top of page

Gli agenti AI di Block Buzz utilizzano Unity Gateway

13 minuti fa
Tempo di lettura: 12 min

Il 12 novembre Block ha illustrato come il suo workspace Buzz utilizzi Databricks Unity Gateway, offrendo ai dipendenti la possibilità di scegliere tra più modelli invece di operare in un ambiente a modello unico. Gli agenti AI di Block Buzz condividono le conversazioni con i colleghi, riunendo collaborazione e selezione dei modelli nello stesso spazio di lavoro.

Il resoconto tecnico introduce una distinzione utile per gli acquirenti aziendali. Scegliere un modello AI e organizzare il lavoro attorno a quel modello sono decisioni separate. Un'interfaccia condivisa le collega, ma gli acquirenti necessitano comunque di prove che il flusso di lavoro risultante migliori il lavoro completato.

Il confronto rilevante riguarda la composizione di modelli specifica per attività rispetto alla standardizzazione di ogni incarico sullo stesso modello. Il precedente lavoro di ricerca multi-agente di Anthropic offre un punto di riferimento per questa scelta architetturale. Nessuno dei due approcci prevale automaticamente: la risposta dipende dalla struttura dell'attività, dal sovraccarico di coordinamento e dallo sforzo umano necessario per accettare il risultato.

Gli agenti AI di Block Buzz entrano nella conversazione condivisa

Secondo il resoconto sulla collaborazione in Buzz, i dipendenti possono creare agenti, selezionare modelli o harness di coding e coinvolgere i colleghi. Un agente è un software che utilizza un modello e strumenti per perseguire un'attività. Un harness è il software circostante che gestisce tali interazioni.

Buzz è open source, supporta il self-hosting e include una versione leggera di Goose insieme ad altri harness. I dipendenti lo usano per il coding e l'analisi. Unity Gateway fornisce l'accesso a modelli frontier e a modelli open-weight selezionati attraverso un'unica integrazione. I modelli open-weight rendono disponibili i propri parametri addestrati, nel rispetto delle relative licenze.

Il cambiamento significativo riguarda l'assetto di lavoro: le persone possono esaminare e contribuire insieme al lavoro di un agente.

Si consideri la differenza tra ricevere una risposta finita e partecipare mentre quella risposta prende forma. Un collega potrebbe riconoscere un presupposto obsoleto prima che diventi parte della raccomandazione finale. Un altro potrebbe fornire un vincolo aziendale mancante che il richiedente originale non ha menzionato.

Questo è un potenziale beneficio del lavoro condiviso, non un risultato misurato e dimostrato da questa divulgazione. Il suo valore dipende dal fatto che un intervento utile avvenga abbastanza presto da evitare rifacimenti. Una conversazione piena di output intermedi può anche richiedere più attenzione di una risposta finale concisa.

Per i knowledge worker, la distinzione riguarda il punto in cui il giudizio entra nel processo. La revisione di un riepilogo rifinito incoraggia l'attenzione su formulazione e conclusioni. Osservare lo sviluppo dell'incarico crea opportunità per mettere in discussione ambito, fonti e definizioni prima che il sistema si impegni in una direzione.

Queste opportunità richiedono una progettazione intenzionale. Una conversazione visibile non rivela necessariamente quali documenti abbiano informato una risposta o quali istruzioni abbiano controllato un'azione. I lettori dovrebbero distinguere la trasparenza conversazionale da un registro completo dell'esecuzione.

La stessa distinzione si applica alla collaborazione tra colleghi. Chi si unisce in ritardo ha bisogno di contesto sufficiente per comprendere la decisione, senza dover leggere ogni scambio. Altrimenti, il workspace rischia di trasferire l'onere della sintesi dall'agente al revisore umano.

Questo rende la conversazione condivisa un'interfaccia per la supervisione, piuttosto che una prova che la supervisione sia diventata semplice. Il suo test pratico più significativo sarebbe verificare se i team intercettano prima gli errori rilevanti dedicando meno tempo a ricostruire come si è svolto il lavoro.

