Indice dei contenuti
Il lancio dell’ultima release di ChatGPT, la 5.6 articolata su tre modelli Sol, Terra e Luna, ha avuto anche il merito di riportare all’attenzione di tutti i progressi giganteschi fatti dagli agenti AI, capaci di svolgere in maniera sempre più autonoma compiti di crescente di difficoltà.
Architettura Multi-Agente e Modalità ‘Ultra’
I modelli GPT-5.6 Sol introducono una gestione nativa dei sotto-agenti guidata dal ragionamento avanzato, con la modalità Ultra, riservata ai piani Pro ed Enterprise, che agisce come un capoprogetto, coordinando molteplici sotto-agenti in parallelo su diversi flussi di lavoro (un approccio simile all’assegnazione di compiti diversi a membri distinti di un team). Per chi costruisce agenti personalizzati tramite le API di OpenAI, GPT-5.6 Sol introduce il Programmatic Tool Calling. Questa funzione permette al modello di concatenare l’uso di più strumenti software esterni in un unico passaggio, riducendo drasticamente i ‘round trip’ (i continui passaggi di dati avanti e indietro tra l’applicazione e l’AI), rendendo i loop agentici più veloci, economici e meno inclini a perdersi lungo il flusso di lavoro.
Ma questa evoluzione non è esclusiva di ChatGPT: tutte le AI hanno fatto progressi enormi nello sviluppo agentico.
L’ecosistema Enterprise e Firebase di Gemini
Google Cloud ha lanciato tra giugno e luglio l’architettura agentica aziendale completa, battezzata Gemini Enterprise Agent Platform, che Introduce concetti come l’Agent Runtime (per scalare gli agenti), le Sessioni (per mantenere la cronologia dei passaggi) e il Memory Bank (la memoria a lungo termine che estrae e memorizza informazioni sull’utente per garantire personalizzazione tra più sessioni).
A queste funzioni si aggiungono gli Agent Skills per Firebase & Gemini CLI, che danno la possibilità agli sviluppatori di creare e testare localmente le competenze degli agenti, per connettere i Large Language Models a workflow e API personalizzate in modo rapido.
Meta: la maturità con Muse Spark 1.1 e la prima API Agentica
Meta ha compiuto il passo definitivo verso l’automazione aziendale su larga scala rilasciando, il 9 luglio, Muse Spark 1.1 insieme alla sua prima API commerciale a pagamento.
Spark 1.1 introduce la capacità di agire come ‘agente leader’. Può elaborare un progetto (es. estrarre ticket di assistenza, catalogarli e creare un report), generare più sotto-agenti specializzati in parallelo per eseguire i singoli task e coordinare i loro output riducendo la latenza complessiva.
Per spingere gli sviluppatori a migrare sulla propria infrastruttura, Meta ha reso l’API di Muse Spark 1.1 compatibile con gli standard di mercato. Per passare ai modelli Meta, i programmatori devono semplicemente aggiornare l’endpoint dell’API del loro codice esistente senza dover riscrivere da capo la logica dei propri agenti.
Consolidamento degli agent teams e integrazione OS per Claude
Con il lancio dell’applicazione desktop Claude Cowork, una piattaforma strutturata per la collaborazione quotidiana tra l’utente e l’agente, Anthropic ha introdotto la funzionalità Agent Teams. I modelli possono ora coordinarsi tra loro, dividendosi sotto-task complessi e collaborando per risolvere obiettivi aziendali strutturati.
Segue la funzionalità Computer Use integrata nativamente su Claude Code e Claude Cowork, con l’introduzione delle persistent agent threads e l’Auto Mode, modalità bilanciate che permettono all’agente di eseguire automaticamente le azioni ritenute sicure, fermandosi a chiedere l’approvazione umana solo per le operazioni a rischio elevato.
Quest’estate gli agenti autonomi di Anthropic hanno dimostrato capacità di ‘self-improvement’ assistito, con i compiti software gestibili interamente da Claude in autonomia in sessioni di lavoro complesse lunghe fino a 12 ore consecutive senza intervento o interruzione umana.
