Agenti AI operativi: orchestrazione, accessi in tempo reale e distribuzione coerente

Craig McLuckie e Joe Beda propongono agenti di coding trattati come carichi cloud‑native, con control loop e orchestrazione. Puntano a sessioni affidabili, isolamento dei tool e continuità d’uso oltre il laptop. La tesi: per portare gli agenti in produzione servono tre elementi insieme — orchestrazione cloud‑native, controllo degli accessi al momento della domanda, distribuzione coerente dal cloud al PC — e le mosse recenti iniziano a saldarli tra loro.

Orchestrare gli agenti come carichi cloud‑native

Gli agenti nascono spesso locali. Un modello linguistico invoca tool in un loop e porta avanti il contesto finché chiude il compito. Funziona sul portatile. Cede quando scala. Anche per questo alcuni progetti partono dalla riga di comando e poi migrano su desktop. Claude Code iniziò come tool da CLI.

Il passaggio al cloud mette a nudo tre fragilità: sessioni che si interrompono, tool eseguiti senza isolamento, contesto che si disperde tra i passaggi. OpenAI e Anthropic, dal 2025, riportano l’harness nel cloud per affrontarle. Esiti diversi, stesso set di ostacoli.

Qui entra la proposta di McLuckie e Beda: trattare gli agenti come carichi cloud‑native, tenuti in vita da control loop e gestiti da orchestrazione. L’analogia è diretta con i container di dieci anni fa. Nel 2014 arrivò Kubernetes, open source, sviluppato da Google. È diventato lo standard per distribuire e gestire applicazioni su larga scala. La leva sono i control loop: tengono vivi i carichi e li recuperano quando qualcosa si guasta. Applicare lo stesso principio agli agenti significa dare continuità alle sessioni, riprendere lo stato, isolare l’esecuzione dei tool.

Verificare i permessi al momento della domanda

L’adozione in azienda richiede un’altra garanzia: nessun agente deve oltrepassare i diritti definiti nelle basi documentali. SharePoint, Google Drive e Confluence ospitano dati sensibili con permessi complessi. Le RAG li interrogano. Le risposte devono rispettare le ACL originali.

Amazon propone di verificare le autorizzazioni “al momento della domanda”. L’assistente consulta la fonte autorevole durante la query e filtra i contenuti in base ai diritti effettivi dell’utente. La combinazione indicata è Amazon Quick insieme alle Knowledge Bases di Amazon Bedrock. Obiettivo esplicito: ogni persona vede solo ciò che può vedere nelle fonti originali. Nessuna nuova policy. Si applicano quelle esistenti mentre l’assistente costruisce l’output.

Questa scelta sposta il controllo sull’asse temporale giusto: non a valle della generazione, ma prima che un paragrafo entri nella risposta. Collega governance e runtime. E mette in relazione diretta l’architettura dell’agente con i sistemi che già governano l’accesso ai documenti.

Il perimetro di deployment: cloud, enterprise e PC locali

La distribuzione degli agenti si apre su due estremi concreti. Da un lato, agenti che usano “propri computer cloud”, si collegano “alle app che le persone usano ogni giorno” e proseguono “verso un obiettivo in background” senza interventi continui. OpenAI presenta così Dots. Alexander Embiricos, product lead di Dots, salirà sull’AI Stage del TechCrunch Disrupt 2026 al Moscone West di San Francisco, dal 13 al 15 ottobre, pochi giorni dopo l’annuncio. Il palco concentra l’attenzione su continuità d’azione, integrazioni dirette e autonomia operativa dentro strumenti già in uso.

All’altro estremo, agenti in locale sul PC. NVIDIA e Microsoft annunciano una collaborazione per far girare agenti di intelligenza artificiale su Windows, co‑ingegnerizzando hardware e software. La notizia arriva sul palco del Windows AI and Surface event a San Francisco, durante una conversazione tra Jensen Huang e Satya Nadella, moderata da Sriram Krishnan. L’obiettivo operativo è portare gli agenti direttamente sul personal computer, senza passaggi inutili, lavorando sull’intera pila tecnologica.