Per i lettori che chiedono come funzioni Block Buzz, questa distinzione mantiene il racconto ancorato ai fatti. Il workspace cambia il modo in cui i partecipanti si incontrano e contribuiscono. Se questo assetto migliori un incarico specifico rimane una questione di valutazione.

La scelta dei modelli mette sotto pressione i team AI aziendali

La pressione immediata ricade sui responsabili della piattaforma, che devono decidere quanta flessibilità offrire ai dipendenti. La standardizzazione su un modello semplifica supporto, approvvigionamento e valutazione. Consentire scelte specifiche per attività amplia il numero di combinazioni che questi team devono comprendere e mantenere.

La flessibilità dei modelli sposta il lavoro dall'integrazione alla valutazione e alle policy operative.

Databricks ha delineato questo equilibrio nel suo rilascio di Unity Gateway del 4 agosto, che ne annunciava la disponibilità generale. L'azienda descrive una supervisione centralizzata di spesa, accesso e interazioni AI, preservando al contempo le possibilità di scelta tra modelli e strumenti.

Questa cronologia è importante. Il resoconto di novembre descrive un'applicazione di un'infrastruttura esistente, non il lancio del gateway. I lettori dovrebbero valutarlo come una divulgazione di architettura aziendale, senza considerare ogni componente sottostante come una novità.

L'attrattiva pratica di un livello di accesso comune è comprensibile. Se un team può valutare un altro modello senza ricostruire l'applicazione circostante, il cambio di fornitore diventa un esperimento più gestibile. L'applicazione necessita comunque di test perché un accesso equivalente non implica un comportamento equivalente.

La scelta dei modelli in Block Buzz solleva quindi una questione organizzativa che va oltre quale modello produca la risposta migliore. Chi decide quali combinazioni ricevono supporto, quali rimangono sperimentali e quali dovrebbero smettere di ricevere incarichi sensibili?

Una policy permissiva può incoraggiare una sperimentazione utile. Può anche lasciare i dipendenti a scegliere tra opzioni che non hanno il tempo di valutare. Una policy restrittiva riduce tale onere, ma rischia di preservare l'impostazione predefinita di ieri dopo che i requisiti dell'attività o i modelli disponibili sono cambiati.

Per gli acquirenti aziendali, il terreno intermedio utile è un insieme approvato di configurazioni con finalità esplicite. Questa è un'implicazione analitica di questa architettura, non una descrizione pubblicata della policy interna di Block.

Un assistente di coding, per esempio, dovrebbe affrontare criteri di accettazione diversi da quelli di un assistente che prepara un riepilogo aziendale. Correttezza, tempo di risposta, dati consentiti e revisione richiesta dipendono tutti dall'incarico. Un'interfaccia condivisa non dovrebbe eliminare tali differenze.

È qui che anche il confronto con un assistente standardizzato diventa sostanziale. Un'impostazione predefinita coerente può rimanere la scelta operativa migliore quando le sue prestazioni sono sufficienti e il carico di lavoro è ripetitivo. La flessibilità si guadagna il proprio posto quando la specializzazione produce un beneficio ripetibile.

Gli acquirenti dovrebbero quindi evitare di equiparare un menu più ampio di modelli a una maggiore produttività dei dipendenti. Ogni opzione supportata crea una combinazione di obblighi di formazione, risoluzione dei problemi, valutazione e manutenzione. Tali obblighi devono rientrare nel business case.

La pressione è concreta e a breve termine: i team della piattaforma necessitano di un metodo per approvare i cambiamenti senza trasformare ogni aggiornamento di modello in una migrazione dell'intera organizzazione. Il valore strategico risiede nel rendere quel processo ripetibile, con evidenze associate a ogni scelta.

