Aloha, la società che sviluppa Aloha Browser e che dichiara di aver raggiunto oltre 300 milioni di utenti, ha lanciato AlohaJet, un browser progettato specificamente per consentire agli agenti di intelligenza artificiale di eseguire attività complesse attraverso siti web e applicazioni basate sul browser. Il progetto nasce con l’obiettivo di ridurre una delle componenti più costose dell’automazione agentica, cioè la quantità di risorse necessarie affinché un modello comprenda continuamente ciò che compare sullo schermo, individui gli elementi con cui interagire e determini l’azione successiva. Il problema diventa particolarmente rilevante nelle automazioni web perché un agente può essere costretto a reinterpretare una pagina a ogni passaggio, mentre le attività agentiche possono arrivare a consumare circa mille volte più token rispetto alle normali interazioni con un sistema AI. Aloha collega questa esigenza a una diffusione sempre più ampia degli agenti nelle applicazioni aziendali: entro la fine del 2026 gli agenti AI specializzati dovrebbero essere integrati nel 40% delle applicazioni enterprise, mentre oltre il 40% dei progetti di agentic AI potrebbe essere cancellato entro la fine del 2027 a causa, tra gli altri fattori, dell’aumento dei costi, di un valore di business non sufficientemente chiaro e di controlli del rischio inadeguati.
Il componente centrale di AlohaJet è LLMdex, una tecnologia che permette all’intelligenza artificiale di individuare direttamente le informazioni e le azioni rilevanti all’interno di una pagina web senza dover analizzare ripetutamente dati grezzi o screenshot completi. LLMdex indirizza il modello verso le parti della pagina necessarie per portare avanti il compito e gli indica quali operazioni possono essere eseguite successivamente, riducendo quindi la quantità di elaborazione impiegata esclusivamente per comprendere l’interfaccia. L’architettura può inoltre utilizzare più modelli contemporaneamente: le operazioni più semplici e ripetitive possono essere assegnate a modelli più piccoli e meno costosi, mentre i passaggi che richiedono maggiori capacità di ragionamento possono essere inoltrati a modelli più potenti. AlohaJet può essere collegato a un singolo modello oppure a diversi modelli scelti dall’utente, compresi sistemi frontier, modelli open source e modelli ospitati direttamente dall’organizzazione che utilizza la piattaforma.
Un altro elemento riguarda la gestione dei workflow ricorrenti. Invece di affidarsi esclusivamente a istruzioni rigide che rischiano di smettere di funzionare quando un sito modifica layout, struttura o design, AlohaJet può riutilizzare ciò che ha già appreso durante precedenti esecuzioni dello stesso processo. L’agente può quindi adattare il comportamento al contesto aggiornato senza dipendere completamente da sequenze di comandi fissate in precedenza, affrontando uno dei problemi più frequenti dell’automazione web tradizionale: la fragilità delle procedure quando cambia l’interfaccia del sito. Questo approccio è pensato soprattutto per workflow ripetuti su larga scala, nei quali anche un piccolo risparmio di token o di tempo per ogni singola esecuzione può produrre differenze consistenti una volta moltiplicato per migliaia di operazioni.
Nei benchmark pubblicati da Aloha, un insieme composto da sei attività web comuni, tra cui ricerca, compilazione di moduli, estrazione di dati e navigazione attraverso più pagine, può richiedere fino a 94.000 token a seconda del metodo utilizzato per l’automazione. Considerando che alcuni modelli frontier possono arrivare a costare fino a 30 dollari per milione di token in output, il consumo generato dall’interpretazione continua delle pagine incide direttamente sul costo complessivo dell’infrastruttura. Nel test di AlohaJet, lo stesso carico di lavoro ha utilizzato il 54% di token in meno ed è stato completato 2,2 volte più velocemente. Il sistema ha inoltre raggiunto un tasso di successo delle attività dell’88%, contro il 51% ottenuto utilizzando l’automazione standard attraverso Chrome e l’11% registrato con Playwright, framework ampiamente utilizzato per automatizzare browser e applicazioni web.
Secondo Andrew Frost, fondatore di Aloha, il problema è emerso direttamente durante lo sviluppo delle automazioni utilizzate dalla stessa società: una parte eccessiva della capacità dei modelli veniva impiegata per stabilire che cosa fosse presente sulla pagina anziché per completare effettivamente il lavoro richiesto. AlohaJet è stato quindi sviluppato per eliminare questa componente di elaborazione considerata ridondante e rendere l’automazione web più veloce ed economicamente sostenibile quando viene eseguita in grandi volumi. Un’attività automatizzata che costa pochi dollari può avere un impatto limitato se eseguita una sola volta, ma la stessa operazione ripetuta 10.000 volte genera rapidamente un costo infrastrutturale significativo, rendendo l’efficienza del browser e dell’interazione con il modello una parte rilevante dell’economia complessiva degli agenti AI.
AlohaJet è destinato sia agli utenti individuali sia agli ambienti aziendali. Un singolo utente può, per esempio, chiedere all’agente di cercare un determinato prodotto attraverso diversi siti, confrontare le alternative disponibili e individuare i venditori che effettuano consegne nella propria area, mentre un’organizzazione può utilizzarlo per automatizzare workflow più estesi e ripetitivi. In ambito enterprise la piattaforma può essere installata direttamente all’interno dell’infrastruttura dell’azienda, permettendo di controllare dove vengono eseguite le attività e dove vengono elaborati i dati. Quando la configurazione viene mantenuta interamente nell’ambiente del cliente, anche le sessioni del browser, le credenziali e i prompt possono restare all’interno della rete aziendale invece di essere trasferiti verso infrastrutture esterne.
Il contenimento del consumo di risorse viene presentato da Aloha anche in relazione all’andamento della spesa aziendale per l’intelligenza artificiale. Il 93% delle organizzazioni avrebbe già superato il proprio budget dedicato all’AI, mentre la spesa sarebbe aumentata di quasi quattro volte con il passaggio da progetti isolati a implementazioni distribuite a livello aziendale. AlohaJet è stato quindi progettato per ridurre il costo tecnico dell’esecuzione dei workflow web basati su agenti, intervenendo in particolare sul numero di token necessari per interpretare le pagine, sulla velocità di completamento e sulla possibilità di distribuire le diverse fasi di uno stesso processo tra modelli con caratteristiche e costi differenti.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)