L'AI NON SI LIMITA PIU A RISPONDERE. ADESSO PUO RAGIONARE MENTRE LAVORA

Il 15 settembre 2026 Google ha presentato Gemini 3.8 Live e Gemini 3.8 Live Extended Thinking. Detta così potrebbe sembrare l'ennesima versione di Gemini, un altro numeretto da aggiungere alla guerra dei modelli. Secondo me, invece, la parte interessante è un'altra, perchè con Gemini 3.8 Live Extended Thinking, Google sta portando dentro una conversazione vocale in tempo reale qualcosa che fino a poco tempo fa era molto più difficile ottenere, ovvero un modello che può continuare a parlare con noi mentre, contemporaneamente, mantiene in esecuzione un'attività più complessa, ragiona sul problema, utilizza strumenti esterni, riceve i risultati e decide cosa fare dopo.

Google parla esplicitamente di "parallel reasoning" e di ragionamento in background durante le sessioni vocali e le API permettono inoltre di eseguire chiamate a funzioni e strumenti in modalità asincrona, mentre la conversazione continua. E questo, per uno sviluppatore, è molto più importante del fatto che la voce sia diventata più naturale, perché significa che stiamo progressivamente smettendo di costruire soltanto chatbot ma "processi software guidati da modelli", che è una cosa molto diversa.

DA O1 AGLI AGENTI: IL PASSAGGIO CHE CONTA DAVVERO

Nel settembre 2024 OpenAI aveva introdotto o1 con un'idea che, vista oggi, appare quasi come l'inizio evidente di questa trasformazione, ossia lasciare al modello più tempo e più calcolo per ragionare prima di produrre la risposta. OpenAI descriveva o1 come un modello addestrato a effettuare ragionamenti complessi prima di rispondere, particolarmente efficace nei problemi di programmazione, matematica e scienza. Quella però era soltanto una parte del problema, perché ragionare non significa ancora agire; per fare un esempio io posso avere davanti un'intelligenza artificiale bravissima a capire che nel mio server PostgreSQL esiste probabilmente un problema negli indici, ma se quell'AI non può leggere le metriche del server, interrogare il database, aprire il repository, confrontare le ultime modifiche, eseguire un test e controllare il risultato, rimane comunque un consulente, certamente molto bravo, magari, ma sempre un consulente. Il passaggio successivo, che è nato in realtà dal basso verso l'alto, ovvero dal mondo dei programmatori verso i data scientist (o ci sono arrivati quasi contemporaneamente), è consistito nel dare alla chatbot anche degli strumenti. Ed è proprio così che è nato l'agente, che poi è evoluto (nel bene e nel male) nel nuovo motore che muove "tutte le AI del mondo".

REASONING E AGENTIVITA NON SONO LA STESSA COSA

Questa distinzione secondo me deve essere chiarissima perchè un modello di reasoning è un modello capace di dedicare risorse computazionali alla soluzione di un problema complesso, decomponendolo e valutando più passaggi prima di produrre il risultato, mentre un agente è un sistema nel quale quel modello viene inserito dentro un ciclo operativo.

In forma molto semplificata il funzionamento può essere immaginato così:

ricevi l'obiettivo --> osserva la situazione --> decidi il prossimo passo --> scegli eventualmente uno strumento -> esegui l'azione -> leggi il risultato -> valuta se l'obiettivo è stato raggiunto <-> se non è stato raggiunto, pianifica il passo successivo e continua

A questo punto la differenza con una normale chat dovrebbe diventare evidente.

La vecchia interazione era sostanzialmente:

DOMANDA, RISPOSTA

Un sistema agentico assomiglia invece molto di più a questo:

OBIETTIVO

PIANO

AZIONE

RISULTATO

CONTROLLO

NUOVO PIANO

NUOVA AZIONE

RISULTATO

COMPLETAMENTO

La risposta all'utente diventa soltanto una delle cose che il sistema produce, e non è più necessariamente il suo scopo principale.

ED E' QUI ARRIVA GEMINI 3.8 LIVE EXTENDED THINKING

La parte particolarmente interessante della novità annunciata da Google il 15 settembre è l'unione tra questo processo e una conversazione vocale continua, dove Gemini 3.8 Live Extended Thinking può mantenere un'attività complessa in corso mentre continua l'interazione con l'utente.