Il coordinatore conta quanto il lavoratore

Block descrive esperimenti che abbinano un modello di coordinamento più capace a modelli lavoratori più piccoli, supportati da benchmark interni. Un coordinatore divide un incarico e combina i risultati; i lavoratori gestiscono le parti delegate.

La proposta economica dipende dalla qualità della delega, non semplicemente dall'uso di modelli più piccoli.

Il precedente rilevante è il sistema di ricerca multi-agente di Anthropic. Il resoconto tecnico di giugno 2025 descrive un agente principale che dirige agenti di ricerca paralleli. Anthropic ha riportato benefici nella propria valutazione interna della ricerca, sottolineando al contempo le sfide di coordinamento e il maggiore consumo di risorse.

Anthropic ha inoltre avvertito che il lavoro strettamente dipendente può adattarsi poco a più agenti. Questa precisazione conta nel confronto tra ricerca e coding. Ricerche indipendenti e modifiche interdipendenti creano esigenze di coordinamento diverse, anche quando entrambe implicano un ragionamento sofisticato.

Il confronto fornisce un contesto architetturale, non una valutazione indipendente di Buzz. I risultati di Anthropic appartengono al suo sistema e alla sua valutazione. Non possono dimostrare le prestazioni di Block né prevedere ciò che un'altra organizzazione otterrà.

Vale comunque la pena esaminare il meccanismo sottostante. Un coordinatore deve riconoscere quali parti di un incarico siano separabili, specificare l'output richiesto e decidere se il lavoro restituito soddisfi la richiesta. Gli errori in questa fase influenzano ogni contributo successivo.

Si immagini un'indagine ipotetica su un cambiamento inatteso in una metrica aziendale. Lavoratori separati potrebbero esaminare definizioni, recenti modifiche software e presupposti di reporting. Le loro conclusioni diventano utili solo se il coordinatore riconcilia spiegazioni contrastanti e identifica ciò che resta non verificato.

Se la scomposizione iniziale trascura una dipendenza condivisa, l'attività parallela può produrre diverse risposte plausibili alla domanda sbagliata. Aggiungere lavoratori non corregge quell'errore. Può rendere l'inquadramento errato più convincente attraverso un apparente consenso.

Il costo totale include quindi pianificazione, contesto ripetuto, uso degli strumenti, sintesi e correzione. Un modello lavoratore più piccolo può ridurre la spesa di un singolo passaggio aumentando però il numero di passaggi necessari per un risultato accettabile.

Il tempo trascorso ha una struttura simile. Il lavoro indipendente può procedere in parallelo, ma l'incarico complessivo attende comunque le dipendenze necessarie. Un lavoratore lento o confuso può ritardare la sintesi, mentre una sintesi prematura può nascondere un lavoro incompleto.

La scelta dei modelli di Block Buzz dovrebbe essere valutata rispetto a questa catena completa. Confrontare soltanto l'output dei lavoratori trascurerebbe se il coordinatore abbia assegnato attività appropriate, richiesto lavoro non necessario o accettato risultati incoerenti.

Questo offre agli sviluppatori un'unità di confronto più utile: un flusso di lavoro accettato con un budget di risorse definito. Il benchmark dovrebbe preservare attività, criteri di accettazione e aspettative di revisione, modificando al contempo la configurazione.

Lascia inoltre spazio alla vittoria di un sistema più semplice. Se un modello capace completa l'incarico con precisione senza delega, il coordinamento di agenti aggiuntivi diventa un costo da giustificare. L'architettura diventa convincente quando la sua struttura aggiuntiva risolve una limitazione documentata.

Un gateway comune non risolve ogni questione di controllo

La documentazione sulla governance AI di Databricks descrive controlli per l'accesso ai modelli, la gestione del traffico, le policy di servizio e il monitoraggio. Le policy di servizio sono regole che disciplinano il modo in cui richieste e risposte procedono. La documentazione copre anche le autorizzazioni per gli strumenti connessi e i registri delle attività.

