Anthropic sta sviluppando Claude come agente capace di operare non più soltanto per un singolo utente, ma all’interno di gruppi di lavoro, canali di comunicazione e sistemi aziendali condivisi. La strategia viene definita “multiplayer AI” e parte dall’idea che uno dei principali limiti dell’adozione dell’intelligenza artificiale nelle imprese non sia più soltanto la capacità dei modelli, ma il fatto che molte applicazioni continuino a essere costruite attorno a un’interazione individuale. L’obiettivo è quindi spostare Claude dal ruolo di assistente personale a quello di agente organizzativo, in grado di comprendere il contesto di più persone, collegare informazioni provenienti da sistemi differenti e intervenire autonomamente quando individua un’attività, un problema o una connessione rilevante.
Uno dei primi esempi concreti di questo approccio è l’evoluzione di Claude Tag, l’agente integrato nei canali Slack. Nella versione precedente, un classificatore valutava ogni messaggio separatamente e decideva se fosse necessario un intervento del modello. Anthropic ha eliminato questo meccanismo e permette ora a Claude di leggere il contesto complessivo della conversazione, insieme alla memoria e alle istruzioni permanenti associate all’ambiente. Il modello può quindi scegliere se rispondere direttamente, aprire una discussione per svolgere un’analisi più approfondita, instradare il messaggio verso un workflow già esistente oppure non intervenire. Secondo Anthropic, l’uso del contesto completo rende Claude circa il 30% più efficace nel determinare quando una risposta sia effettivamente utile.
Il cambiamento permette al modello di riconoscere situazioni che non emergerebbero analizzando i messaggi singolarmente. Due ingegneri possono, ad esempio, discutere separatamente dello stesso bug senza rivolgersi direttamente a Claude: uno può formulare un’ipotesi sulla causa mentre l’altro condivide dati che la supportano. Considerate isolatamente, nessuna delle due comunicazioni richiede necessariamente l’intervento dell’agente; osservate come parte della stessa conversazione, possono invece fornire gli elementi sufficienti per avviare autonomamente un’indagine. Anthropic ha progettato il sistema anche perché sappia rimanere inattivo quando non dispone di informazioni utili da aggiungere, considerando la capacità di non intervenire un requisito essenziale per rendere utilizzabile un agente costantemente presente nei canali aziendali.
La strategia riflette una trasformazione più ampia delle capacità dei modelli. La prima generazione di applicazioni AI era orientata a completare porzioni limitate di un’attività, come rispondere a una domanda o suggerire una singola riga di codice. Con l’aumento delle capacità, i modelli hanno iniziato a eseguire compiti completi, tra cui scrivere una funzione software, produrre un rapporto di ricerca o costruire un documento utilizzando più fonti. Anthropic considera ora iniziata una terza fase, nella quale gli agenti possono lavorare verso obiettivi di ordine superiore, come mantenere un prodotto libero da determinate categorie di bug o ridurre il tempo necessario per revisionare gli accordi di riservatezza. In questi casi il modello può operare per periodi prolungati, accedere a più sistemi e iterare autonomamente fino a raggiungere il risultato assegnato.
Il passaggio dal task all’obiettivo rende inevitabilmente più importante la collaborazione, perché le attività aziendali raramente appartengono a una sola persona o a un unico sistema. Nell’ingegneria software esistono da tempo strumenti strutturati per coordinare il lavoro tra più sviluppatori, come repository Git, branch, pull request, test automatici e procedure di code review. Il knowledge work è invece distribuito tra persone, funzioni, applicazioni e autorizzazioni differenti e non dispone sempre di un’infrastruttura altrettanto standardizzata. Anche la qualità del risultato è più difficile da verificare: un programma può essere compilato ed eseguire una suite di test, mentre la validità di una decisione strategica, di un’analisi commerciale o di un documento richiede spesso giudizio umano.