Google spiega che il modello può produrre brevi aggiornamenti vocali mentre il ragionamento e le chiamate agli strumenti proseguono in background, ed a livello API questo cambia persino il modo nel quale lo sviluppatore deve interpretare la fine di una risposta; con una normale conversazione, quando arriva turnComplete, si potrebbe pensare che il modello abbia finito, mentre con Extended Thinking non necessariamente sarà così perchè la documentazione introduce infatti uno stato dell'interazione che può rimanere IN_PROGRESS anche dopo che il modello ha parlato e soltanto quando lo stato diventa IDLE l'intero lavoro è realmente terminato.

Questa sembra una piccola modifica tecnica, ma non lo è affatto, perchè significa che dobbiamo smettere di pensare all'AI come a una funzione del tipo:

input -> output

ed iniziare a pensare a qualcosa di più simile a un processo asincrono.

UN ESEMPIO CONCRETO PER UNO SVILUPPATORE

Immaginiamo di essere davanti al nostro computer e dire:

"Da questa mattina il checkout ogni tanto restituisce errore 500. Controlla cosa succede."

Una normale AI potrebbe rispondermi:

"Controlla i log del server ed i log ruotati, poi verifica le eccezioni, controlla le ultime modifiche al codice e verifica il database"

Grazie, questo lo sapevo anche io. Un agente invece, se io gli fornisco gli strumenti necessari QUANDO SERVONO (AGENTIKO docet), può invece iniziare a lavorare.

Allora apre i log e greppa e trova un aumento degli errori alle 10:42, poi confronta quell'orario con l'ultimo deploy ed individua il il commit. Quindi apre il codice modificato e magari scopre che la nuova routine interroga una tabella utilizzando un campo che in produzione contiene dei valori NULL non previsti. Esegue un test e riproduce l'errore. Prepara una correzione e poi esegue di nuovo i test.

Ed alla fine mi informa:

"Ho individuato il problema. Il deploy delle 10:37 ha introdotto una condizione non gestita nel modulo PaymentResolver. Ho preparato la patch e i test passano. Vuoi che proceda con il deploy?"

Ecco, questa è agentività, e soprattutto notiamo una cosa importante, che l'AI non deve necessariamente avere il permesso di effettuare l'ultima operazione, perchè posso tranquillamente costruire il sistema in modo che possa leggere il codice, modificarlo in un ambiente isolato ed eseguire i test, ma che per effettuare un deploy in produzione debba ottenere la mia autorizzazione e anzi, per moltissimi sistemi reali è esattamente così che dovrebbe funzionare.

L'AUTONOMIA NON SIGNIFICA "FA QUELLO CHE VUOLE"

Quando si utilizza la parola "agente autonomo" qualcuno immagina immediatamente una sorta di entità digitale alla quale abbiamo consegnato il computer e che adesso decide liberamente cosa fare, ma non funziona così o almeno non dovrebbe funzionare così. L'autonomia di un agente è delimitata dall'architettura che gli costruiamo intorno.

Faccio un esempio: se gli fornisco soltanto una funzione

get\_weather()

l'agente potrà consultare il meteo, ma se gli fornisco:

read\_database()

potrà leggere il database, giusto. Bene.

Se gli fornisco:

send\_email()

potrà inviare email. Ok.

E se gli fornisco:

execute\_bank\_transfer()

??

Bhè, a quel punto ho deciso io di concedergli una capacità decisamente più delicata; il modello decide quale strumento utilizzare all'interno degli strumenti che il software gli mette a disposizione. ma bisogna prestare attenzione al fatto che una situazione anomale, una allucinazione, un ragionamento controdeduttivo potrebbe portare ad usare quel execute\_bank\_transfer() quando non avrebbe dovuto, solo perchè io non ho tolto o disabilitato quello strumento. Questa distinzione diventerà fondamentale negli anni che arrivano, ed il vero problema di sicurezza dell'AI agentica non consiste solamente nel chiedersi quanto sia intelligente il modello.

Dobbiamo chiederci:

A COSA HA ACCESSO?

CHE COSA PUO MODIFICARE?

QUALI OPERAZIONI RICHIEDONO AUTORIZZAZIONE?

QUALI DATI PUO LEGGERE?

DOVE PUO SCRIVERE?

COME POSSIAMO RICOSTRUIRE CIO CHE HA FATTO?

È una questione molto simile alla gestione dei privilegi nei sistemi operativi, quando noi stessi non consegniamo i privilegi di root a qualsiasi processo soltanto perché il programma sembra funzionare bene.

IL MODELLO E L'AGENTE SONO DUE COSE DIVERSE

Anche qui vedo spesso una certa confusione. Gemini, GPT o qualunque altro modello rappresentano soltanto una parte del sistema, ma per costruire un agente "serio" servono almeno diversi componenti.