La sfida dell’operatività agentica e delle infrastrutture
Ma non è solo sugli agenti che gli operatori AI si confrontano. Come abbiamo visto sinteticamente, l’evoluzione proprio in questi mesi ha sì assunto direzionie divergenti, ma è il risultato dei massicci investimenti per data center e chip dell’AI, che stanno raggiungendo valori impensabili solo due anni fa. Il quadro dettagliato degli investimenti infrastrutturali reali, delle strategie sui semiconduttori e delle proiezioni future disegna uno scenario quasi da ‘mezzogiorno di fuoco’: sfide all’ultimo sangue tra un operatore e l’altro per identificare e implementare l’AI vincente nel medio periodo. Ma soprattutto per sostenere economicamente gli investimenti già messi a terra e i giganteschi progetti futuri. I software agentici sono già una realtà, ma il loro progressivo sviluppo dipende largamente dallo spending power delle aziende che li hanno creati
I 190 miliardi di dollari di Alphabet per Gemini
Google sta attuando una massiccia diversificazione per ridurre la dipendenza da Nvidia. L’azienda ha adottato un approccio a doppio chip proprietario con le nuove TPU 8t (ottimizzate per il pre-addestramento su larga scala) e TPU 8i (specifiche per l’inferenza ultra-veloce). Grazie ai framework JAX e Pathways, la potenza di calcolo di Google supera ormai il milione di TPU distribuite a livello globale. Ma nel contempo, a causa della scarsità temporanea di calcolo, Google ha persino firmato un accordo da circa 11 miliardi di dollari all’anno con SpaceXAI per affittare GPU aggiuntive.
L’obiettivo a lungo termine è la creazione del cluster di calcolo distribuito più grande al mondo, con una progressione di spesa legata all’espansione dei data center di proprietà e alla scalabilità delle TPU di nona generazione.
145 miliardi nella guidance ufficiale per Meta
La vera svolta strategica è stata legata al debutto (avvenuto a settembre) di ‘Iris’, il primo chip custom per data center sviluppato internamente nell’ambito dell’iniziativa MTIA, Meta Training and Inference Accelerator. Progettato in collaborazione con Broadcom e prodotto da TSMC, la strategia prevede una diffusione iniziale di 1 gigawatt di chip proprietari dedicati all’ottimizzazione dell’AI per Instagram, Facebook e per i nuovi servizi cloud di Meta.
Il piano industriale di Meta prevede infatti il raddoppio della capacità computazionale totale, puntando a raggiungere i 14 gigawatt. Per supportare questa mole di calcolo, la roadmap dei semiconduttori prevede il rilascio di un nuovo chip custom circa ogni sei mesi.
I modelli operativi di ChatGPT e di Claude
OpenAI, operando come software house pura rispetto agli hyperscalers precedenti, non possiede data center diretti, ma acquista e orchestra impegni di calcolo colossali. In seguito al deposito del prospetto S-1 per la quotazione in borsa, sono emersi impegni per 300 miliardi di dollari complessivi (60 miliardi all’anno dal 2027 al 2031). Lato hardware, ha avviato il dispiegamento del primo gigawatt di GPU AMD Instinct (su 6 GW totali ordinati).
Ma l’infrastruttura di OpenAI è legata alla realizzazione dello The Stargate Project, una nuova entità societaria che prevede un piano di investimenti da 500 miliardi di dollari nei prossimi quattro anni per edificare una rete di supercomputer e data center per l’AI negli Stati Uniti e in territori strategici (come gli Emirati Arabi Uniti). I lead partner finanziari e operativi del progetto sono SoftBank e OpenAI stessa, supportati da partner tecnologici chiave come Microsoft, Nvidia, Oracle e Arm. Obiettivo di Stargate: ottenere l’indipendenza computazionale necessaria per addestrare i futuri modelli di Intelligenza Artificiale Generale
Anche Anthropic (la società madre di Claude), essendo un ‘pure-play AI lab’ e non un provider cloud non sostiene direttamente una spesa in conto capitale (CapEx) per la costruzione fisica di data center. Compensa questa ‘limitazione’ acquistando capacità computazionale e impegnandosi in contratti pluriennali con gli hyperscalers (Amazon e Google soprattutto), che poi convertono questa domanda nella propria CapEx.
Ha siglato ad esempio un accordo monumentale da 200 miliardi di dollari distribuiti su 5 anni con Google, arrivando a rappresentare da sola oltre il 40% di tutti gli ordini futuri di servizi cloud dichiarati da Alphabet. E inoltre ha confermato Amazon come partner cloud primario per l’addestramento, espandendo gli impegni per l’utilizzo di decine di migliaia di chip AWS Trainium e GPU Nvidia.
di Massimo Bolchi