AI, MAX News - Maggio 2026: Ambienti Agentici locali e personalizzati

Questo mese ho passato un sacco di tempo a configurare ambienti per gli agenti AI, di amici, di clienti e ovviamente il mio: miniMe, il mio agente personale che gira sul mio computer.

E ha senso. Il CEO di Obsidian si è scritto da solo un set di skills per i suoi agenti. Ma ho manager, imprenditori, professionisti che mi raccontano quotidianamente di come stanno creando ambienti locali personalizzati e di come questo stia cambiando le loro routine. Solo sono timidi ma… prima o poi intervisterò qualcuno di loro per raccontarvelo meglio. Vero? So che mi state leggendo, attendo le candidature 😊.

Tutto questo mentre Milano Finanza mi intervistava sull’AI agentica nell’industria italiana - il tema vero, ridisegnare lavoro e processi - e nel frattempo uno di quegli ambienti mi faceva precipitare nel mondo del micromanagement agentico, che ho raccontato in tempo reale.

Il filo c’è tutto: per usare l’AI bisogna prima configurarla, personalizzarla, farla propria.

Per troppi anni abbiamo lavorato con sistemi di altri, configurati da altri, con regole scritte da altri. E abbiamo fatto degli sforzi cognitivi enormi per adattarci al software, invece di adattare il software a noi.

Con l’AI agentica e i sistemi agentici locali che ho già raccontato qui in italiano e qui in inglese, questa dinamica si sta invertendo. L’AI non è più un tool che usiamo, ma una piattaforma che configuriamo per i nostri scopi.

È un tema non banale se ci pensate: configurare significa prendere decisioni su come deve funzionare, quali regole deve seguire, quali dati deve usare. Significa assumersi la responsabilità di ciò che fa l’AI. Diventa un “ingaggio attivo”.

Configurare significa anche sapere di cosa si ha bisogno, cosa funziona meglio per sé. Il tutto a prescindere dall’uso personale o da quello lavorativo. Lavorare con Ambienti Agentici Locali significa avere il controllo totale su come l’AI interagisce con i nostri dati, i nostri processi, le nostre regole.

Ve la dico ancora più semplice: smettiamo di soffrire dentro a form e sistemi fatti da altri e iniziamo a crearci il nostro modo di lavorare assistito da agenti. Mi aspetto ci esprimeremo molto meglio e saremo molto più produttivi. E questo ci permetterà anche di capire meglio i bisogni che stanno emergendo e che raccontavo un bel po’ di tempo fa quando parlavo di pastori di agenti (EN), ruolo che trovo sempre più attuale.

Poi piano piano ci preoccuperemo di comunicare con gli altri, e per farlo useremo i metodi tradizionali. Creeremo pdf, word, excel e pure powerpoint se servirà… Ma quel che sto vedendo in questi mesi è probabilmente la rivoluzione più grande. Quella del full-stack human (EN) - tema del mese scorso - che sta esplodendo sempre più, e ama crearsi strumenti con l’AI e ampliare il suo raggio d’azione in azienda. Ve ne parlo anche sotto con il mio primo articolo AI-LAB del blog.

Non importa quanto siete tecnici: importa quanto siete curiosi, quanto vi interessa trovare sistemi che si adattano come un guanto su misura al vostro modo di lavorare digitale. Al vostro nuovo modo di fare vibe working.

Questo mese vi racconto un po’ di storie sparse su questo tema.

Il sé esteso: configurare l’AI invece di usarla

L’errore più comune che vedo nelle aziende è trattare gli agenti AI come chatbot evoluti. Ci si parla, si chiede, si copia-incolla la risposta. E ci si lamenta che “non funziona come promesso”.

