Alibaba.com ha pubblicato i risultati di una valutazione condotta su 107 attività e-commerce, nella quale Accio, la piattaforma di agenti AI sviluppata per le operazioni commerciali, avrebbe completato l’intero insieme di task con un costo stimato di 3,69 dollari. Nello stesso confronto, OpenAI Codex avrebbe richiesto 9,27 dollari e Anthropic Claude Code 9,51 dollari, portando Alibaba.com a indicare per Accio un costo inferiore di oltre il 50% rispetto a entrambi i sistemi, a fronte di una qualità di completamento descritta come comparabile. I risultati sono stati presentati il 9 settembre 2026 durante CoCreate, l’evento annuale di Alibaba.com dedicato a imprenditori e piccole imprese, la cui edizione di Los Angeles si svolge il 9 e 10 settembre.
Secondo Alibaba.com, la differenza di costo non dipende soltanto dall’impiego di modelli meno costosi, ma da una progettazione dell’intero sistema orientata specificamente ai flussi di lavoro del commercio elettronico. Accio utilizza dati e workflow commerciali per effettuare il post-training di modelli più leggeri destinati alle attività chiaramente definite, mentre può ricorrere a modelli più capaci quando la richiesta richiede un livello maggiore di ragionamento. Il sistema suddivide inoltre i compiti complessi in passaggi più piccoli e valuta per ciascuno qualità, velocità, costo e requisiti relativi ai dati, scegliendo quindi il modello o la procedura più adatta invece di utilizzare sempre la soluzione più potente o quella economicamente meno costosa. Alibaba.com descrive questa strategia come un tentativo di portare ogni workflow più vicino alla frontiera di Pareto, dove un ulteriore miglioramento di una variabile richiederebbe un compromesso sulle altre.
Tra gli altri elementi indicati per ridurre il costo operativo figurano il riutilizzo della cache, la compressione del contesto e il coordinamento tra più agenti. Queste tecniche servono a limitare l’elaborazione ripetuta delle stesse informazioni, il numero di chiamate agli strumenti e il consumo ridondante di token. Kuo Zhang, presidente di Alibaba.com, ha collegato direttamente questa impostazione all’impiego dell’AI nelle piccole imprese, sostenendo che un sistema troppo costoso perde utilità operativa soprattutto per realtà con personale e budget limitati.
La valutazione utilizza Commerce Agent Bench, benchmark che Alibaba.com ha reso open source e che deriva da attività commerciali reali anziché da semplici esercizi sintetici. Il dataset è stato costruito a partire da attività riconducibili a 10 milioni di piccole e medie imprese attive, 1,6 milioni di conversazioni e 200.000 execution trace, successivamente distillate in 107 task end-to-end organizzati in sette categorie e quattro livelli di autonomia. Tra gli esempi figurano l’analisi di centinaia di email non strutturate, l’identificazione di possibili frodi nei pagamenti, il calcolo dei landed cost e la prenotazione di percorsi di spedizione con più vettori.
I 107 task sono ulteriormente suddivisi in 53 attività da riga di comando, 28 eseguite tramite browser, 16 basate su file e 10 che richiedono API o MCP. Considerando invece le capacità necessarie, 65 task possono essere affrontati esclusivamente tramite testo, 20 richiedono testo e interazione con il browser e 22 prevedono anche capacità visive. Il progetto era precedentemente conosciuto con il nome RealReplicaBench ed è stato sviluppato e mantenuto dal team Accio di Alibaba International.
Ogni attività viene eseguita all’interno di un container nuovo e isolato, con servizi simulati che riproducono gli ambienti operativi richiesti dal task. Al termine dell’esecuzione il sistema di verifica viene eseguito sul lato host e controlla lo stato finale dei servizi simulati e gli artefatti prodotti dall’agente. Un task viene considerato superato soltanto se tutti i controlli previsti dal relativo verifier vengono completati con successo. I verificatori possono essere deterministici oppure assistiti da un modello linguistico, a seconda della natura del compito. Dopo la valutazione il container utilizzato per quel tentativo viene distrutto.
