Servizi
AI agent in produzione costruiti da ingegneri che li hanno effettivamente rilasciati — non da team che hanno imparato il termine lo scorso trimestre. Mappiamo i casi d'uso alla decisione agent vs pipeline con onestà, progettiamo l'orchestrazione degli strumenti che regge alle 2 di notte, costruiamo livelli di memoria che non gonfiano la fattura OpenAI e inseriamo checkpoint human-in-the-loop su ogni azione irreversibile. Scope fisso, prezzi all-in in USD, per livelli di autonomia: un agent task o PoC da 2.900 USD, un agent ancorato al RAG da 8.100 USD, un agent autonomo da 10.400 USD e un sistema multi-agent o ML in produzione fino a 13.800 USD. IP trasferita dal primo giorno, senza ricarico di reclutamento né sovrapprezzi sugli strumenti.
Conforme GDPR · Pronto per ISO 27001 · SOC 2 Type II in corso · Compatibile HIPAA · CCPA riconosciuto · Giornata CET con sovrapposizione 9:00–13:00 ET
La maggior parte dei progetti di agent fallisce perché il problema non richiedeva un agent. Una pipeline deterministica più una chiamata LLM avrebbe prodotto risultati in tre settimane e funzionato a un decimo del costo. Lo diciamo nello sprint di feasibility. Quando si ha effettivamente bisogno di un agent — workflow multi-step su stato mutevole, sequenze di strumenti che non possono essere codificate, criteri di successo verificabili — li costruiamo in modo che sopravvivano in produzione: grafi espliciti, chiamate agli strumenti validate, budget di token fissi, human-in-the-loop a livelli e osservabilità che cattura ogni passo. L'agent che gestisce la coda dei rimborsi non può ciclare 40 volte sulla fattura Stripe alle 3 di notte per scoprirlo il lunedì mattina.
Valutiamo i workflow candidati sui tre prerequisiti di un agent — ordine non deterministico degli strumenti, stato in evoluzione, successo verificabile — e segnaliamo esplicitamente quelli in cui una pipeline più una chiamata LLM sarebbe più rapida ed economica.
Definizioni degli strumenti con schemi Pydantic rigorosi, retry e back-off per strumento, chiavi di idempotenza sulle scritture e un grafo esplicito così che il flusso di controllo sia debuggabile anziché emergente. LangGraph, Temporal o Inngest in base alle esigenze di durabilità.
Quando il carico di lavoro beneficia genuinamente di agent specialistici (raro), progettiamo pattern supervisor-worker con contratti di passaggio chiari. Quando non lo fa, risparmiamo la complessità e consegniamo un sistema a singolo agent che è effettivamente operabile.
Buffer di conversazione a breve termine con riepilogo, memoria episodica a lungo termine in pgvector o Weaviate, RAG semantico per il corpus sottostante. Ogni livello dimensionato esplicitamente affinché il costo della memoria rimanga al 30-60% del costo LLM, non al 300%.
Approvazioni a livelli: automatico per le letture, ripristino asincrono per scritture a rischio medio, approvazione sincrona per azioni irreversibili (e-mail, produzione, pagamenti). Le interfacce di approvazione sono parte del deliverable — messaggi interattivi Slack, il vostro admin o una casella personalizzata.
Budget di token e dollari per task applicati dall'orchestratore. Tracce a livello di passo in Langfuse, Helicone o Arize. Alert sui costi collegati a PagerDuty, non alle dashboard che si controllano il lunedì. Harness di eval in esecuzione nella CI a ogni modifica del prompt.
Settimane 1–2: mappatura dei casi d'uso, decisione agent vs pipeline, inventario degli strumenti sulle API esistenti, modello ROI. Il risultato è un documento scritto go/no-go con l'alternativa più economica definita se la risposta è no.
Settimane 3–4: scelta dell'orchestratore (LangGraph vs Temporal vs Inngest in base alla durabilità), schemi degli strumenti in Pydantic, dimensionamento dei livelli di memoria, assegnazione dei livelli di checkpoint per strumento, redazione degli ADR.