Il salto vero è questo: smettere di usare l’AI come un tool da imparare e iniziare a configurarla. Le skill sono il pezzo più importante di questa configurazione: il “foglietto” che dice all’agente come fare le cose come le fai tu. Ho dedicato a questo tema il primo articolo della nuova serie AI LAB del blog: “Skill AI: come condividerle e adottarle in sicurezza” (EN). Parte dalla magia delle skill - un assistente nuovo che eredita istantaneamente il manuale operativo di chi l’ha addestrato - e arriva al protocollo ShareMe.md per non installarle a scatola chiusa. Perché? A febbraio 2026 un audit ha trovato oltre 340 skill malevole su 2.700 in uno dei principali marketplace, tarate per categorie umane dove la voglia di installare subito vince sulla voglia di leggere il codice.

Quattro altri segnali esterni, dello stesso filone, sempre da questo mese:

• Le 4 regole CLAUDE.md di Karpathy. Andrej Karpathy ha pubblicato quattro regole semplici per il file CLAUDE.md (il “manuale d’uso” che si dà agli agenti) — il repo è schizzato a 132k stars su GitHub. Risultato misurato su 30 codebase: gli errori passano dal 41% all’11%. Quattro righe di testo. Non un nuovo modello, non un fine-tuning. Solo istruzioni scritte meglio. (Karpathy, tra l’altro, sta cambiando di nuovo lavoro: da Tesla a OpenAI ed ora in Anthropic.)

• Il CEO di Obsidian si scrive le skills. Steph Ango (Obsidian) non ha aspettato che qualcuno gli configurasse l’AI per il suo lavoro. Si è scritto personalmente un set di competenze per Claude Code, in modo che gli agenti sappiano usare i suoi strumenti. Messaggio implicito: se non lo fai tu, lo fa qualcun altro al posto tuo (e male).

• Markdown come mediation layer. Cobus Greyling spiega perché il markdown sta diventando il “linguaggio comune” tra umani e agenti AI. Niente schemi rigidi, niente JSON, niente protocolli proprietari. Un formato testuale leggibile da entrambi. Implicazione operativa: chi sa scrivere in markdown ha già metà della patente per lavorare con gli agenti.

• Claude Agent SDK ora con piano consumer. Anthropic ha aperto l’Agent SDK ai piani consumer. Significa che non serve più un’infrastruttura enterprise per integrare agenti nei flussi aziendali. Barriera d’ingresso abbassata, scuse finite.

Il pattern è chiaro: chi configura vince, chi usa e basta subisce, ancora, decisioni altrui.

Configurare ambienti più vasti, e robotici

Il tema “configurare l’AI” non si ferma al file CLAUDE.md o alle skills personali. Sta scalando. Prima configuriamo agenti, poi configuriamo i mondi in cui gli agenti girano. È il filo che Karpathy chiama Software 3.0: non scriviamo più codice, configuriamo intelligenze e ambienti in linguaggio naturale - e nel 2026 quegli ambienti smettono di essere file di testo e diventano mondi simulati.

In una frase: un’AI generativa che deve produrre il video di un albero al vento è costretta a disegnare ogni foglia in ogni frame. Un world model capisce la fisica del vento, sa cos’è un albero, e l’albero risponde da solo. Il primo imita, il secondo sa.

Tre aggiornamenti di queste settimane vanno tutti nella stessa direzione:

• Google ha esteso il world model Genie a Street View: da una foto di una strada reale, un mondo navigabile e fisicamente coerente.

• NVIDIA Lyra 2.0 (paper arXiv, modello su Hugging Face): da una singola immagine, un ambiente 3D esplorabile fino a 90 metri, esportabile direttamente in Isaac Sim per addestrare robot.

• Gemini Robotics-ER 1.6: il modello embodied di DeepMind ora legge manometri e termometri industriali con il 93% di accuratezza (era al 23% nella versione precedente). Lo monta già lo Spot di Boston Dynamics in ispezioni industriali autonome.

Quello che dico nei workshop è questo: se non impariamo a maneggiare il Software 3.0 sui sistemi agentici virtuali - gli agenti che configuriamo oggi sul nostro laptop - faremo molta più fatica con i sistemi robotici di domani. Stesso paradigma, stesso muscolo mentale: configurare l’ambiente in cui un’intelligenza agisce. Solo che lì l’ambiente è il magazzino, la cella di lavoro, la linea di produzione.

