Per due anni costruire un agente AI ha voluto dire scriversi un ciclo: chiami il modello, guardi se chiede uno strumento, esegui lo strumento, restituisci il risultato, ricominci. Quel ciclo ha un nome, agent loop, e fino a ieri era codice tuo. Nel 2026 i frontier lab e i cloud provider se lo stanno riprendendo dentro l’API: orchestrazione, sandbox, routing dei modelli, tool, skill e ottimizzazione arrivano confezionati dietro un endpoint. È il passaggio al managed agent loop, e cambia la prima domanda che un’azienda deve farsi prima di partire.
In questo articolo scoprirai:
- Cos'è il loop di un agente AI, spiegato senza gergo
- Cosa significa «managed agent loop»: il ciclo che non scrivi più tu
- Cosa si stanno prendendo i lab: orchestrazione, tool, sandbox e memoria
- Cosa tenere in casa e cosa delegare all'API
- Cosa serve a una PMI italiana per usare davvero un loop gestito
Cos’è il loop di un agente AI, spiegato senza gergo
Un modello linguistico, da solo, fa una cosa sola: riceve testo e restituisce testo. Un agente è quello stesso modello messo dentro un ciclo che non si ferma alla prima risposta. La documentazione formativa di Anthropic lo riassume in una riga: «un agente è Claude dentro un loop: osserva, decide, agisce, ripete» (Claude Platform 101). Il giro continua finché il modello non dichiara di aver finito, tecnicamente, finché lo stop reason non diventa end_turn. È il modello a decidere quando fermarsi, non il codice: qui sta la differenza fra un agente e una sequenza di chiamate predefinite. Se vuoi il quadro completo di cosa sanno fare davvero, lo abbiamo raccolto nella guida 2026 sugli agenti AI.
I quattro passi del loop, uno per uno
Il ciclo minimo ha quattro momenti che si ripetono. Osserva: al modello arriva il contesto, cioè la conversazione fino a quel punto più l’elenco degli strumenti disponibili, ognuno con nome, descrizione e schema degli input. Decide: risponde con una risposta finale oppure con la richiesta di usare uno strumento. Agisce: il tuo codice esegue davvero quella chiamata, interroga il database, scrive un file, apre una pagina. Ripete: il risultato rientra nel contesto e il giro riparte. Anthropic divide i compiti in modo netto: «il loop e gli strumenti sono tuoi, il ragionamento è di Claude» (Claude Platform 101). Gli agenti, quindi, sono davvero dei loop: quello che cambia da un sistema all’altro non è il ciclo, ma quanta infrastruttura serve a tenerlo in piedi in produzione.
Cosa significa «managed agent loop»: il ciclo che non scrivi più tu
Un loop gestito è esattamente quello: qualcun altro esegue il ciclo al posto tuo. La documentazione di Anthropic è esplicita, «invece di costruire il tuo agent loop, l’esecuzione degli strumenti e il runtime, ottieni un ambiente completamente gestito in cui Claude può leggere file, eseguire comandi, navigare sul web ed eseguire codice in sicurezza» (Claude Managed Agents). AWS descrive lo stesso oggetto partendo dal problema: «ogni agente ha un livello di orchestrazione: un loop che chiama il modello, sceglie gli strumenti, restituisce i risultati, gestisce il contesto e tratta gli errori», e quel livello richiede sotto di sé compute, sandbox, connessioni sicure, filesystem, memoria, identità e osservabilità (AWS Bedrock AgentCore).
La categoria ha già un nome di mercato: «runtime ospitati che raggruppano inferenza LLM, orchestrazione di agenti ed esecuzione di codice in sandbox in un unico servizio gestito» (AIMultiple). Il punto non è che scrivere un loop sia difficile: è che tenerlo in piedi per più di un utente lo è. La documentazione di AWS lo dice con una frase che qualsiasi CTO riconosce: «metterne in piedi uno in locale è veloce, è in produzione che il lavoro esplode», e il momento in cui esplode è quando arrivano concorrenza, isolamento, identità, stato e scaling. È la stessa logica per cui, su un agente aziendale, il servizio conta più del modello.
Cosa si stanno prendendo i lab: orchestrazione, tool, sandbox e memoria
Guardare cosa c’è dentro queste API dice meglio di qualunque analisi quanto in là sia arrivato l’assorbimento, lo stesso movimento che avevamo già visto con l’Agents API di OpenAI. Claude Managed Agents è costruito su quattro concetti, Agent (modello, system prompt, tool, server MCP e skill), Environment (sandbox cloud gestita o self-hosted sulla tua infrastruttura), Session ed Events, e porta già dentro bash, operazioni sui file, ricerca e fetch web con allowlist di domini, più il collegamento a server MCP esterni (Claude Platform Docs). Anche il prompt caching e la compaction del contesto sono passati dal codice dell’applicazione all’harness: ottimizzazioni che un anno fa ogni team si scriveva da sé.
Routing dei modelli, versioning e A/B test diventano configurazione
Sul lato AWS il perimetro è ancora più largo. Ogni sessione gira in un microVM isolato e stateful, con filesystem e shell propri, e può usare «qualsiasi modello fornito da Amazon Bedrock, OpenAI, Google Gemini, o qualsiasi provider compatibile con LiteLLM», arrivando a cambiare provider a metà sessione senza perdere il contesto, pianifichi con un modello ed esegui con un altro. Sopra ci stanno versioni immutabili, endpoint nominati con rollback istantaneo e A/B test «con reportistica di significatività statistica per sessione» (AWS Bedrock AgentCore). Provare un modello diverso o aggiungere uno strumento «è un cambio di configurazione, non una riscrittura di codice». Il vantaggio è vero e misurabile; il prezzo è che la tua architettura di orchestrazione vive dentro il file di configurazione di un fornitore.