Queste sono capacità della piattaforma. La loro disponibilità non dimostra quali impostazioni un singolo cliente abbia abilitato, né con quale coerenza ogni percorso applicativo le utilizzi.

L'accesso centralizzato aiuta a definire un confine di controllo, ma il flusso di lavoro circostante necessita comunque di responsabilità esplicite.

Una conversazione condivisa con un agente solleva questioni di identità. Un dipendente che pone una domanda, un agente che recupera informazioni e un collega che legge la risposta ricoprono ruoli diversi. Un progetto difendibile deve spiegare quale autorità si applichi a ogni passaggio.

Consideriamo una discussione ipotetica che contenga informazioni accessibili solo ad alcuni partecipanti. L’autorizzazione a partecipare alla discussione non dovrebbe implicare automaticamente l’autorizzazione a recuperare ogni documento sottostante. Al contrario, il recupero autorizzato non stabilisce se il testo risultante possa essere condiviso con tutti i presenti.

Si tratta di una questione generale di progettazione, non di una prova di un difetto nell’implementazione di Block. Il resoconto pubblico non fornisce una valutazione completa della sicurezza. I lettori dovrebbero evitare di considerare una panoramica architetturale come un rapporto di garanzia.

L’hosting autonomo introduce un’ulteriore distinzione. Eseguire lo spazio di lavoro sull’infrastruttura di un’organizzazione dice qualcosa sulla posizione dell’applicazione. Non stabilisce però, di per sé, dove venga elaborata ogni richiesta al modello o dove i sistemi connessi conservino i dati.

Per gli acquirenti che valutano configurazioni simili, il flusso dei dati merita un’attenzione separata dalla proprietà dell’interfaccia. Le domande rilevanti riguardano ciò che esce dall’applicazione, quale destinazione lo riceve e quali regole di conservazione si applicano successivamente.

Un registro delle attività utilizzabile deve anche collegare le decisioni lungo tutto il flusso di lavoro. Sapere che si è verificata una richiesta al modello è diverso dal comprendere perché sia stato eseguito uno strumento, quale istruzione lo abbia autorizzato e chi abbia approvato l’azione risultante.

La sfida amministrativa aumenta quando più agenti contribuiscono allo stesso risultato. La responsabilità non può dipendere esclusivamente dall’agente che ha pubblicato la risposta finale. I revisori devono comprendere le azioni intermedie rilevanti, in particolare quando tali azioni modificano sistemi esterni.

I controlli di budget creano un problema operativo correlato. I controlli di spesa AI di Databricks descrivono avvisi e limiti rigidi che possono interrompere ulteriori richieste. Un flusso di lavoro necessita di un esito chiaro quando raggiunge tale limite: sospendersi, fallire o richiedere una continuazione autorizzata.

Un’interruzione improvvisa può essere accettabile se gli utenti comprendono cosa è stato completato e cosa resta incompiuto. Diventa più difficile da gestire quando un risultato parziale assomiglia a uno concluso. Stati di completamento chiari devono affiancare i controlli su autorizzazioni e spesa.

Per gli agenti Block Buzz AI, l’insegnamento più ampio è che collaborazione e governance operano a livelli diversi. Uno spazio di lavoro condiviso organizza la partecipazione; i meccanismi di controllo devono comunque tenere conto di identità, movimento dei dati, azioni ed esecuzioni incomplete.

L’evidenza mancante è il lavoro completato

La divulgazione di novembre non fornisce miglioramenti misurati e universali in termini di costi o velocità. La sua descrizione della sperimentazione dovrebbe rimanere distinta dall’affermazione secondo cui team misti di agenti superano alternative più semplici in tutti i lavori aziendali.

L’evidenza più solida collegherebbe una configurazione riproducibile a risultati accettati, incluso lo sforzo umano richiesto per ottenerli.