Per l’industria italiana di cui parlavo a Milano Finanza - filiere corte, conoscenza incarnata, customizzazione - è una finestra. Chi sta imparando ora a configurare un ambiente agentico sul proprio computer sta in realtà costruendo il muscolo che servirà per configurare un robot in fabbrica. Quella conoscenza non si compra in licenza.

I numeri del mese, su un’inflazione di tipo nuovo

Stanford AI Index 2026. Il report annuale di Stanford HAI conferma quello che vedo sul campo: l’adozione AI accelera, ma le aziende che ottengono risultati veri sono quelle che hanno fatto trasformazione culturale e organizzativa, non solo acquisto di tool. Ho riassunto i numeri principali in un post da 20 slide animate su LinkedIn - utile come briefing veloce per chi non ha tempo di leggere 400 pagine.

Microsoft cancella le licenze interne di Claude Code. Notizia confermata dal pezzo Fortune che cito qui sotto: il token-based billing non sta tenendo per usi intensivi. Promessa marketing: “AI accessibile a tutti”. Realtà: i conti tornano solo se l’uso è controllato. Spendere più di token che di stipendi ha senso solo se c’è valore aggiunto (tempi di go-to-market, qualità, velocità, efficacia). Tema da monitorare.

Gemini 3.5 Flash costa 5,5 volte il predecessore, e non è l’unico. Google ha rilasciato Gemini 3.5 Flash promettendolo “più veloce ed economico”. Sul listino nominale per token è già 3x secco: $0,50/$3,00 per milione (input/output) sul Flash 3, $1,50/$9,00 sul nuovo Flash 3.5. Ma quando Artificial Analysis ha provato a far girare il benchmark completo, il costo totale è risultato 5,5 volte quello del predecessore: 3x sul listino più un’inflazione dei “turn” agentici che brucia molti più token in input.

Anche qui Hacker News è in fiamme e Reddit pieno di lamentele. E non è un caso isolato. Con il rilascio di Claude Opus 4.7 (16 aprile), Anthropic ha introdotto un nuovo tokenizer che, a parità di testo in input, produce fino al 35% di token in più rispetto a Opus 4.6. Sul listino nominale ($5/M input, $25/M output) non cambia nulla: Anthropic ha potuto raccontare che “i prezzi sono invariati”. Sul conto vero sì: misurazioni indipendenti di OpenRouter parlano di +12-27% di costo a parità di lavoro, con punte del +20-30% sulle sessioni Claude Code più intensive (analisi cost-math). La community se n’è accorta: thread furibondi “Opus 4.7 is not an upgrade but a serious regression” con migliaia di upvote. Il messaggio è chiaro: pricing unchanged non vuol dire cost unchanged. Microsoft lo dice in modo brutale a Fortune del 22 maggio: “l’AI sta costando più di quanto costino le persone”. Tema enorme, sotto-discusso.

Anche OpenAI ha giocato la stessa partita: con il rilascio di GPT-5.5 il listino è raddoppiato secco ($2,50 → $5,00/M input, $15 → $30/M output). OpenRouter ha misurato un costo effettivo +49-92% rispetto a GPT-5.4, attenuato solo sui prompt molto lunghi. Il pattern è di settore, non di singolo vendor: Google triplica il listino Flash, Anthropic gonfia il tokenizer, OpenAI raddoppia il listino. Stesso playbook, attori diversi. Tutti raccontano “modello più potente”; nessuno spiega “task più caro”.

Qui torna utile una metrica che scrivo nel libro “Assumere un’intelligenza artificiale in azienda” da un paio d’anni, e che diventa centrale adesso: occhio ai task per token. Quanti token servono per fare un task? E quanto costa quel task in euro reali? Non è ininfluente. Il prezzo per milione di token sui benchmark non vi dice nulla sul costo del lavoro vero. Quello che conta è quanti token brucia il vostro flusso completo (prompt, context, retry, sub-agenti, tool calls) per chiudere un’unità di valore consegnabile. Senza questa misura state firmando contratti al buio.

