La prossima evoluzione dell’intelligenza artificiale non dipenderà soltanto da modelli linguistici più potenti. Dipenderà, soprattutto, da ciò che viene costruito intorno a essi. È questo il punto centrale di una riflessione che merita attenzione: gli agenti AI stanno uscendo dalla dimensione della conversazione per entrare in quella dell’esecuzione continuativa. Non sono più soltanto strumenti ai quali affidare una domanda, ottenere una risposta e interrompere l’interazione. La direzione è quella di sistemi capaci di mantenere un’attività nel tempo, riprendere processi interrotti e coordinare più agenti senza richiedere una supervisione umana costante a ogni passaggio.
Il cambiamento sembra tecnico, ma le conseguenze sono organizzative ed economiche, misuriamo il progresso dei modelli attraverso benchmark, capacità di ragionamento, dimensione delle finestre di contesto e qualità della generazione. Questi parametri restano importanti, ma non raccontano più tutta la storia. Un modello eccellente, inserito in un ambiente incapace di conservare lo stato del lavoro o di gestire correttamente gli errori, può produrre risultati deludenti. Al contrario, un modello meno sofisticato, supportato da un’infrastruttura ben progettata, può diventare un componente produttivo di un processo aziendale complesso.
Harness, con questo termine si indica l’infrastruttura software che circonda il modello e ne governa il comportamento operativo. Non è semplicemente un’interfaccia, né un insieme di prompt più o meno elaborati. È il sistema che assegna compiti, gestisce gli strumenti, conserva il contesto, controlla l’esecuzione e decide quando un agente deve proseguire oppure fermarsi. In altre parole, il modello fornisce capacità cognitive, mentre l’harness le trasforma in un’attività organizzata.
La distinzione è fondamentale perché l’affidabilità di un agente non coincide con la qualità della sua singola risposta. Un agente realmente utile deve poter lavorare per ore o giorni, affrontare attività che dipendono da risultati precedenti e recuperare il proprio stato dopo un’interruzione. Senza queste proprietà, l’autonomia rimane una dimostrazione tecnologica. Con esse, comincia a diventare una risorsa aziendale.
In un sistema tradizionale, lo stesso agente tende a ricevere un’istruzione, interpretarla, utilizzare gli strumenti disponibili e produrre un risultato. Quando il lavoro diventa articolato, questo modello mostra rapidamente i propri limiti. Il contesto si appesantisce, le attività si sovrappongono e diventa difficile capire quale processo sia ancora attivo. La soluzione consiste nell’introdurre una struttura nella quale un livello di coordinamento distribuisce il lavoro, mentre agenti specializzati si occupano dell’esecuzione.
Non si tratta necessariamente di costruire una gerarchia rigida. Il coordinatore può assegnare un’attività a un agente di ricerca, riceverne il risultato e affidare a un altro agente la verifica delle informazioni. Un terzo componente può occuparsi della produzione del documento finale. Il vantaggio non deriva semplicemente dalla presenza di più modelli, ma dalla possibilità di mantenere separati i compiti e controllarne le dipendenze. È una logica che ricorda l’organizzazione dei sistemi distribuiti, dove la disponibilità del servizio non dipende dalla sopravvivenza di un singolo processo.
La novità è che i modelli linguistici stanno diventando sufficientemente capaci da gestire anche una parte del coordinamento. Questo non significa che siano pronti a governare autonomamente qualsiasi infrastruttura. Significa, piuttosto, che possono interpretare lo stato di un’attività, valutare il lavoro prodotto da altri agenti e decidere quale operazione eseguire successivamente. La qualità del risultato dipende quindi dalla progettazione dei meccanismi di controllo, non dalla fiducia in una presunta intelligenza infallibile del modello.
Un elemento particolarmente promettente è l’introduzione di componenti proattive. Gli agenti tradizionali attendono un’istruzione umana; quelli progettati per operare continuativamente possono essere attivati da un evento, dalla scadenza di un’attività oppure dalla disponibilità di nuove informazioni. Immaginiamo un agente incaricato di monitorare il mercato dei concorrenti. Non deve aspettare che un responsabile chieda un aggiornamento. Può rilevare una variazione significativa, raccogliere le informazioni necessarie e preparare un rapporto da sottoporre alla valutazione umana.
Sistemi event-driven qui l’agente non deve necessariamente rimanere in esecuzione permanente, consumando risorse computazionali anche quando non ha nulla da fare. Può essere risvegliato quando si verifica una condizione rilevante, recuperare il proprio stato e riprendere il lavoro. È una differenza importante anche sul piano economico, perché l’autonomia non deve tradursi in un consumo incontrollato di token e capacità GPU.
In questo scenario assume particolare interesse il cosiddetto asynchronous ReAct Loop. Il paradigma ReAct, sviluppato nella ricerca sugli agenti linguistici, combina ragionamento e azione: il modello interpreta una situazione, decide quale strumento utilizzare, osserva il risultato e determina il passaggio successivo. L’approccio asincrono introduce una discontinuità rispetto alla sequenza tradizionale. L’agente può avviare un’operazione, lasciare che venga completata da un altro processo e riprendere successivamente il proprio ragionamento quando arriva una risposta.