Anthropic individua tre elementi tecnologici che hanno reso praticabile questo modello. Il primo è la connettività tra l’AI e i sistemi aziendali, supportata dal Model Context Protocol, lo standard aperto introdotto dall’azienda alla fine del 2024 e successivamente adottato anche da altri operatori. MCP permette di collegare i modelli a fonti di dati e strumenti attraverso un’interfaccia comune e controllata, offrendo a Claude accesso alle informazioni necessarie per svolgere attività che attraversano più applicazioni. Il secondo elemento è il livello raggiunto dai modelli, che devono essere sufficientemente affidabili nel combinare dati provenienti da fonti diverse per poter proporre autonomamente un intervento senza generare continuamente falsi positivi o suggerimenti irrilevanti.
Il terzo elemento è l’inserimento dell’agente direttamente nei luoghi in cui il lavoro collaborativo avviene già. Slack viene utilizzato in questo senso non soltanto come interfaccia conversazionale, ma come ambiente operativo nel quale Claude dispone di una propria identità, di autorizzazioni specifiche, del contesto del canale e delle connessioni fornite attraverso MCP. L’agente può così diventare parte del flusso di comunicazione invece di richiedere che un dipendente interrompa il proprio lavoro, apra un chatbot separato, trasferisca manualmente le informazioni e riporti successivamente il risultato al team.
Anthropic collega questa impostazione anche alla riduzione dei passaggi di consegne tra persone. Un’analisi di dati che in precedenza richiedeva l’intervento di un data scientist può essere svolta direttamente da Claude se l’infrastruttura sottostante è stata preparata per fornire al modello dati affidabili e strumenti appropriati. Il professionista specializzato non scompare necessariamente dal processo, ma può spostare il proprio lavoro verso la costruzione e il mantenimento dell’infrastruttura che consente all’agente di operare correttamente. I responsabili possono invece utilizzare il tempo risparmiato nelle richieste e nelle attese intermedie per discutere i risultati e prendere decisioni.
Un’applicazione indicata da Anthropic riguarda la site reliability engineering. Claude può raccogliere log relativi agli errori, collegarli alle modifiche recenti del codice e alle discussioni che hanno accompagnato tali modifiche, costruire una sintesi del problema e coinvolgere successivamente le persone che possono intervenire. Un’attività di questo tipo richiede di attraversare fonti differenti e coordinare più ruoli, rappresentando quindi un esempio di agente orientato a un risultato complessivo piuttosto che all’esecuzione di una singola istruzione.
L’approccio arriva però in una fase in cui l’adozione dell’AI aziendale rimane molto più ampia dei risultati economici misurabili. I dati citati da McKinsey indicano che l’88% delle organizzazioni utilizza l’intelligenza artificiale in almeno una funzione e che il 62% sta sperimentando sistemi agentici, mentre soltanto il 39% attribuisce all’AI un effetto positivo sugli utili. Le organizzazioni classificate come high performer, cioè quelle che dichiarano di ottenere un valore sostanziale dall’AI, rappresentano appena il 6%. Deloitte aveva inoltre stimato che gli agenti sarebbero stati adottati dal 25% delle imprese che utilizzano AI generativa entro il 2025, con una crescita fino al 50% prevista entro il 2027. Anthropic punta quindi a intervenire proprio sul divario tra disponibilità dei modelli e riprogettazione effettiva dei processi.
L’uso di agenti costantemente collegati a conversazioni, documenti e sistemi aziendali aumenta contemporaneamente i requisiti di sicurezza. Un rischio centrale è la prompt injection, nella quale istruzioni malevole vengono inserite nei contenuti letti dal modello con l’obiettivo di modificarne il comportamento. Anthropic utilizza una strategia multilivello che comprende sistemi di classificazione e protezioni addestrate insieme ai modelli. La società ha già rinviato in passato la distribuzione di prodotti, tra cui l’estensione di Claude per Chrome, per approfondire i rischi associati alla prompt injection e addestrare nuovi classificatori utilizzando i dati raccolti durante i test.
Le protezioni vengono affiancate da API dedicate alla conformità e all’analisi, attraverso le quali le aziende possono definire le proprie soglie di rischio, e da integrazioni con sistemi di sicurezza e Data Loss Prevention di terze parti. La gestione delle autorizzazioni segue inoltre il principio dell’intersezione più restrittiva: Claude può accedere soltanto alle informazioni che risultano disponibili contemporaneamente all’agente e all’utente che sta effettuando la richiesta. Il contesto ottenuto all’interno di un canale Slack non viene quindi automaticamente trasferito o reso disponibile in altri canali nei quali gli utenti non possiedono le stesse autorizzazioni.
