Il 29 settembre 2025 Anthropic ha fatto due cose contemporaneamente: ha presentato Claude Sonnet 4.5 e ha aperto in libreria l’infrastruttura che fa funzionare Claude Code. Da quel momento il Claude Agent SDK aziende è diventato un tema concreto anche fuori dalla Silicon Valley: non più “come uso un chatbot”, ma “come costruisco un software che agisce”. La distanza tra le due domande è enorme, e in Italia quella distanza ha un nome preciso: mancano le persone in casa per coprirla.
Questo articolo spiega cos’è l’Agent SDK in termini utili a chi decide, cosa permette di costruire davvero, dove i progetti si rompono e come si struttura un percorso con un partner di sviluppo quando il team interno non c’è o è già saturo.
In questo articolo scoprirai:
- Cos’è il Claude Agent SDK e perché non è “un’altra API”
- Cosa si costruisce concretamente: il caso BGL
- Perché il Claude Agent SDK nelle aziende italiane resta sulla carta
- I quattro punti dove il progetto si rompe
- Claude Agent SDK per le aziende: come lavoriamo in Mimir
- Quando serve un partner e quando basta il team interno
Cos’è il Claude Agent SDK e perché non è “un’altra API”
La documentazione ufficiale è netta: «The Agent SDK gives you the same tools, agent loop, and context management that power Claude Code, programmable in Python and TypeScript» (Claude Docs). Tradotto: non è un modello linguistico esposto via HTTP, è il motore agentico completo, disponibile come libreria che gira nel vostro processo.
La differenza operativa è sostanziale. L’API classica di Claude è un’interfaccia richiesta-risposta: mandi un messaggio, ricevi un testo, e il ciclo di chiamata degli strumenti lo implementi tu. L’Agent SDK esegue quel ciclo al posto vostro: riceve un obiettivo, decide quali azioni compiere, le esegue con strumenti integrati e decide quando il compito è finito (MindStudio). Se conoscete già le basi del modello, la nostra guida completa a Claude AI copre il livello sottostante.
Le capacità che l’Agent SDK porta out of the box
Nel pacchetto ci sono strumenti nativi per leggere e scrivere file, eseguire comandi e cercare sul web; hooks per inserire codice custom nei punti chiave del ciclo di vita; subagent con contesto isolato; permessi granulari su quali tool girano in automatico e quali richiedono approvazione; sessioni che si possono riprendere o biforcare; e il supporto MCP per collegare dati e sistemi esterni, se il tema vi è nuovo, partite dalla nostra guida al Model Context Protocol.
C’è poi la gestione del contesto, che è il vero lavoro sporco risparmiato: l’SDK compatta automaticamente la conversazione quando si avvicina ai limiti di token e rilegge i file di istruzioni dopo la compattazione. Chi ha provato a scriverselo da zero lo descrive senza giri di parole: «la differenza in quanto codice di collegamento devi scrivere è significativa» (ksred.com). Sul fronte modello, Sonnet 4.5 ha portato il 77,2% su SWE-bench Verified e il 61,4% su OSWorld per l’uso del computer, con episodi di autonomia mantenuta «for more than 30 hours» su compiti multi-step (Anthropic).
Cosa si costruisce concretamente: il caso BGL
La domanda che conta non è tecnica ma economica: cosa produce valore misurabile. Il caso più documentato è quello di BGL, provider australiano di amministrazione fondi pensione che serve oltre 12.700 imprese in 15 Paesi. Il problema era classico e italianissimo: gli utenti business non sapevano interrogare i dati e dipendevano dal team dati per ogni analisi, creando un collo di bottiglia permanente.
La soluzione costruita con l’Agent SDK non è un chatbot. È un agente che scrive ed esegue script Python per elaborare i risultati delle query e generare visualizzazioni, con la conoscenza di dominio organizzata in file CLAUDE.md e SKILL.md per linea di prodotto, appoggiato su 400+ tabelle analitiche già modellate e con un livello di sicurezza che valida solo query in sola lettura. Risultato: oltre 200 dipendenti accedono ad analisi istantanee da Slack, dai product manager che validano ipotesi ai customer success manager che tirano numeri di account durante una call col cliente (AWS Machine Learning Blog).
