NeevCloud ha lanciato Agentic Studio, una piattaforma pensata per eseguire agenti AI, codice generato dai modelli e workflow autonomi in ambienti sandbox separati dai sistemi aziendali di produzione. Il servizio nasce per affrontare un problema pratico della diffusione degli agenti: un modello può pianificare attività, utilizzare strumenti, leggere file, avviare script e compiere operazioni in più passaggi, ma deve poterlo fare senza ottenere un accesso diretto e non controllato a infrastrutture, dati e applicazioni critiche.
Agentic Studio crea ambienti di calcolo isolati e disponibili su richiesta. Un team può avviare una nuova sandbox, selezionare una configurazione di risorse e far eseguire all’agente attività come elaborazione di file, uso di script, analisi di repository software, automazione browser o procedure composte da più fasi. L’infrastruttura sottostante viene gestita dalla piattaforma, evitando che gli sviluppatori debbano predisporre manualmente macchine virtuali, dipendenze, permessi e configurazioni di base.
La separazione dell’ambiente è il punto centrale del prodotto. Un agente può dover scaricare un documento, elaborare un foglio di calcolo, testare una modifica software oppure interrogare una serie di strumenti. In un normale ambiente operativo, un errore nella catena di istruzioni può coinvolgere dati sensibili, file condivisi o servizi collegati. L’esecuzione in sandbox limita il perimetro dell’azione e consente di testare il comportamento dell’agente prima che venga collegato a sistemi con conseguenze operative reali.
La piattaforma supporta workflow stateful attraverso snapshot del filesystem. Questo significa che lo stato di una sandbox può essere salvato, sospeso, ripristinato o duplicato. La funzione è utile quando un’attività richiede molto tempo, quando un agente deve riprendere un lavoro da una condizione precedente oppure quando un team vuole confrontare più strategie di esecuzione partendo dalla stessa base. Lo snapshot rende inoltre più semplice analizzare un errore, riprodurre un risultato o verificare quali modifiche siano state introdotte durante una procedura automatizzata.
Agentic Studio prevede anche l’orchestrazione multi-agent. In un workflow più strutturato, un agente può essere incaricato di pianificare il compito, un secondo di eseguire le azioni, un terzo di validare l’output e un quarto di preparare un report. Assegnare ambienti distinti ai vari ruoli riduce la sovrapposizione delle attività e permette di applicare controlli specifici alle singole fasi. Un agente destinato alla validazione, ad esempio, può essere limitato alla lettura dei risultati senza avere gli stessi permessi di quello incaricato dell’esecuzione.
Tra le configurazioni previste figurano template per browser e accesso VNC, pensati per agenti che devono operare su pagine web o interfacce visuali. Questo tipo di capacità è rilevante per attività come raccolta di informazioni, compilazione assistita, verifica di procedure web e automazione di applicazioni che non espongono API complete. In questi casi la sandbox consente di isolare anche sessioni browser, file temporanei e credenziali utilizzate nel workflow.
NeevCloud posiziona il servizio come infrastruttura per AI sovrana, con esecuzione e dati mantenuti nell’ecosistema cloud indiano. Questo aspetto è rivolto in particolare a banche, servizi finanziari, sanità, pubblica amministrazione e altri settori nei quali la localizzazione dei dati, la tracciabilità delle azioni e il controllo della giurisdizione assumono un peso rilevante. La sovranità, in questo modello, non riguarda solo il luogo in cui un dataset viene archiviato, ma anche il luogo nel quale un agente legge, elabora e utilizza quelle informazioni.
I casi d’uso indicati comprendono assistenza clienti, sviluppo software, analisi documentale, riconciliazioni finanziarie, ricerca e operazioni sui dati. Un agente può analizzare richieste, recuperare informazioni da una knowledge base, preparare risposte o elaborare documenti, mantenendo l’esecuzione in un ambiente controllato. Nei workflow di coding può invece ispezionare repository, eseguire test e verificare modifiche senza intervenire subito sul codice di produzione.
La piattaforma punta quindi a costruire un livello di esecuzione tra il modello AI e l’infrastruttura aziendale. Il modello può restare responsabile di ragionamento e pianificazione, mentre la sandbox definisce dove le azioni vengono compiute, quali risorse sono disponibili e come le attività possono essere osservate, ripetute o interrotte. Per gli agenti destinati a operare su dati e processi reali, questa separazione diventa una condizione tecnica essenziale per passare dalla sperimentazione a un utilizzo aziendale più governabile.