Settimane 5–9: agent costruito, integrazioni degli strumenti attive, interfaccia human-in-the-loop rilasciata, osservabilità integrata, harness di eval in esecuzione nella CI, deploy customer-zero dietro un feature flag con budget caps fissi.
Settimana 10+: aumento graduale del traffico, SLO su costi e latenza, runbook per agent bloccati e interruzioni degli strumenti, formazione del team sull'aggiunta di strumenti e sull'espansione del set di eval. Ci ritiriamo quando il vostro team gestisce il sistema autonomamente.
2–3 settimane. Un agent mono-task o una proof of concept eseguibile: un workflow, inventario degli strumenti, la decisione agent-vs-pipeline definita. Ideale per validare l'idea prima di un build. Da 2.900 USD, fisso.
4–6 settimane. Retrieval e grounding sul vostro corpus: ingestion e chunking, un vector store, risposte ancorate con citazioni, un harness di eval. Da 8.100 USD, fisso.
6–9 settimane. Orchestrazione degli strumenti, livelli di memoria, checkpoint human-in-the-loop a livelli e osservabilità con budget fissi per task, rilasciato in produzione dietro un feature flag. Da 10.400 USD, fisso.
9–13 settimane. Un sistema multi-agent o una pipeline ML in produzione: pattern supervisor/worker o model serving, monitoring e controllo dei costi. Da 13.800 USD, fisso.
Ogni engagement inizia con NDA reciproco, cessione della proprietà intellettuale dal primo giorno e DPA. Vedete il budget voce per voce alla fine della discovery e lo approvate prima che venga scritta una riga di codice — senza ricarico di reclutamento né sovrapprezzi sugli strumenti.
Scope fisso, prezzi all-in in USD per pianificare il budget prima della discovery. Ogni agent viene definito individualmente, ma questi quattro livelli coprono i percorsi comuni, dalla proof of concept mono-task a un sistema multi-agent o ML in produzione. Vedete il budget voce per voce alla fine della discovery e lo approvate prima che venga scritta una riga di codice — senza ricarico di reclutamento né sovrapprezzi sugli strumenti.
Agent task/PoC
da 2.900 USD
2–3 settimane · mono-task / proof
Un agent mono-task o una proof of concept eseguibile: un workflow, inventario degli strumenti e la decisione agent-vs-pipeline onesta prima di impegnarvi in un build.
Agent ancorato al RAG
da 8.100 USD
4–6 settimane · retrieval + grounding
Retrieval e grounding sul vostro corpus: ingestion e chunking, un vector store, risposte ancorate con citazioni e un harness di eval che intercetta le regressioni.
AI agent autonomo
da 10.400 USD
6–9 settimane · orchestrazione + HITL
Orchestrazione degli strumenti, livelli di memoria, checkpoint human-in-the-loop a livelli e osservabilità con budget di costo fissi per task, rilasciato in produzione dietro un feature flag.
Multi-agent / ML in produzione
da 13.800 USD
9–13 settimane · multi-agent / pipeline ML
Un sistema multi-agent o una pipeline ML in produzione: pattern supervisor/worker o model serving, monitoring, controllo dei costi e una consegna che il vostro team può gestire.
Cosa muove il numero: quanti strumenti l'agent orchestra e quanto è non deterministico il loro ordine; quanti livelli di memoria servono (buffer, episodica, RAG semantico); la profondità dei checkpoint human-in-the-loop sulle azioni irreversibili; e lo scope di compliance (conforme GDPR, compatibile HIPAA o lavori PCI DSS alzano l'asticella). Vedete il budget voce per voce alla fine della discovery e lo approvate prima che venga scritta una riga di codice — senza ricarico di reclutamento né sovrapprezzi sugli strumenti. I costi cloud girano sui vostri account, così mantenete la leva sui costi.
App iOS e Android native per firma digitale con CRM Symfony + React per uno studio legale transfrontaliero — onboarding KYC e pista probante per pratiche USA e UE.
Piattaforma social in produzione su App Store e Google Play con geo Radar, messaggistica cifrata ed economia virtuale negli Stati Uniti e in Europa.