Le precedenti linee guida sugli agenti efficaci di Anthropic offrono un contrappeso pertinente. Raccomandano di iniziare dall’approccio più semplice che funzioni e di aggiungere complessità quando giustificato. Distinguono inoltre i flussi di lavoro predefiniti dai sistemi in cui i modelli dirigono autonomamente i propri processi.

Queste linee guida non sono una critica a Buzz e precedono questa divulgazione. La loro rilevanza riguarda il principio di valutazione: maggiore autonomia e coordinamento dovrebbero rispondere a una necessità dimostrata.

Una valutazione utile inizierebbe dalla definizione del completamento. Per il lavoro software, il codice generato è un artefatto intermedio. L’accettazione potrebbe richiedere il superamento delle verifiche pertinenti, la soddisfazione della richiesta e il superamento della revisione senza difetti irrisolti.

Per il lavoro analitico, anche una spiegazione leggibile è insufficiente. Il risultato necessita di definizioni corrette, conclusioni supportate e una descrizione delle incertezze importanti. Altrimenti, una risposta fluente può nascondere il lavoro ancora richiesto a un dipendente.

La correzione umana merita un trattamento esplicito. Una configurazione che produce prima una bozza ma richiede una revisione più lunga non ha necessariamente abbreviato l’incarico. Allo stesso modo, un’esecuzione economica può diventare costosa se qualcuno deve ricostruire successivamente le prove mancanti.

Anche i fallimenti devono restare visibili nel denominatore. Riportare solo le esecuzioni riuscite favorisce sistemi che tentano ripetutamente lavori difficili finché non appare qualcosa di accettabile. Gli acquirenti devono sapere cosa è accaduto agli incarichi interrotti, abbandonati e respinti.

Questo non richiede la pubblicazione di attività interne sensibili. Un’organizzazione può descrivere metodi di valutazione, categorie di attività, regole di accettazione e risultati aggregati senza esporre input riservati. Una metodologia trasparente è importante anche quando gli esempi grezzi non possono essere pubblicati.

Lo stesso principio si applica alle sostituzioni di modelli. Se il coordinatore, i modelli operativi, le istruzioni e gli strumenti cambiano tutti insieme, attribuire un miglioramento alla scelta del modello diventa difficile. Confronti attentamente delimitati rendono il risultato più interpretabile.

Per i lettori che esplorano il funzionamento di Block Buzz, il benchmarking interno è quindi una pista importante piuttosto che una risposta conclusiva. Il suo significato dipende da ciò che i benchmark misurano e dal fatto che tali misurazioni riflettano gli incarichi ordinari dei dipendenti.

Esiste anche una dimensione di gestione della conoscenza. I team hanno bisogno di definizioni approvate e documenti di supporto che rimangano reperibili dopo la fine di una conversazione. Una discussione correlata su una base di conoscenza ricercabile aiuta a distinguere le prove durature dal contesto conversazionale temporaneo.

Questa distinzione influisce sulla ripetibilità. Se una risposta riesce perché un particolare collega ha fornito un fatto non documentato, ripetere soltanto la configurazione del modello non riprodurrà il risultato. La conoscenza di supporto e il processo di revisione devono far parte della spiegazione.

Nessuna di queste lacune invalida l’architettura. Definiscono il confine tra una descrizione credibile di come un sistema viene assemblato e la prova che un’altra organizzazione dovrebbe adottarlo per uno specifico carico di lavoro.

Cosa osservare dopo la divulgazione di Block

I prossimi sviluppi utili trasformerebbero la flessibilità architetturale in risultati operativi osservabili. Nei prossimi mesi, i segnali più informativi riguarderanno la divulgazione delle valutazioni, l’uso continuativo e la quantità di lavoro necessaria per mantenere le configurazioni supportate.

Cercate prove che migliori l’intero flusso di lavoro, non prove che siano disponibili più agenti.