Serve il modello,un contesto nel quale conservare ciò che è necessario per portare avanti l'attività, gli strumenti e solo quelli che servono in quel preciso ambito, serve un ambiente nel quale poter eseguire operazioni e soprattutto servono regole sui permessi. E poi serve un sistema che mantenga lo stato del lavoro e la possibilità di verificare ciò che è successo, e serve (spesso) un meccanismo per recuperare da un errore, oltre che quella che nel mondo degli agenti viene normalmente chiamata "harness", cioè l'infrastruttura che tiene insieme modello, composto da strumenti, contesto ed esecuzione.

La direzione nella quale sta andando il settore diventa ancora più evidente se guardiamo quello che OpenAI ha presentato appena cinque giorni prima della novità di Google.

Il 10 settembre 2026 OpenAI ha annunciato la propria Agents API, una piattaforma nella quale l'infrastruttura si occupa proprio di gestire sessioni lunghe, strumenti, ambienti di esecuzione, contesto e persino sottoagenti che possono lavorare contemporaneamente su parti diverse dello stesso problema.

Sono due novità differenti che puntano nella stessa direzione.

ANCHE IL PARALLELISMO STA DIVENTANDO IMPORTANTE

Qui la cosa diventa ancora più interessante.

Immaginiamo di chiedere:

"Scopri perché il nostro sito è diventato lento dopo l'ultimo aggiornamento."

Non esiste necessariamente un motivo per procedere in sequenza, ed un agente può delegare contemporaneamente attività differenti, perchè mentre un processo controlla il database un altro analizza le metriche del server ed un altro confronta i commit e magari c'è posto (intendo nel ragionamento tenuto assieme da una logica parallela) per un altro ancora che riproduce il problema con un test automatico.

Comunque ad un certo punto l'agente principale raccoglie i risultati.

Questa idea di suddividere un problema in attività indipendenti e farle eseguire parallelamente da sottoagenti è ormai entrata direttamente nelle piattaforme commerciali ed OpenAI, per esempio, la espone nella nuova Agents API con il supporto multi-agent, ed ecco perché la parola "agente" non è semplicemente un modo più elegante per chiamare un chatbot, perchè è l'architettura ad essere differente.

MA ALLORA NON "INDOVINANO PIU LA PAROLA SUCCESSIVA"?

Allora, sfatiamo ancora una volta le favole, perchè ogni volta che compare una nuova generazione di modelli leggiamo che "adesso l'AI pensa davvero" oppure che "non predice più semplicemente il prossimo token". No, continuano ad indovinare la parola successiva, perchè questa è la scienza che conosciamo e che governa le AI. I grandi modelli generativi continuano a produrre sequenze di token e questo non è scomparso. La differenza è che il sistema può spendere molto più calcolo prima e durante la produzione della risposta, mantenere stati intermedi, generare passaggi di ragionamento interni, invocare strumenti, ricevere nuove informazioni dall'esterno e modificare il proprio comportamento sulla base di quelle informazioni.

Molti detrattori, o "semplificatori" diranno che è soltanto un completamento automatico un po' grosso, ma questa definizione descrive sempre peggio ciò che accade quando quel modello viene inserito dentro un sistema agentico. Perchè il punto non è che il meccanismo matematico di generazione sia magicamente scomparso, ma ciò che abbiamo costruito intorno a quel meccanismo.

LA DIFFERENZA TRA CHATBOT E AGENTE SI VEDE MOLTO BENE CON UN ALBERGO

Prendiamo un caso banalissimo.

Un cliente telefona:

"Vorrei venire a Torino dal 12 al 15 ottobre. Siamo in quattro, abbiamo due bambini, arriviamo probabilmente verso mezzanotte e ci serve anche un parcheggio."

Un chatbot può spiegare:

"Abbiamo diverse tipologie di camere. Il parcheggio è disponibile su richiesta."

Un agente può invece interrogare realmente il gestionale.

Controlla la disponibilità delle camere.

Verifica quali possono ospitare quattro persone.

Controlla il parcheggio.

Verifica le regole per il check-in notturno.

Calcola il prezzo.

Se il cliente modifica una condizione durante la conversazione, per esempio:

"Anzi, forse arriviamo il giorno 13."

il sistema aggiorna la ricerca.

Nel frattempo continua a parlare con il cliente.

Se gli sono stati concessi i relativi permessi potrebbe persino preparare la prenotazione e fermarsi soltanto nel momento nel quale serve una conferma definitiva.

Questa è la differenza fra fornire informazioni e svolgere un lavoro.

