Come si costruisce un ecosistema operativo per agenti AI: ricerca, cloud e produzione

Amazon e Salesforce mostrano come estrarre campi interrogabili da video, foto, audio e scansioni usando Amazon Bedrock Data Automation e il Model Context Protocol. I file stanno su Amazon S3. Le risposte finiscono in Agentforce, dove si può chiedere in linguaggio naturale. È un flusso operativo che parte da integrazioni già in uso nel pubblico.

Dalla carta all’agente: trasformare i paper in procedure eseguibili

Paper2Agent prende un articolo con codice e dati allegati e lo traduce in un agente AI che esegue i metodi descritti. L’utente carica paper e materiali supplementari. Il framework ispeziona PDF, repository e allegati, estrae i passaggi centrali e li organizza in un workflow testato e pronto all’uso. Si interagisce in chat con l’agente e si applica il metodo ai propri dataset senza ricostruire a mano istruzioni sparse.

Il concetto ricorda NotebookLM di Google, oggi Gemini Notebook: si caricano documenti e si conversa con un’AI sul contenuto. Qui lo scopo è operativo. L’agente non si limita a discutere il testo. Esegue le procedure descritte nello studio e, in prospettiva, le combina con strumenti provenienti da altri lavori. Il framework è open source. “Knowledge should not be static records,” dice il ricercatore James Zou. L’obiettivo è trasformare il paper da descrizione a procedura attivabile, a partire dai materiali pubblicati dagli autori.

Normalizzare evidenze non strutturate in campi interrogabili

Archiviare body cam, video di sorveglianza, fotografie, registrazioni e documenti scansionati su Amazon S3 è già prassi in Agentforce Public Sector, tramite External Storage of Files. Lo storage è durevole e attento ai costi. Ma non basta. Senza automazione, operatori e analisti rivedono e classificano a mano grandi volumi di evidenze, con tempi lunghi e passaggi successivi rallentati.

Il post propone di aggiungere uno strato di automazione sopra quello storage. Amazon Bedrock Data Automation e il Model Context Protocol trasformano il materiale non strutturato in dati strutturati pronti all’uso. L’obiettivo è far emergere i campi utili senza una revisione umana estensiva. Con questa sequenza, da S3 si passa all’estrazione e alla strutturazione dei dati, poi alla consultazione in linguaggio naturale dentro Agentforce.

Portare agenti in produzione: scheduler agentici per operazioni commerciali

Reactiv vende a chi opera su Shopify un prodotto per lanciare e gestire app native. Su queste app gli utenti convertono 2–4 volte più del web. Una homepage ferma o una promozione saltata pesano sui ricavi. Aggiornare a mano richiede lavoro continuo: scegliere cosa mettere in evidenza, riordinare sezioni, generare asset, pubblicare in tempo. Molti merchant non riescono a farlo ogni settimana.

Per sbloccare questo collo di bottiglia, Reactiv ha introdotto un AI Scheduler che aggiorna in autonomia secondo una pianificazione. Il merchant descrive l’intento in linguaggio naturale. Esempio: “Refresh my homepage with best sellers every Monday at 9 AM”. Il sistema applica le modifiche senza chiedere passaggi manuali aggiuntivi.

Reactiv dichiara un taglio dell’80% del tempo di configurazione e un passaggio in produzione più rapido del 33% grazie a un sistema di scheduling basato su Amazon Bedrock AgentCore. La soluzione nasce come un sistema a tre agenti costruito su Amazon Bedrock AgentCore, con Strands Agents SDK.

Un terreno comune per sperimentazione e diffusione

Il 14 ottobre a San Francisco, Simon Willison e Jesse Vincent convocano una Birds of a Feather Session dedicata a chi costruisce cose “weird and interesting” con e sopra coding agents. È uno show-and-tell serale. Niente slide. Niente formalità. Si porta ciò su cui si lavora. Si discute cosa funziona, cosa no, cosa non è chiaro. Non è uno spazio per pitch di prodotto. Gli organizzatori cercano esplorazioni molto precoci, esperimenti strani, progetti incompleti e lavori non ancora discussi in pubblico. “This agentic AI stuff is weird! Let’s celebrate and lean into that weirdness,” scrive Willison.

Il formato resta leggero. Non ci sono talk ufficiali. Condividere è incoraggiato ma non obbligatorio. Chi arriva può comparare appunti con altri builder ed experimenter, scambiarsi pratiche utili e mettere alla prova idee in corso d’opera. L’accento è sull’apprendimento tra pari, non sulla dimostrazione di un prodotto rifinito.

Una tesi operativa

I tre casi indicano tre punti del ciclo. Paper2Agent parte dai materiali pubblicati dagli autori e li rende eseguibili in un agente che si usa in chat. L’integrazione tra Amazon S3, Amazon Bedrock Data Automation, Model Context Protocol e Agentforce cerca di trasformare video, foto, audio e scansioni in campi interrogabili in linguaggio naturale, senza revisione estensiva. Reactiv lega intenti in linguaggio naturale a aggiornamenti pianificati delle app, dichiarando riduzioni dei tempi di configurazione e di rilascio.

Domanda per chi costruisce: come collegare questi tre livelli — metodo eseguibile, normalizzazione dei dati grezzi, attuazione pianificata — in un flusso unico? Il 14 ottobre a San Francisco, chi lavora su agenti e strumenti affini si incontra per confrontarsi su cosa funziona e cosa no, senza formalità.