Tre lezioni trasferibili alla PMI italiana
Primo: il valore stava nella preparazione del dato, non nell’agente. La logica di business viveva nel layer di trasformazione, non nella finestra di contesto del modello, ed è questa la scelta che rende le risposte coerenti. Secondo: la sicurezza era architetturale (sessioni isolate, permessi in sola lettura), non una policy scritta in un documento. Terzo: l’interfaccia era uno strumento che le persone già usavano.
Sono le stesse tre lezioni che emergono quando si prova a mettere un agente sopra un gestionale esistente, tema che abbiamo trattato in integrare agenti AI con ERP e CRM legacy: la parte difficile non è mai il modello.
Perché il Claude Agent SDK nelle aziende italiane resta sulla carta
Qui arriva il dato che spiega tutto. Secondo le rilevazioni Istat, l’adozione di AI nelle imprese italiane è passata dal 6% del 2023 al 16,4%, ma la media nasconde una frattura netta: 53% nelle grandi imprese, 27% nelle medie, 14,2% nelle piccole. E soprattutto: «più della metà delle imprese con meno di 250 addetti che ha valutato l’AI senza poi adottarla indica come ostacolo principale la mancanza di competenze interne» (W.Training su Rapporto Istat).
Il quadro strutturale conferma: se il 70,2% delle PMI italiane raggiunge almeno un livello base di digitalizzazione, il divario con le grandi imprese si concentra proprio nella carenza di specialisti ICT interni e nella formazione limitata sulla sicurezza informatica (dati Istat via Namirial). Non è un problema di volontà: un’azienda da 40 persone con un IT manager che tiene in piedi rete, gestionale e backup non ha, realisticamente, una persona da dedicare per tre mesi alla progettazione di un sistema agentico.
Quanti progetti Claude Agent SDK arrivano davvero in produzione
La conseguenza è prevedibile e Gartner l’ha quantificata: oltre il 40% dei progetti di AI agentica sarà cancellato entro fine 2027, per costi crescenti, valore di business non chiaro o controlli di rischio inadeguati. La causa individuata dall’analista Anushree Verma è che «most agentic AI projects right now are early-stage experiments or proof of concepts that are mostly driven by hype», distribuiti senza strategia e senza governance per gestire gli errori (MarTech). Sul perché il problema quasi mai sia tecnologico, rimandiamo a se l’AI generativa non genera ROI.
I quattro punti dove il progetto si rompe
Skill gap. L’SDK è una libreria Python/TypeScript, non un prodotto no-code. Chi lo usa deve saper progettare i confini di un agente, scegliere quali tool esporre e quando isolare il contesto in un subagent. È lavoro di software engineering, con una sensibilità nuova sul non-determinismo.
Integrazione. Un agente utile deve leggere il vostro ERP, il CRM, il magazzino. MCP standardizza il collegamento, ma qualcuno deve scrivere e mantenere quei server e decidere quali dati escono dal perimetro aziendale. Le Skills di Anthropic aiutano a impacchettare la conoscenza di dominio, non a inventarla.
Sicurezza e costi: i due controlli che nessuno imposta al primo giro
Portare l’SDK in produzione richiede «sandboxing, network restrictions, and permission controls», oltre alla gestione di ciclo di vita dei processi e limiti di risorsa (MindStudio). Sul fronte economico il rischio è ancora più banale: max_turns è illimitato per default e max_budget_usd è opzionale, quindi «un agente in produzione senza limiti espliciti può girare per molti turni e accumulare costi senza un interruttore di sicurezza» (Augment Code). C’è poi un dettaglio che genera bug silenziosi: se un tool custom non restituisce isError: true su un fallimento recuperabile, il ciclo si ferma e Claude non vede mai l’errore.
Manutenzione. Il campo si muove ogni poche settimane, dai nuovi modelli come Opus 4.6 ai cambi di gestione permessi come la modalità Auto di Claude Code. Le sessioni create su versioni vecchie dell’SDK non sempre riprendono su versioni nuove: un agente non è un progetto a fine, è un sistema da presidiare.
Claude Agent SDK per le aziende: come lavoriamo in Mimir
Qui la posizione di Mimir è esplicita: vendiamo un servizio, non solo un prodotto. Un’azienda che vuole un agente costruito sull’Agent SDK non ha bisogno di una licenza in più, ha bisogno di qualcuno che copra i quattro punti sopra al posto suo e poi le lasci in mano qualcosa di governabile.