È un cambiamento meno spettacolare di una nuova generazione di modelli, ma probabilmente più rilevante per l’adozione industriale. Un agente che deve attendere il completamento di una ricerca, l’elaborazione di un documento o l’intervento di un altro servizio non dovrebbe occupare inutilmente una sessione attiva. Dovrebbe poter sospendere il proprio lavoro e riprenderlo quando necessario. Questa modalità permette di costruire processi più lunghi senza trasformare ogni operazione in una conversazione continua con il modello.
La scalabilità richiede però una scelta architetturale ancora più importante: separare stato, capacità computazionale e ambiente operativo. Lo state contiene la memoria di lavoro, gli obiettivi, i risultati intermedi e le informazioni necessarie per riprendere un’attività. Il compute rappresenta la capacità di elaborazione utilizzata per eseguire le operazioni. L’environment comprende invece gli strumenti, i permessi, i file e le risorse con cui l’agente interagisce.
Questa separazione consente di superare uno dei limiti più evidenti degli agenti attuali: la dipendenza dalla sessione in cui sono stati avviati. Se lo stato viene conservato indipendentemente dal processo computazionale, un agente può essere interrotto e riavviato senza perdere il lavoro precedente. Se anche l’ambiente è gestito separatamente, diventa possibile assegnare nuove risorse di calcolo oppure spostare l’esecuzione su infrastrutture differenti. L’agente non coincide più con il processo che lo ospita. Diventa un’entità operativa persistente, capace di sopravvivere alla sostituzione delle risorse sottostanti.
I sandbox assumono in questo contesto un ruolo decisivo. Ogni agente dovrebbe poter operare in un ambiente isolato, con accesso controllato alle risorse necessarie. Non è soltanto una misura di sicurezza informatica. È una condizione per evitare che attività differenti interferiscano tra loro e per rendere riproducibile l’esecuzione. In un sistema multi-agent, infatti, un errore non deve propagarsi liberamente da un componente all’altro. Servono confini operativi, autorizzazioni verificabili e meccanismi di recupero.
La persistenza, inoltre, non significa conservare indiscriminatamente ogni conversazione. Una memoria efficace deve distinguere ciò che serve davvero per proseguire un’attività dalle informazioni temporanee. Occorre registrare decisioni, risultati verificati e dipendenze operative, evitando che il contesto diventi un archivio ingestibile. È una questione di ingegneria dei dati prima ancora che di intelligenza artificiale. La memoria di un agente deve essere interrogabile, aggiornata e soprattutto coerente con il suo stato effettivo.
Un’organizzazione potrebbe affidare a gruppi di agenti processi che oggi richiedono interventi ripetuti di diversi dipartimenti. Non significa eliminare il personale o sostituire automaticamente le funzioni aziendali. Significa ripensare il modo in cui viene distribuito il lavoro. Il valore economico emergerà dalla riduzione dei tempi di coordinamento e dalla possibilità di mantenere attivi processi che oggi si interrompono in attesa di un intervento umano.
Rimane tuttavia un problema che il mercato tende a sottovalutare: la governance. Un agente persistente con accesso a strumenti aziendali può produrre conseguenze molto diverse da quelle di un chatbot. Può modificare documenti, avviare procedure e interagire con sistemi esterni. Per questo motivo, l’autonomia deve essere accompagnata da un modello di autorizzazione proporzionato al rischio. Le operazioni reversibili possono essere delegate con maggiore libertà; quelle finanziarie, legali o capaci di produrre effetti irreversibili richiedono invece approvazioni esplicite e tracciabilità.
Anche la scelta dell’harness non dovrebbe trasformarsi in una questione ideologica. Il DeepSeek Harness rappresenta un possibile punto di partenza, non una piattaforma obbligatoria. Architetture analoghe possono essere realizzate utilizzando framework e infrastrutture differenti. La questione strategica è mantenere separata la logica operativa dal singolo modello, evitando che l’intero sistema dipenda dalle caratteristiche di un fornitore. In questo modo diventa possibile sostituire il modello, modificare il sistema di orchestrazione o spostare i carichi computazionali senza riprogettare ogni processo aziendale.
La competizione nell’intelligenza artificiale sta quindi entrando in una fase diversa, il vantaggio non sarà necessariamente di chi possiede il modello con il maggior numero di parametri o il benchmark più impressionante. Potrebbe appartenere a chi riesce a costruire un’infrastruttura capace di trasformare modelli differenti in una forza lavoro digitale coordinata, persistente e controllabile.
La vera discontinuità sarà culturale prima ancora che tecnologica. Abbiamo progettato per anni interfacce nelle quali l’essere umano impartisce un comando e attende una risposta. Ora dobbiamo imparare a progettare ambienti nei quali l’essere umano definisce obiettivi e limiti, mentre gli agenti gestiscono autonomamente una parte significativa dell’esecuzione. Il rischio è continuare a trattare questi sistemi come chatbot evoluti, quando stanno diventando qualcosa di profondamente diverso: componenti software capaci di assumersi responsabilità operative circoscritte.
Un’impresa che comprende questa trasformazione non comincerà chiedendosi quale modello AI acquistare. Comincerà chiedendosi quali processi possono diventare persistenti, quali decisioni possono essere delegate e quali controlli devono rimanere sotto responsabilità umana. È una distinzione che separa l’ennesimo progetto dimostrativo da una vera strategia di automazione intelligente. E, probabilmente, sarà proprio nella qualità dell’architettura che si giocherà una parte importante della prossima competizione tecnologica.