Il primo segnale è un confronto riproducibile tra configurazioni. Ciò significa categorie di attività identificate, regole di accettazione chiare e contabilizzazione dei tentativi non riusciti. Dovrebbe confrontare team misti di agenti con un’alternativa più semplice e credibile in condizioni comparabili.

Una simile pubblicazione rafforzerebbe l’argomento a favore di una composizione specifica per attività se mostrasse miglioramenti ripetibili senza trasferire lavoro nascosto sui revisori. Anche risultati contrastanti sarebbero utili, specialmente se identificassero gli incarichi in cui la delega aggiunge un sovraccarico non necessario.

Un metodo pubblicato sarebbe importante anche senza miglioramenti spettacolari. Gli acquirenti devono sapere se un risultato deriva da una migliore scomposizione delle attività, da un modello diverso, da strumenti migliorati o da una richiesta definita con maggiore cura. Queste spiegazioni determinano se la scoperta sia trasferibile altrove.

Il secondo segnale è l’uso continuativo oltre un esperimento iniziale. Le prove rilevanti descriverebbero flussi di lavoro ricorrenti e risultati accettati, anziché limitarsi a contare gli agenti creati o le integrazioni disponibili.

Un uso sostenuto rafforzerebbe l’argomento della collaborazione se i dipendenti tornassero ripetutamente allo spazio di lavoro condiviso per incarichi rilevanti. Prove di abbandoni frequenti o di migrazione verso strumenti isolati indebolirebbero tale argomento e contribuirebbero a identificare i limiti dell’interfaccia.

L’adozione dovrebbe essere interpretata anche insieme alla supervisione. Una conversazione intensa può indicare una partecipazione produttiva, ma può anche indicare chiarimenti ripetuti. La distinzione importante è se i colleghi contribuiscano con il proprio giudizio o trascorrano il tempo a correggere malintesi evitabili.

Il terzo segnale è l’onere di manutenzione delle configurazioni in evoluzione. Gli acquirenti dovrebbero cercare resoconti concreti sulla sostituzione dei modelli, l’aggiornamento degli harness, il mantenimento dei controlli e la successiva verifica dei flussi di lavoro esistenti.

Se tali modifiche diventano routine e ben delimitate, il livello di accesso comune supporta una forma pratica di flessibilità. Se ogni sostituzione richiede test estesi e correzioni manuali, il valore operativo della scelta diventa più limitato.

Gli agenti Block Buzz AI rendono più facile vedere una domanda aziendale specifica: dove dovrebbe terminare la standardizzazione e dove dovrebbe iniziare la composizione specifica per attività? La risposta non deve essere identica per ogni reparto o incarico.

L’evidenza da osservare è se le organizzazioni riescano a prendere questa decisione ripetutamente, con sufficiente visibilità da spiegare sia i successi sia i fallimenti. Sarebbe più utile di un’altra affermazione generale sul lavoro autonomo.

Prima di adottare un’architettura simile, scegliete un incarico ricorrente che il vostro team già conosce. Definite cosa deve contenere un risultato accettabile e quanta revisione richiede normalmente. Confrontate il flusso di lavoro proposto con agenti con tale riferimento, includendo interruzioni, correzioni e tentativi non riusciti. Conservate le prove di supporto affinché un altro revisore possa comprendere perché il risultato è stato accettato. Chiedete poi se l’ulteriore scelta di modelli abbia ridotto lo sforzo, migliorato la qualità o semplicemente spostato il lavoro altrove. Quale parte del vostro flusso di lavoro trae davvero beneficio dalla delega e quale parte dipende ancora dal giudizio di un collega? Usate quella risposta per decidere cosa merita un’implementazione più ampia.

 
 

Inizia gratis

Un assistente IA local-first con gestione della conoscenza personale

Per una migliore esperienza con l’IA,

al momento remio supporta solo Windows 10+ (x64) e M-Chip Macs.

Il tuo partner AI al lavoro
Fai di più con remio

Pianifica. Crea. Consegna.
Tutto in un unico posto.

bottom of page