Smettete di trattare gli agenti AI come semplici script Python che girano in un loop infinito e sperando che il server non esploda.
Se avete seguito l’evoluzione dell’AI nell’ultimo anno, avrete capito che siamo passati dal chiedere ‘scrivimi una poesia sui gattini’ al creare sistemi che devono effettivamente *fare* cose: compilare codice, esplorare repo, usare tool esterni. Il problema? Gestire una flotta di agenti che lavorano in autonomia è un incubo infrastrutturale. Non sono microservizi (che sono stateless e prevedibili) e non sono batch job (che finiscono e basta). Sono esseri digitali che accumulano stato, chiamano API, consumano token e, se lasciati senza supervisione, possono bruciare il budget aziendale più velocemente di un render 3D su una workstation senza raffreddamento.
Qui entra in gioco AX, l’ultimo giocattolo uscito dall’officina di Google. L’idea è quella di un orchestratore ‘agentic’ che promette di gestire miliardi di task per cluster. Sembra una cifra da fantascienza, ma la logica dietro è piuttosto interessante per chi ama sporcarsi le mani con i sistemi distribuiti.
Il cuore della questione è la gestione del carico. AX introduce dei primitivi (Task, Workspace, Gateway, Model) che permettono di isolare l’esecuzione in sandbox con limiti di CPU e memoria ben definiti. La cosa veramente figa è la capacità di sospendere e riprendere i task in meno di un secondo. Immaginate un agente che sta aspettando una risposta da un modello LLM o un’approvazione umana: invece di tenere occupata una risorsa costosa, AX lo ‘checkpointa’, lo mette in pausa e lo risveglia istantaneamente quando serve. È il concetto di ‘dense multiplexing’: sfruttare i tempi morti degli agenti per far girare altro, ottimizzando la compute capacity.
E poi c’è la parte ‘generativa’ dell’infrastruttura. Potete letteralmente descrivere un ambiente di lavoro in linguaggio naturale (tipo: «creami un ambiente Python con tutte le dipendenze per l’analisi dati») e AX si occupa di configurare il workspace, installare i toolchain e verificare che tutto sia pronto prima ancora che il task parta. Una sorta di Terraform che parla inglese (o meglio, Python-ese).
Certo, c’è sempre quel retrogusto di ‘l’ecosistema Google si sta espandendo’ che ci fa drizzare le antenne. Anche se il progetto punta all’open source e si basa su Agent Substrate, è evidente che stiano tracciando la strada per un nuovo paradigma dove la gestione del computing non sarà più basata su ‘quanti container ho attivo’, ma su ‘quanta intelligenza sta ragionando in questo momento’.
Per noi maker e ricercatori, avere un piano di controllo dichiarativo per scalare esperimenti di Reinforcement Learning o testare agenti su larga scala senza dover reinventare ogni volta il sistema di networking e isolamento è una bomba. Se riusciranno a mantenere la promessa di leggerezza e semplicità, potremmo vedere presto una rivoluzione nel modo in cui costruiamo software autonomo. Restiamo in attesa di vedere quanto sarà davvero ‘zero cold-start’ quando inizieremo a lanciarci contro i primi cluster da milioni di agenti.