PER LA VOCE IL PROBLEMA ERA ANCORA PIU DIFFICILE

In una chat possiamo anche aspettare dieci secondi, durante una telefonata dieci secondi di silenzio sembrano un'eternità e da qui nasce uno dei problemi tecnici più interessanti dei nuovi modelli Live: come facciamo a permettere al sistema di ragionare, utilizzare strumenti e attendere API esterne senza trasformare la conversazione in una sequenza di silenzi imbarazzanti? La soluzione di Google consiste nel separare maggiormente il flusso conversazionale dal lavoro che continua in background.

Il modello può riconoscere la richiesta e dire qualcosa come:

"Controllo subito la disponibilità."

Nel frattempo viene avviata la funzione che interroga il gestionale.

L'utente può persino continuare a parlare e, cosa fantastica, l'AI potrebbe anche intercalare un "sono qui, si si, sto cercando purtroppo mi ci vuole un attimo, attenda cortesemente.."

Quando arriva il risultato, l'interazione prosegue utilizzando la nuova informazione.

Gemini 3.8 Live supporta chiamate asincrone a funzioni e strumenti e Google dichiara la gestione in tempo quasi reale di input visivi e il passaggio automatico tra 97 lingue durante la conversazione. Extended Thinking aggiunge una maggiore profondità di ragionamento per i compiti complessi.

Per chi sviluppa interfacce vocali questo è un cambiamento architetturale bello grosso.

RIPENSIAMO ADESSO AL PROGRAMMATORE

Altro esempio dove qui secondo me si vede immediatamente dove stiamo andando.

Allora sono davanti al progetto e dico:

"Apri il repository. Nella nuova build il consumo di memoria continua ad aumentare. Trova il problema, ma non modificare niente nel branch principale."

L'agente può analizzare il repository, individuare i componenti probabilmente coinvolti, compilare il progetto in un ambiente isolato, eseguire un profiler, modificare una copia del codice, ricompilare e verificare se il consumo di memoria è cambiato.

MA Nel frattempo posso continuare a parlargli!

"Già che ci sei controlla anche se il problema esisteva nella versione precedente."

(e si, mi sono permesso di sprecare qualche Watt in "già che ci sei" faccio ammenda)

Quella nuova informazione entra subito nel lavoro ancora in corso, e non ho più la vecchia sequenza rigida:

prompt

risposta

prompt

risposta

prompt

risposta

... sto lavorando insieme a un processo software.

E CAMBIA ANCHE IL MODO DI SCRIVERE I PROMPT

Questa secondo me sarà una delle conseguenze meno discusse ma che in realtà sono tra le prima ad essere da prendere in considerazione.

Con un chatbot siamo stati abituati a formulare domande.

"Spiegami perché questa query è lenta."

"Scrivi una funzione."

"Controlla questo codice."

con un agente invece iniziamo a formulare degli "obiettivi".

"Scopri perché questa query è lenta e proponi una correzione verificandola sul database di test."

Oppure:

"Trova il motivo per cui questa API restituisce occasionalmente 500. Non modificare la produzione. Riproduci il problema nell'ambiente di test e prepara una patch."

La differenza sembra linguistica, ma è concettuale perchè nel primo caso chiedo una risposta ma nel secondo assegno un lavoro..

E SE L'AGENTE SBAGLIA?

Qui naturalmente arriva la parte meno spettacolare ma probabilmente più importante. Si, un agente può sbagliare, ad esempio può interpretare male un risultato o può utilizzare lo strumento sbagliato. Potrebbe anche capitare che ci costruisca un piano apparentemente sensato che porta a una conclusione completamente errata (antilogica) se non addirittura sballare del tutto ed inventarci informazioni che non stanno ne in cielo ne in terra. Non per altro la stessa model card di Gemini 3.8 Audio specifica che questi modelli mantengono alcune limitazioni tipiche dei foundation model, comprese le allucinazioni, oltre alla possibilità di rallentamenti o timeout.

Comunque se un chatbot sbaglia una risposta abbiamo una risposta sbagliata, ma se un agente sbaglia, magari mentre possiede privilegi di scrittura, abbiamo potenzialmente un'azione sbagliata ed magari una causa in tribunale; non so se mi spiego. Questa differenza è enorme ed è per questo motivo che l'evoluzione degli agenti dovrà andare necessariamente insieme all'evoluzione dei sistemi di autorizzazione, sandboxing, logging, rollback e controllo umano, perchè in un sistema ben progettato possiamo permettere all'agente di fare moltissime cose senza permettergli di fare QUALSIASI cosa.

