Agenti IA aziendali: standard, piattaforme e vincoli operativi

A San Jose, AGNTCon + MCPCon North America ha registrato 4.300 iscritti, il doppio dell’evento di Amsterdam di inizio anno. Intanto l’Agentic AI Foundation conta 305 membri e, secondo il direttore Mazin Gilbert, aggiunge circa un’azienda ogni giorno lavorativo¹. Mentre standard e modalità di distribuzione evolvono, le organizzazioni stringono i vincoli operativi. Le due spinte si incontrano in produzione, dove decidono tempi, architetture e test.

1. Velocità dell’ecosistema e ruolo degli standard

Gilbert pretende tempi rapidi. Dice che, se la fondazione non si muove alla velocità della luce, diventa irrilevante¹. Le big tech in AAIF, da OpenAI ad Anthropic a Google, costruiscono con o senza standard, e i membri restano diversi¹.

La fondazione cresce. Il 40% dei membri sono startup. Il 19% sono enti non profit, laboratori nazionali e istituzioni accademiche¹. La base si muove a velocità diverse. Alcune aziende contribuiscono ai protocolli e spediscono prodotti. Altre faticano a portare gli agenti fuori dal laboratorio. Un terzo gruppo, dice Gilbert, è nel panico perché non ha una strategia sugli agenti¹.

2. Tecniche di distribuzione delle capability: SKILL.md e pacchetti

Microsoft sta provando a consegnare agent skills direttamente nei pacchetti NuGet. Ogni versione può includere file SKILL.md che spiegano agli agenti come usare API e funzionalità, insieme ai binari scaricati con un normale dotnet restore⁴.

Il formato: un file SKILL.md in Markdown con intestazione YAML, con specifica pubblicata su agentskills.io. La stessa struttura vale per le skill inserite nei pacchetti NuGet. Le agent skills, introdotte da Anthropic nel 2025, si sono diffuse rapidamente. Esempi citati sono dotnet/skills e Impeccable skills. Le skill colmano i vuoti di conoscenza dei modelli e codificano il “nostro modo” di lavorare su un compito. Un pacchetto aggiornato fornisce istruzioni aggiornate subito, senza attendere un nuovo training del modello⁴.

Esempio: il pacchetto markout pubblica più SKILL.md nella cartella skills. La versione 0.40.0 mostra file come skills/markout/SKILL.md. Questi file compaiono sia in project.assets.json sia nella cache locale in ~/.nuget/packages/markout/0.40.0/skills⁴.

3. Piattaforme SaaS, cataloghi e orchestrazione in azienda

Divalto ha attivato Divalto one AI dentro i suoi ERP e CRM in SaaS, con l’umano a validare i passaggi chiave². L’architettura si basa su quattro blocchi: un agente conversazionale per richieste in linguaggio naturale, un catalogo di agenti e competenze, un Builder per creare o personalizzare, un modulo Workflow per orchestrare agenti e strumenti di business nei processi complessi².

Il catalogo è aperto ai partner. Possono pubblicare componenti e agenti. InfinySoft, ad esempio, prevede versioni dedicate per Syveo, la sua soluzione verticale per la gestione dei rifiuti. I clienti potranno a loro volta adattare o progettare agenti². La piattaforma impone confini chiari agli automatismi².

4. Vincoli operativi, rischi di supply chain e impatti sul test

Goldman Sachs ha ristretto l’uso di Anthropic Claude Code e degli strumenti di coding di GitHub agli ingegneri. Banker e trader restano fuori. Alcuni “strats”, gli specialisti quantitativi, fanno eccezione. La banca, per bocca del portavoce Nick Carcaterra, dice di pesare i guadagni di produttività rispetto ai rischi quando decide chi può usare questi strumenti. Bloomberg ha dato la notizia. Non sono stati forniti esempi di incidenti interni che abbiano motivato la scelta³.

Amjad Masad, CEO di Replit, avverte che agenti di coding che girano sui computer dei dipendenti sono un rischio sistemico per imprese e governi. Aggiunge che nella finanza le restrizioni sono diffuse e scrive che la ban hammer sta calando. Indica attacchi alla supply chain come motore del giro di vite, senza portare prove pubbliche oltre il caso Goldman³. Tra i rischi: esposizione di credenziali, esecuzione di istruzioni malevole, import di dipendenze compromesse. Il problema delle credenziali ha spinto fornitori verso token a breve vita. Vercel ha imposto ai propri fornitori il passaggio, fissando una scadenza per abbandonare chiavi longeve³.

QA Wolf ha portato il suo agent dai browser alle app Android e iOS. Ha addestrato il sistema a usare screenshot, albero UI e nuove azioni touch. Sul web il browser consegna HTML, ID, label e URL, e Playwright guida il browser. Su mobile il test controlla da remoto un emulatore o un dispositivo via Appium. Vede solo l’albero UI esposto all’accessibilità. Non c’è barra degli indirizzi. L’input è il tocco. Schermi e densità variano tra modelli⁵.

Il vecchio approccio si rompeva. L’agent cercava selettori leggendo l’HTML o registrando hover. Conosceva solo mouse, quindi clic, scroll, drag e tasti. Mirava nel punto sbagliato perché la coordinata nello screenshot non coincide con quella sul telefono. I test reggevano su un solo modello. Le istruzioni erano pensate per Playwright e un browser. La ripartenza è passata dallo sguardo: servono selettori deterministici per ogni elemento toccato. L’agent incrocia screenshot e albero UI per colpire l’elemento giusto e rendere stabili i test su device diversi⁵.

Gli standard spingono sul fronte degli agenti, i pacchetti portano istruzioni versionate nelle toolchain, le piattaforme SaaS delimitano gli automatismi e le banche fissano paletti d’uso. Sono scelte operative che incidono su come gli agenti entrano nei prodotti e nei processi^1,4,2,3.