Una nuova ricerca svolta da un team di Tencent's Youtu Lab e università cinesi indica che le attuali soluzioni di intelligenza artificiale non potranno diventare veramente affidabili fino a quando non saranno in grado di completare compiti in ambienti di lavoro persistenti, piuttosto che limitarsi a generare risposte. Il focus del documento è il concetto di "abilità riusabili" che permetterebbe all'AI di evolvere da chatbot semplice a assistente autonomo.
Da chatbot a coworker autonomo
Gli esperti delineano la transizione nell'utilizzo dell’intelligenza artificiale lungo due dimensioni fondamentali nel documento: la cosiddetta "core cognitivo" e l’esecuzione di compiti supportati da strumenti. La domanda centrale non è più tanto come generare una risposta più precisa, ma invece come trasformare un'intenzione in un'azione conclusa, da completare autonomamente senza supervisione.
Il documento traccia l’evoluzione dei modelli di grandi linguaggi attraverso cinque fasi, dal classico chatbot al coworker autonomo. Secondo gli esperti, il futuro dell’IA è nei "modelli pensanti" (LLM) che investono una maggiore quantità di calcolo per verificare i propri passaggi e correggersi autonomamente.
Dal pensiero veloce al ragionamento deliberato
Nel periodo iniziale, i modelli erano incentrati sul velocizzare i risultati. Immagazzinavano schemi linguistici e fatti e li restituivano in una scansione passo dopo passo, senza controlli né verifiche intermedie.
I nuovi modelli di "LLM pensanti", come quelli di OpenAI o DeepSeek, invece, dedicano tempo addizionale per generare ragionamenti approfonditi e verificare le varie soluzioni. L’obiettivo non è la velocità, ma la precisione, con un passaggio da un modo intuitivo di ragionare (definito System 1) a uno più deliberato e controllato (System 2), ispirato al framework di Daniel Kahneman.
Dai comandi agli ambienti persistenti
Gli agenti di prima generazione, pur avendo funzioni avanzate per chiamare API, per scrivere codice o navigare, non superarono mai alcune criticità strutturali. L’autenticità, la mancanza di persistenza nello stato dell'ambiente, la fragilità rispetto ad eventi inattesi, e la bassa conclusione su task completi, furono problemi che limitavano l’evoluzione.
L'era OpenClaw
La prossima era dell’IA, detta "OpenClaw", introduce la persistenza dell’ambiente: file, terminali, skill e processi mantengono informazioni anche al di fuori del singolo compito. Esempi come OpenHands o SWE-agent mostrano modelli in ambienti controllati dove le interazioni vengono tracciate e ripetute.
Nell’OpenClaw, l’agente opera in un ambiente persistente e sicuro dove può effettuare modifiche e verifiche, lasciando una traccia di ogni step. Questo approccio non si limita a fornire risposte, ma mira a completare le azioni in modo completo e riproducibile.
Abilità modulari e workspace unico
Secondo il documento, uno dei punti chiave per il successo del coworker autonomo è la capacità di combinare un ambiente di lavoro strutturato con abilità riusabili. Una skill, diversamente da un prompt o un comune tool, incapsula in modo modulare una conoscenza operativa prontamente ripetibile.
Abilità modulari di uso reale
Un esempio pratico è il formato delle skill di Anthropic, che organizza in cartelle specifiche file, risorse e processi eseguibili. Un'abilità ben progettata contiene tutto ciò che serve per completare un compito senza ulteriori interazioni, riducendo il carico sull'utilizzatore.
In questo scenario, non ogni richiesta necessita di una nuova invenzione o di un prompt unico. Lo sviluppo procede per "pacchetti" riusabili, dove i team possono testare, aggiornare e condividere le operazioni come componenti modulari e certificate.
Ricerca avanzata e nuove sfide
La complessità aumenta, soprattutto nel momento in cui si passa da chatbot a coworker autonomo: il training e la valutazione non si basano più solo sulla correttezza di risposta, ma sull'esecuzione di processi completi. I nuovi benchmark, come SWE-bench e WebArena, mettono a confronto l’efficacia non solo in teoria, ma in ambienti simulati prossimi alla realtà.
Sicurezza e controllo
Gli ambienti workspace aumentano anche il livello di rischio di attacchi informatici. Essi contengono token, file sensibili e credenziali: una vulnerabilità potrebbe tradursi in perdite o compromissione dei dati. Progetti come OpenClaw PRISM o ClawGuard stanno lavorando a migliorare l’accesso, la tracciabilità e le logiche di protezione per evitare abusi.
Il documento sottolinea anche il problema delle skill "vecchiate" e di quelle che si adattano troppo a un singolo scenario, diventando irrispondenti quando i lavori cambiano. Il controllo del livello di autonomia, la gestione dell’uso corretto e la verifica di ogni interazione rappresentano un compito sempre più pressante.
Un futuro di cooperazione intelligente
Il futuro di queste tecnologie vedrà un passo in avanti: sistemi AI che imparano da sé i propri processi e si correggono iterativamente, come collaboratori digitali veramente integrati nel workflow umano.
Un recente test effettuato da Meta, Stanford e l’Università dell'Illinois mostra che il successo di questi modelli non dipende solo dalla potenza del modello base, ma dal "software" circostante. Gli strumenti, gli ambienti di esecuzione e i meccanismi di verifica giocano un ruolo cruciale nel miglioramento reale del sistema.
Un’altra valutazione di Vercel ha evidenziato come gli agenti di codifica non utilizzino correttamente i sistemi di skill incluso in una percentuale notevole di casi. Questo rileva come spesso il contesto fornito implicitamente sia più affidabile di una skill attiva.
La strada verso un coworker fidato
Secondo gli autori del documento, una combinazione tra abilità e workspace non è l’unica risposta, ma rappresenta comunque un punto di svolta. L’esigenza urgente sta nel gestire la manutenzione delle skill e nella gestione dell'ambiente workspace stesso: pulizia, controllo di accesso, rollback e valutazioni basate su tracciamento del processo.
Un coworker AI non può evitare gli errori, ma può imparare da essi. L’ideale non è solo di rispondere bene, ma di garantire una conclusione verificabile ed esecutiva. Per far crescere la collaborazione tra uomo e macchina, è necessario investire non solo in modelli avanzati, ma nell’infrastruttura che li supporti, nella sicurezza dei dati e nella responsabilità operativa di entrambi.