Refactoring e rebuild Android + iOS per un operatore logistico tedesco dell'ultimo miglio — pianificazione percorsi multi-punto, tracking corrieri in tempo reale e fatturazione in-app in produzione in Europa.
Un agent è sicuro solo quanto la sua aderenza alla vostra realtà normativa e operativa. Uniamo l'ingegneria degli agent alla compliance settoriale sui mercati USA e UE e coinvolgiamo i team fratelli AI, ML & Data, integrazione GenAI e conformità EU AI Act quando un workload lo richiede.
Agent per riconciliazione, triage delle dispute e supporto all'underwriting con human-in-the-loop su ogni azione irreversibile e gestione dati in scope PCI DSS.
Agent FinTech →Agent compatibili HIPAA e conformi GDPR per accettazione, recupero cartelle e workflow care-ops — con flussi dati documentati e gate di approvazione sincrona sulle azioni cliniche.
Agent HealthTech →Agent per operazioni sugli ordini, arricchimento del catalogo e triage del supporto che chiamano le vostre API esistenti sotto schemi degli strumenti rigorosi e budget fissi per task.
Agent Retail →Agent per gestione delle eccezioni, query su percorsi ed ETA e automazione back-office su stato mutevole — workflow durevoli su Temporal o Inngest quando i passi devono sopravvivere ai riavvii.
Agent Logistica →Conforme GDPR · Pronto per ISO 27001 · SOC 2 Type II in corso · Compatibile HIPAA · CCPA riconosciuto
Abbiamo cancellato più progetti di agent di quanti ne abbiamo rilasciati. Quando una pipeline più una chiamata LLM vince su costi e affidabilità, lo diciamo — anche se riduce il nostro scope. Gli MVP che rilasciamo sopravvivono in produzione.
I nostri responsabili degli agent hanno gestito workflow durevoli su Temporal e Inngest prima che gli agent esistessero. Sanno come appare un task orfano in una coda alle 3 di notte e progettano i checkpoint di conseguenza.
Budget fissi di token e dollari sull'orchestratore fin dal primo giorno. Livelli di memoria dimensionati per mantenere i costi prevedibili. Agent che si bloccano da soli prima di bloccare il vostro team finance.
Trattiamo gli agent come sistemi in produzione con flusso di controllo non deterministico — non come chatbot che per caso chiamano API. La differenza di disciplina è la differenza tra un agent che gestisce la coda dei rimborsi e uno che vi costa una revisione degli incidenti il lunedì mattina.
Un motore di decisione sui prestiti che impiega dieci volte meno tempo per approvare non avviene per caso. YuSMP ha costruito la pipeline di scoring, l’integrazione con i bureau del credito e un back-office che i nostri sottoscrittori apprezzano davvero. I tempi di approvazione sono passati da due giorni a meno di quattro ore.
Pubblichiamo decine di articoli sportivi al giorno. YuSMP ha costruito una pipeline editoriale usando un bot Telegram come CMS — i redattori pubblicano una volta sola, il contenuto arriva sul web, su iOS e su Android istantaneamente. L'architettura non richiede alcuna manutenzione quotidiana.
L'impostazione predefinita è una singola chiamata LLM. Si passa a un agent solo quando il task ha tre caratteristiche: richiede più chiamate agli strumenti il cui ordine non può essere codificato, opera su uno stato che cambia tra un turno e l'altro, e il criterio di successo è abbastanza verificabile da consentire all'agent di auto-correggersi. Il triage del supporto clienti raramente richiede un agent; i workflow operativi che toccano quattro API interne in un ordine diverso ogni volta, spesso sì. Rifiutiamo i progetti di agent in cui una pipeline deterministica più una chiamata LLM richiederebbe la metà del tempo e un quarto dei bug.
Dipende dal carico di lavoro. LangGraph per agent stateful con flusso di controllo ramificato e checkpoint umani — il grafo esplicito vale il suo peso quando si esegue il debug alle 2 di notte. CrewAI o AutoGen quando la collaborazione multi-agent è il pattern reale (raro). OpenAI Assistants quando il carico di lavoro è strettamente legato al formato degli strumenti OpenAI e non si ha bisogno di portabilità. Temporal o Inngest quando l'agent è in realtà un workflow durevole con passi LLM all'interno. Vercel AI SDK per frontend Next.js con utilizzo semplice degli strumenti. La scelta è basata sull'adesione operativa, non sulle preferenze del vendor.