Per esempio:

Intanto fà un backup che mai guasta, poi

può leggere i log, query (in sola lettura), creare una patch

può lanciare i test

creare un branch MA non può effettuare il merge, e non può pubblicare in produzione senza autorizzazione.

Questo è probabilmente uno dei modelli più sensati per l'utilizzo professionale.

NON STIAMO CREANDO UNA COSCIENZA

Naturalmente non manca mai il salto fantascientifico, perchè la forma mentis è quella di dire "Se ragiona allora è cosciente.", ma no, assolutamente no. Non segue assolutamente una conclusione del genere, e quando parliamo di reasoning stiamo utilizzando un termine tecnico per indicare sistemi progettati per affrontare problemi attraverso processi computazionali più articolati rispetto alla produzione immediata di una risposta, come quando diciamo che il modello "pensa mentre parla" stiamo utilizzando una scorciatoia linguistica. perchè significa, concretamente, che il sistema può mantenere attività di reasoning e tool calling in background mentre continua il flusso conversazionale. Questione di architettura e potenza di calcolo, enorme. È io penso che sia già straordinariamente interessante senza bisogno di aggiungerci coscienza, sentimenti o altre caratteristiche umane, no?

LA COSA DAVVERO IMPORTANTE

Personalmente penso che il cambiamento più importante non sia Gemini 3.8 Live preso singolarmente, ma è poter osservare la direzione nella quale stanno convergendo tutti i sistemi AI. Abbiamo iniziato costruendo modelli capaci di rispondere, e poi siamo arrivati ai sottoagenti passando per gli strumenti, la memoria ed il contesto persistenti, API ecc. ecc.

Adesso invece iniziamo a far convivere tutto questo con interazioni vocali continue e con attività che continuano mentre stiamo ancora parlando, ed il risultato non è semplicemente un chatbot più intelligente ma UN NUOVA categoria di software.

E PER CHI SVILUPPA, QUESTO E' QUELLO CHE CAMBIA IL MESTIERE

Probabilmente continueremo a scrivere moltissimo codice, ma sempre più spesso il nostro lavoro non consisterà soltanto nel programmare ogni passaggio ma nel progettare il perimetro entro il quale un agente può decidere autonomamente quali passaggi eseguire, definendo strumenti, permessi fino a ambienti isolati e ovviamente gestione degli errori.

In altre parole, invece di programmare soltanto:

SE succede A fai B

programmeremo così:

questo è l'obiettivo, questi sono gli strumenti disponibili e qui hai le cose che puoi fare e

quelle che non puoi fare (o che richiedono autorizzazione). Dimmi quando hai terminato.

E nel mezzo sarà il sistema a decidere parte del percorso.

IL SOFTWARE NON SPARISCE. CAMBIA IL LIVELLO DI ASTRAZIONE

È già successo molte volte nell'informatica; abbiamo smesso di programmare quasi tutto direttamente in assembly ma non per questo è sparito il software, come abbiamo smesso di gestire manualmente moltissima memoria ma non per questo sono spariti gli sviluppatori.

Abbiamo costruito framework, database, compilatori, poi container, i cloud ed igni volta abbiamo spostato il livello di astrazione un po' più in alto. Gli agenti potrebbero rappresentare un altro di questi spostamenti dove non diciamo più necessariamente alla macchina esattamente ogni singolo passaggio necessario per ottenere il risultato ma descriviamo maggiormente il risultato desiderato, forniamo gli strumenti e costruiamo i limiti entro i quali il sistema può cercare una soluzione.

E QUINDI COSA È SUCCESSO IL 15 SETTEMBRE 2026?

Google ha rilasciato Gemini 3.8 Live e Gemini 3.8 Live Extended Thinking come modelli audio nativi orientati alle applicazioni conversazionali in tempo reale. Extended Thinking può mantenere un ragionamento più profondo e attività asincrone mentre la conversazione continua. I modelli accettano audio, immagini, video e testo e sono disponibili attraverso Gemini API e altri prodotti Google.

Ma la notizia importante, almeno per me, è quello che questo rappresenta.

Fino a pochi anni fa utilizzavamo l'AI principalmente chiedendole:

"Dimmi come posso fare questa cosa."

Sempre più spesso inizieremo invece a dirle:

"Fai questa cosa."

E saranno gli sviluppatori a dover stabilire con estrema precisione che cosa significhi quel "fai".

Perché da quel momento non staremo più semplicemente progettando una risposta.

Staremo progettando un comportamento.

Ed è probabilmente questo il punto nel quale l'intelligenza artificiale smette definitivamente di essere soltanto una nuova interfaccia software e comincia a diventare una parte attiva dell'architettura del software stesso.