agenti funzionano magnificamente fino al primo timeout, alla prima dipendenza corrotta o alla prima hallucination in cascata.

Qui emerge una verità che il marketing AI evita accuratamente di raccontare: il problema principale degli agenti non è l’intelligenza, ma l’affidabilità. Un agente mediocre ma stabile genera più valore economico di un agente geniale che fallisce casualmente ogni quaranta minuti. I CIO lo sanno benissimo. I venture capitalist fingono ancora di non averlo capito.

La vera implicazione strategica riguarda però la direzione dell’intero settore. Claude Workflows suggerisce che il terminale Linux sta tornando centrale nel paradigma AI moderno. Non più solo shell di comando, ma layer di coordinamento cognitivo. Google con Gemini CLI, OpenAI con i propri agenti operativi, xAI con Grok Build: tutti stanno convergendo verso la stessa idea. Il browser era l’interfaccia dominante del web; il terminale potrebbe diventare quella dominante per l’intelligenza artificiale operativa.

Questo spiega anche perché i workflow siano particolarmente efficaci su attività ripetitive e ad alta scala. Non sostituiscono il ragionamento strategico umano, almeno non ancora, ma eliminano enormi quantità di attrito operativo. Un team engineering che automatizza review, linting contestuale, refactoring distribuito e documentazione iterativa può ridurre drasticamente il tempo speso in manutenzione cognitiva.

Naturalmente esiste un costo iniziale. Configurare workflow sofisticati richiede tempo, test e manutenzione. Per utilizzi occasionali, il ROI è discutibile. Ma appena il carico operativo supera una certa soglia, il vantaggio cumulativo diventa evidente. È la stessa logica che ha guidato l’automazione industriale per decenni: automatizzare un compito raro è uno spreco; automatizzare un compito ricorrente è una leva competitiva.

In realtà siamo davanti a una vecchia idea dell’informatica enterprise reimpacchettata con modelli linguistici e GPU. Workflow, orchestrazione, code distribuite, retry, gestione errori, streaming pipeline: concetti antichi, ora alimentati da agenti generativi. Cambia il motore, non la logica industriale sottostante.

Il consiglio più pragmatico resta quello suggerito implicitamente dalla stessa Anthropic: usare Claude per analizzare le sessioni recenti e identificare pattern ripetitivi da automatizzare. È un approccio intelligente perché evita uno degli errori più comuni nell’adozione AI enterprise, cioè partire dalla tecnologia invece che dalla frizione operativa reale. L’automazione efficace non nasce dall’hype. Nasce dall’individuare dove il tempo umano evapora inutilmente, giorno dopo giorno, commit dopo commit, sprint dopo sprint.