Rimane aperto anche il problema dei costi degli agenti always-on. Il contesto aggiuntivo che Claude Tag utilizza attualmente per comprendere le conversazioni complete dei canali non viene conteggiato nei limiti di utilizzo o di spesa dei piani disponibili, ma Anthropic considera questa configurazione ancora sperimentale e non ha indicato se resterà invariata. Per le implementazioni aziendali la società sta invece lavorando su controlli che permettano di associare limiti di budget alle identità degli agenti oppure ai gruppi definiti attraverso sistemi di role-based access control, consentendo a team differenti di adottare combinazioni diverse tra capacità del modello, consumo delle risorse e costo operativo.
Questo punto diventa particolarmente rilevante quando un agente non viene utilizzato soltanto su richiesta, ma rimane continuamente connesso a grandi quantità di contesto. Il costo non dipende più esclusivamente dal numero di prompt inviati dagli utenti, perché il sistema deve osservare conversazioni, valutare eventi, collegare informazioni e decidere se intervenire. Anthropic non ha ancora definito un modello economico definitivo per questa categoria di utilizzo e sta sviluppando i meccanismi di gestione insieme ai clienti che stanno sperimentando le prime implementazioni collaborative.
La posizione competitiva dell’azienda si basa inoltre sulla possibilità di operare trasversalmente rispetto ai principali ecosistemi software. Salesforce controlla Slack, Microsoft sta introducendo agenti in Teams e Google sta facendo lo stesso all’interno di Workspace, ma molti processi aziendali attraversano contemporaneamente strumenti appartenenti a fornitori diversi. Un processo di sviluppo prodotto può richiedere trascrizioni delle chiamate presenti in Salesforce, conversazioni in Slack, dati di utilizzo provenienti da piattaforme analitiche e codice conservato nei repository. Anthropic punta quindi a utilizzare Claude come livello di coordinamento tra sistemi, sfruttando protocolli standardizzati per mantenere l’agente indipendente dalla singola piattaforma.
Questa neutralità introduce tuttavia una dipendenza dalle integrazioni controllate dagli stessi fornitori con cui Anthropic compete. Microsoft, Google e Salesforce possono distribuire direttamente i propri agenti all’interno delle piattaforme proprietarie e decidere condizioni e modalità di accesso ai relativi dati. La strategia di Anthropic presuppone quindi che la qualità dell’orchestrazione tra sistemi e le capacità dei propri modelli possano compensare il vantaggio distributivo degli operatori che controllano direttamente le applicazioni aziendali.
L’evoluzione prevista va oltre l’assegnazione di singoli progetti. Anthropic sta valutando un modello nel quale a Claude possano essere assegnati direttamente obiettivi organizzativi, compresi gli OKR aziendali. A quel punto l’agente dovrebbe identificare autonomamente quali progetti contribuirebbero al raggiungimento degli obiettivi, individuare le persone necessarie e coordinare progressivamente il lavoro. Il modello passerebbe quindi dall’eseguire progetti decisi dalle persone al contribuire alla scelta dei progetti stessi, aumentando considerevolmente il livello di autonomia e rendendo centrali governance, autorizzazioni, supervisione e responsabilità delle decisioni.
La direzione immediatamente visibile rimane comunque quella già introdotta nei canali Slack: Claude osserva il contesto condiviso, collega informazioni provenienti da interlocutori diversi, decide autonomamente quando il proprio intervento sia utile e può avviare attività senza attendere una richiesta esplicita. Anthropic sta così trasformando il modello da strumento individuale richiamato al bisogno a componente persistente dell’infrastruttura collaborativa aziendale, con l’obiettivo di automatizzare soprattutto il lavoro di coordinamento, raccolta delle informazioni e passaggio tra sistemi che oggi occupa una parte significativa delle attività di manager, analisti e responsabili di progetto.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)