Cosa tenere in casa e cosa delegare all’API
È la domanda pratica che il passaggio impone, e ha una risposta ragionevole: delega il generico, tieni il tuo. Generico è tutto ciò che nessun cliente ti pagherà mai, sandbox, retry, streaming degli eventi, persistenza della cronologia, rotazione delle credenziali. Su quest’ultimo punto un’analisi del runtime di Anthropic nota che la piattaforma «gestisce lo scambio dei token, i cicli di refresh e i flussi di consenso dell’utente», codice di autenticazione che sparisce dal repository (MindStudio). Tuo è il livello che conosce il tuo mestiere: quali dati l’agente può toccare, quali decisioni deve chiedere a un umano, cosa significa «lavoro fatto bene» nel tuo processo, ed è precisamente il contenuto di un agente costruito su misura. È la stessa frontiera che separa un agente chiavi in mano da uno self-service.
Quando conviene ancora scriversi il loop a mano
Quando il vincolo è la durabilità o la conformità. Inngest elenca i punti in cui i loop si rompono davvero: cicli che ne supervisionano altri, cicli su schedule, cicli che devono sopravvivere a deploy e crash, cicli che generano sotto-agenti e ne aspettano il risultato anche per ore. Il guasto tipico è banale e costoso: dopo un riavvio «quel messaggio Slack l’ha già mandato? Non lo sai. Riparte da capo» (Inngest). Sul fronte conformità, Anthropic avverte che Managed Agents, essendo stateful per design, non è al momento coperto da Zero Data Retention né da BAA HIPAA (Claude Platform Docs): per una sanitaria o una banca è una discriminante che precede qualsiasi valutazione di comodità, ed è il punto in cui la domanda diventa se affidare la gestione a un partner.
Cosa serve a una PMI italiana per usare davvero un loop gestito
Qui sta il paradosso che si vede già nei numeri. In un confronto di AIMultiple su trenta task identici, Claude Managed Agents e Vertex AI Agent Engine superano 30 task su 30, contro 27 su 30 di OpenAI Responses, con costi per suite fra 1,45 e 2,50 dollari (AIMultiple): è una comparazione fra piattaforme pubblicata da un vendor comparison, non un benchmark indipendente. La capacità tecnica non è più il collo di bottiglia, e costa pochi euro a esecuzione. Il collo di bottiglia è a monte e a valle: capire quale processo aziendale vale la pena mettere in un loop, quali strumenti esporgli, dove pretendere un’approvazione umana, e chi se ne occupa il giorno dopo. Un harness gestito non risponde a nessuna di queste domande.
È esattamente la promessa di Mimir alle PMI italiane, e la ragione per cui non vendiamo solo un prodotto: l’onboarding è lo strato che rende un loop gestito utilizzabile in un’azienda vera, mappare il processo, collegare i dati che avete già, definire i limiti dell’agente e restare accanto a chi lo usa quando il processo cambia. È il motivo per cui la licenza da sola non basta e per cui la manutenzione post-deployment pesa più del lancio.
Se in azienda avete un processo che sembra adatto a un agente ma non sapete da dove cominciare, parlatene con noi: una consulenza serve prima di tutto a capire se il caso regge, e questo lo si decide guardando il vostro processo, non l’API di turno.
Fonti:
- Claude Platform 101, The Agent Loop Explained
- Claude Platform Docs, Managed Agents overview
- AWS Bedrock AgentCore, Harness (documentazione)
- AIMultiple, Confronto piattaforme per agenti AI
- MindStudio, What is Anthropic Managed Agents
- Inngest, Agent loop architecture
Domande frequenti
Che cos'è l'agent loop di un agente AI?
È il ciclo che trasforma un modello linguistico in un agente: osserva il contesto, decide se rispondere o usare uno strumento, agisce eseguendo lo strumento e ripete con il risultato rientrato nel contesto. Il giro continua finché è il modello stesso a dichiarare di aver finito, non il codice che lo governa. È questa differenza a separare un agente da una sequenza di chiamate predefinite.
Cosa significa «managed agent loop»?
Significa che il ciclo non lo esegui più tu: lo esegue il fornitore dentro la sua API. Orchestrazione, sandbox, esecuzione degli strumenti, gestione del contesto, autenticazione e osservabilità arrivano già confezionati dietro un endpoint. Claude Managed Agents e AWS Bedrock AgentCore sono i due esempi più completi oggi disponibili.
Quando conviene ancora scriversi il loop a mano?
Quando il vincolo è la durabilità o la conformità. Cicli che devono sopravvivere a deploy e crash, o che generano sotto-agenti attesi per ore, richiedono garanzie che un harness gestito non dà: dopo un riavvio non sai se quel messaggio è già partito. Sul fronte compliance, Claude Managed Agents non è al momento coperto da Zero Data Retention né da BAA HIPAA, una discriminante per sanità e finanza.
Cosa serve a una PMI per usare un loop gestito?
Non capacità tecnica: quella è ormai disponibile a pochi euro a esecuzione. Serve il lavoro a monte e a valle, cioè scegliere quale processo vale la pena automatizzare, quali strumenti esporre all'agente, dove pretendere un'approvazione umana e chi mantiene il sistema quando il processo cambia. È lo strato di onboarding, non la licenza.