Tre controlli. Budget fissi di token e dollari per task a livello di orchestrazione — l'agent si ferma con un errore chiaro prima di eseguire 40 iterazioni sulla vostra fattura OpenAI. Validazione delle chiamate agli strumenti a livello di passo tramite Pydantic, così gli argomenti non validi vengono catturati prima della chiamata API, non dopo. Checkpoint human-in-the-loop per azioni irreversibili (invio e-mail, pubblicazione in produzione, addebito su carta). L'osservabilità tramite Langfuse, Helicone o Arize registra ogni passo, ogni chiamata agli strumenti, ogni token. Gli alert sui costi scattano sull'orchestratore, non sulla dashboard che si controlla il lunedì.
La memoria è tre cose, non una. A breve termine: il buffer della conversazione corrente, riassunto quando supera il budget di contesto. Episodica a lungo termine: fatti che l'agent ha appreso sull'utente o sul task, archiviati in un vector store con richiamo semantico (pgvector o Weaviate). Semantica a lungo termine: il corpus da cui l'agent recupera le informazioni, trattato come un sottosistema RAG. Dimensioniamo esplicitamente ogni livello perché inserire tutto ingenuamente nella finestra di contesto costa da cinque a dieci volte di più per richiesta e degrada la qualità. Il costo della memoria per agent è tipicamente dal 30 al 60 percento del costo LLM quando progettato; 300 percento quando non lo è.
Checkpoint a livelli. Livello 1 (autonomo): azioni di sola lettura, nessun gate umano. Livello 2 (revisione asincrona): un essere umano vede e può ripristinare entro una finestra temporale, ma l'agent non si blocca. Livello 3 (approvazione sincrona): le azioni irreversibili (invio e-mail, pubblicazione in produzione, addebiti) attendono l'approvazione umana prima dell'esecuzione. L'interfaccia di approvazione è parte del deliverable, non un'aggiunta successiva — di solito un messaggio interattivo su Slack, un'azione in coda nel vostro admin esistente o una casella di approvazione personalizzata. L'assegnazione dei livelli avviene per strumento, è documentata e cambia tramite PR, non su Slack.
Quattro livelli a scope fisso, all-in e quotati in USD. Un agent task/PoC da 2.900 USD (2-3 settimane): un agent mono-task o una proof of concept funzionante. Un agent ancorato al RAG da 8.100 USD (4-6 settimane): retrieval e grounding sul vostro corpus con citazioni. Un AI agent autonomo da 10.400 USD (6-9 settimane): orchestrazione degli strumenti, memoria, human-in-the-loop e osservabilità. Un sistema multi-agent o ML in produzione da 13.800 USD (9-13 settimane). Vedete il budget voce per voce alla fine della discovery e lo approvate prima che venga scritta una riga di codice. Senza ricarico di reclutamento né sovrapprezzi sugli strumenti; i costi cloud girano sui vostri account, così mantenete la leva sui costi.
Approfondimenti e guide pratiche dal nostro blog per i team di prodotto e ingegneria di USA e UE.
Guida 2026 agli agenti AI enterprise: selezione del modello (Claude 4.6, GPT-4o, Gemini 2.5), orchestrazione con…
Leggi l'articolo →
Come le aziende integrano l’IA nel software esistente nel 2026 — casi d’uso, ERP/CRM e sistemi legacy, governance…
Leggi l'articolo →
RAG vs fine-tuning nel 2026: framework decisionale per ingegneri su quando il retrieval-augmented generation…
Leggi l'articolo →
Confronto tra Claude e GPT-4o per i team di prodotto nel 2026: accuratezza nel coding, uso agentivo degli…
Leggi l'articolo →Condividete alcuni dettagli e un consulente senior risponderà entro un giorno lavorativo.