Le quattro fasi di un progetto Claude Agent SDK
Il percorso tipico che proponiamo ha quattro momenti. Il primo è la selezione del caso d’uso: si parte da un collo di bottiglia dove il costo del lavoro manuale è già visibile in ore-persona, non dal processo più affascinante. Il secondo è la preparazione del terreno: dati accessibili e coerenti, perimetro degli strumenti, definizione di cosa l’agente non deve poter fare, è la lezione del caso BGL applicata a scala PMI. Il terzo è la costruzione con permessi e budget stretti, misurando su un gruppo pilota. Il quarto, quello che di solito manca nei progetti che poi vengono cancellati, è l’onboarding delle persone e il presidio nel tempo: chi legge i log, chi decide di allentare un permesso, chi aggiorna l’SDK quando cambia.
Su cosa aspettarsi concretamente da questo tipo di rapporto abbiamo scritto una guida dedicata alla consulenza agenti AI per PMI, e una su come scegliere un partner AI in Italia, utile anche se poi sceglierete qualcun altro, perché contiene le domande da fare a chiunque si presenti. Vale la pena ricordare il dato Gartner sull’agent washing: su migliaia di fornitori che si dichiarano agentici, secondo l’analisi solo un centinaio circa offre capacità reali.
Quando serve un partner e quando basta il team interno
Non tutte le aziende hanno bisogno di aiuto esterno. Il criterio è ragionevolmente semplice. Se in casa avete almeno uno sviluppatore Python o TypeScript senior con tempo dedicato reale, un’infrastruttura dove potete girare processi con sandbox e un caso d’uso a basso rischio, l’SDK è documentato e i demo ufficiali sono pubblici: fatelo internamente e imparate.
Serve un partner quando ricorre almeno uno di questi tre segnali. Primo: l’agente deve toccare dati regolamentati o sistemi di produzione, lì gli errori non sono didattici. Secondo: nessuno in azienda ha mai messo in produzione un sistema non-deterministico, quindi mancano le abitudini di osservabilità e rollback prima che manchino le competenze. Terzo: avete già fatto un proof of concept che funzionava in demo e non ha mai superato il muro dell’integrazione, è esattamente il pattern che Gartner descrive.
Agent SDK, CLI, API o Managed Agents: come scegliere
Anthropic stessa distingue quattro strade: l’Agent SDK se volete un agente senza implementare il tool loop; la CLI per lavoro interattivo e task one-off; il Client SDK se preferite chiamare l’API e gestire il loop da soli; i Managed Agents, prodotto separato con REST API ospitata, se non volete gestire sandbox e infrastruttura di sessione. Un dettaglio operativo spesso ignorato: la libreria esiste solo per Python e TypeScript, e per pilotare lo stesso ciclo da altri linguaggi si lancia la CLI come sottoprocesso con -p e --output-format json. Per il livello successivo, integrazione nei processi e guardrail, vedi integrare Claude in azienda.
Se state valutando un agente costruito sull’Agent SDK e vi riconoscete in almeno uno dei tre segnali qui sopra, vale la pena parlarne prima di scrivere codice: la fase in cui si decide cosa l’agente non deve poter fare è quella che determina se il progetto arriva in produzione. Su mimir.bot trovate come lavoriamo e come richiedere una consulenza sul vostro caso specifico.
Fonti:
- Claude Docs — Agent SDK overview
- Anthropic — Introducing Claude Sonnet 4.5
- AWS Machine Learning Blog — il caso BGL con Claude Agent SDK
- MindStudio — Claude Agent SDK vs Claude API
- Augment Code — agent loop, tool call e limiti di budget
- Agenda Digitale — agenti Claude, guida pratica per l’azienda
- ksred.com — cosa fa davvero il Claude Agent SDK
- Namirial — lettura dei dati Istat sulla digitalizzazione delle imprese
- DeepLearning.AI The Batch — lancio di Sonnet 4.5 e dell’Agent SDK
- Gartner — oltre il 40% dei progetti di AI agentica cancellati entro il 2027
- BigDATAwire — la previsione Gartner sui progetti agentici
- MarTech — le cause di fallimento dei progetti agentici secondo Gartner