Il repository pubblico comprende harness, pacchetto Python, codice dei servizi simulati, script e file di configurazione distribuiti con licenza Apache 2.0, mentre la suite dei task è pubblicata con licenza CC BY 4.0. La release indicata al momento dell’annuncio è la versione 1.3.1. Questa separazione permette di rendere disponibili sia l’infrastruttura necessaria per eseguire le prove sia i task e i criteri utilizzati per valutarle.
I risultati di riferimento presenti nel repository comprendono tredici famiglie di modelli testate attraverso tre differenti harness: Pi, OpenClaw e Accio. Claude Opus 5 risulta il modello con il maggior numero di task completati in tutte e tre le configurazioni, con 65 successi su 107 utilizzando Pi, 60 su 107 con OpenClaw e 66 su 107 attraverso l’harness Accio. Il risultato evidenzia anche che nessun singolo modello domina in tutte le categorie, elemento che Alibaba.com utilizza per sostenere l’approccio basato sul routing a livello di task, dove sistemi differenti vengono scelti per operazioni differenti.
Le valutazioni pubblicate sono state eseguite attraverso endpoint gestiti da Accio e utilizzano gemini-3.1-pro-preview come judge model. Il repository rimanda inoltre a una leaderboard live, indicata come riferimento corrente per i risultati. La documentazione segnala però un limite importante nella comparabilità diretta tra i diversi harness: OpenClaw e Accio hanno raggiunto i fornitori dei modelli attraverso endpoint differenti, per cui eventuali differenze nei punteggi possono dipendere non soltanto dall’harness ma anche dal percorso attraverso cui il modello viene servito.
Un ulteriore limite riguarda la riproducibilità. L’harness Accio utilizzato per alcuni dei risultati di riferimento non viene distribuito nel repository pubblico ed è quindi indicato come reference-only. Il percorso OpenClaw è invece quello che può essere rieseguito end-to-end partendo direttamente dal checkout pubblico del progetto. Di conseguenza, i risultati devono essere interpretati tenendo conto sia delle differenze tra endpoint sia del fatto che non tutte le configurazioni utilizzate nella leaderboard possono essere riprodotte integralmente dall’esterno.
Parallelamente ai risultati del benchmark, Alibaba.com ha descritto Accio come un workspace unificato per le operazioni di commercio globale. La piattaforma permette alle piccole imprese di svolgere attività come ricerca di mercato, individuazione di opportunità di prodotto, sviluppo dei prodotti, valutazione dei fornitori e gestione delle attività operative quotidiane. Accio può inoltre collegarsi a piattaforme come Amazon, Shopify, eBay, TikTok Shop e Walmart, consentendo di raggiungere da un unico ambiente diversi workflow relativi agli storefront supportati.
Accio Work dispone anche di funzioni per l’automazione di attività più ampie: gli agenti possono effettuare ricerche tramite browser, organizzare preventivi e fatture in fogli strutturati, creare strumenti personalizzati, costruire dashboard e tracker, programmare controlli periodici su inventario e dati, automatizzare email e negoziazioni e utilizzare connector verso servizi esterni. L’Agent Hub permette inoltre di definire agenti con ruoli e capacità differenti e di scegliere tra modelli come Gemini, GPT-4o, Claude e Qwen a seconda del lavoro da eseguire.
Alibaba.com presenta quindi il risultato economico di 3,69 dollari non come il costo di un singolo modello generalista, ma come quello di un sistema agentico che instrada i diversi passaggi verso modelli e strumenti differenti, utilizza ottimizzazioni del contesto e della cache e sfrutta componenti specializzati per i workflow commerciali. Il confronto con i 9,27 dollari di Codex e i 9,51 dollari di Claude Code riguarda l’esecuzione complessiva dei 107 task previsti dal benchmark e rimane soggetto alle condizioni di valutazione e ai limiti di comparabilità documentati nella stessa suite pubblica.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)