Nel mezzo si muove l’enterprise. Nous Research raccoglie 90 milioni di dollari in Serie B, a una valutazione di 1,5 miliardi, e lancia “Hermes for Businesses”, versione aziendale del suo agente open source Hermes. Il prodotto consente di distribuire agenti personalizzati in azienda e farli lavorare su workflow a più passaggi. Promette controllo dei dati, con enfasi su privacy e sicurezza, e la possibilità di adattare gli agenti alle esigenze dei clienti. La startup dichiara oltre 24 milioni di cloni di Hermes e stima che l’agente pesi per circa il 2,5% dell’uso globale di token AI. Sono numeri interni, non validati da terze parti. Il round è guidato da Robot Ventures. Partecipano Nvidia, Union Square Ventures, Menlo Ventures, Samsung e 1789 Capital. Donald Trump Jr. è partner di 1789 Capital. Con l’operazione, il totale dei finanziamenti raggiunge 158 milioni di dollari.

Cloud costantemente attivo, soluzioni per l’uso in azienda e PC locali definiscono così un perimetro concreto di deployment. La scelta non è solo tecnica. Riguarda latenza, controllo dei dati, integrazione con gli strumenti quotidiani e con le policy già in vigore.

Cosa collegano questi sviluppi e dove restano i gap

Le tre linee si toccano in un punto: trasformare gli agenti da prototipi a servizi affidabili. L’orchestrazione cloud‑native risponde alla continuità operativa e all’isolamento dei tool. Il controllo degli accessi durante la query risponde alla responsabilità sui dati nelle RAG. Le opzioni di deployment coprono vincoli e preferenze di latenza e privacy, con “propri computer cloud” per continuità in background, offerte per l’uso in azienda per personalizzazione e controllo, e PC Windows per l’esecuzione locale co‑ingegnerizzata sull’hardware.

La convergenza, però, non elimina i nodi aperti. Le fonti non indicano standard condivisi tra orchestrazione di agenti e sistemi di autorizzazione. L’enforcement “al momento della domanda” mostra un principio, ma resta da vedere come dialoga con flussi multi‑passo e con l’isolamento dei tool su scala. Sul fronte delle metriche, alcune affermazioni di adozione, come le stime di Nous sull’uso globale di token, sono interne e non validate da terzi. Per chi fa QA, questo impone verifiche indipendenti di affidabilità, tracciabilità degli accessi e ripetibilità dei workflow.

Un’altra tensione evidente è tra autonomia e controllo. Dots porta la promessa di un agente “sempre attivo” che si connette ad app esterne e prosegue verso un obiettivo in background. Le domande operative sono già sul tavolo: quali permessi chiede, come li gestisce mentre continua in background, come funziona il collegamento alle app “che le persone usano ogni giorno”. Il quadro di Amazon sulle ACL in tempo reale offre un riferimento per le basi documentali, ma non copre tutte le integrazioni applicative possibili. Per un agente che agisce mentre l’utente fa altro, la gestione dei permessi diventa parte dell’architettura oltre che dell’interfaccia.

Infine, la scelta del luogo di esecuzione influenza la catena di fiducia. L’esecuzione locale su Windows, co‑progettata da NVIDIA e Microsoft, punta a eliminare passaggi inutili. È un vantaggio per controllo operativo e prestazioni, ma richiede che i principi di isolamento e continuità siano coerenti con quelli del cloud. All’opposto, l’uso di “propri computer cloud” per agenti sempre attivi chiede politiche chiare di permessi e continuità tra sessioni diverse dello stesso utente. I control loop suggeriti dai creatori di Kubernetes offrono un linguaggio comune per la resilienza. La sfida è estenderlo a stati, contesto e strumenti tipici degli agenti di coding.

Per chi costruisce prodotti e piattaforme, la direzione è pragmatica: chiedere orchestrazione con control loop per sessioni e tool, enforcement degli accessi durante la generazione nelle RAG, e opzioni di deployment che coprano cloud, uso in azienda e PC. Le prossime risposte concrete potrebbero arrivare sul palco di San Francisco, quando l’agente “sempre attivo” sarà chiamato a chiarire come negozia permessi e continuità d’azione davanti a un pubblico di sviluppatori e responsabili IT.