La commoditizzazione dell’inferenza che ci avevano promesso non sta arrivando. Sta arrivando il contrario: più capacità, più costo, più necessità di sapere cosa si sta comprando.

Il punto comune: leggiamo i numeri prima di credere al marketing.

Su Anthropic, un buon approfondimento è quello di Ignacio De Gregorio su Medium, con un titolo che dice tutto: The Dark Side of Anthropic’s Growth. Analizza la crescita di Anthropic e i costi reali dietro i numeri pubblici. Una lettura utile per chi vuole capire l’economia dell’AI prima di firmare contratti pluriennali. Perché nessuna azienda è perfetta (a parte le vostre, certo 😉) e dietro ogni successo ci sono scelte, compromessi, trade-off.

Intanto in Oriente

Mentre Occidente alza i prezzi, in Asia escono modelli open-weight a velocità sostenuta. Tra aprile e maggio tre rilasci importanti:

• Kimi K2.6 di Moonshot (20 aprile): nuovo orchestratore Swarm 2.0 che scala fino a 300 sub-agent paralleli, contesto 262k token. Si avvicina a Opus 4.6 sui benchmark.

• Qwen 3.6 di Alibaba: 35B parametri totali, ne attiva 3B per token, $0,38 per milione di token sull’agentic coding (un decimo di Claude/GPT).

• DeepSeek V4 (24 aprile): 1,6 trilioni di parametri sul Pro, 1 milione di token di contesto, Hybrid Attention. Numero uno sulla leaderboard cinese.

Non ne parlo come faccio per Claude o GPT perché non li ho ancora testati a fondo nei miei use case reali. Vale la pena rompere l’inerzia “occidente-only” e provarli sul serio, almeno per i task dove il prezzo per token conta davvero.

Una nota a margine

Questo mese ho scritto anche un post che non rientra nel filo principale ma che tornerà sempre più spesso: Stiamo abolendo la solitudine. L’AI come compagnia umana. Tema scomodo, dimensione che cresce in silenzio, conseguenze sociali ancora tutte da capire. Lo lascio qui senza commento, in attesa di leggere i vostri.

Ohm’s Law - perché a volte spingi e non esce niente

Per chiudere torno sul post che ha fatto più discutere del mese: la Legge di Ohm applicata all’adozione AI.

Tensione (la vision del manager) diviso resistenza (status quo, abitudini, mancanza di contesto) uguale corrente (risultati). Se la resistenza è alta, puoi spingere quanto vuoi: non esce nulla.

La resistenza non si abbassa con più tool, più demo, più workshop generici. Si abbassa configurando: dare contesto, scrivere istruzioni chiare, far sedere insieme persone e agenti su problemi veri. Esattamente quello di cui ha parlato tutta la newsletter di questo mese.

È il motivo per cui ho costruito un percorso operativo dentro AI, MAX Academy. Si chiama miniMe: il tuo agente AI. Sul tuo computer. e parte dal foglio bianco per arrivare al primo ambiente personale funzionante in poche serate, con i vostri materiali veri. È un percorso da leggere e sperimentare, con un tutor AI dentro la piattaforma a cui potete parlare quando vi blocca qualcosa.

Di fatto l’ho lanciato il mese scorso e i primi studenti hanno già attraversato il percorso e lasciato un sacco di feedback, voto medio 4,46/5 (l’85% tra 4 e 5 stelle). Gli aggettivi che tornano nei commenti sono geniale, chiaro, fluente, facile da seguire, mega easy, soddisfacente. E c’è anche un Owners Club attivo su WhatsApp dove chi ha già costruito il proprio agente si scambia configurazioni, skill e dubbi quotidiani.

Per gli iscritti alla newsletter, questo mese sconto 70%.

Inizia il corso miniMe - 70% di sconto

Così poi potrete capire meglio quello che ho scritto questo mese configurando il vostro agente personale. Non quello copincollato di qualcun altro. 😊

Enjoy AI Responsibly! Massimiliano