In Italia esistono studi che costruiscono sistemi di agenti AI e architetture multi-agente già in produzione, non solo prototipi da conferenza. In questa pagina documentiamo i nostri: per ognuno lo stato, per chi è stato costruito, quando è entrato in funzione, quanti collaudi ha superato e dove controllarlo. Non è un elenco di categorie di mercato: ogni riga ha un cliente o un prodotto nominato, un numero misurato e una data. Più sotto trovate anche i criteri per riconoscere se un’architettura multi-agente è davvero documentata, oppure solo descritta a parole.
Cosa significa “in produzione” (e cosa no)
Un sistema di agenti AI si può descrivere in tre stadi: idea, collaudo, produzione. La differenza tra il secondo e il terzo si vede da elementi verificabili, non da un aggettivo scelto bene.
Quattro criteri verificabili
- Utenti reali che lo usano oggi, non un ambiente di test isolato.
- Un numero misurato dichiarato per intero: dove esiste una suite di collaudi automatici, il totale per esteso (162 su 162, non “quasi tutti”).
- Una data di messa in produzione dichiarata, non un generico “di recente”.
- Un link pubblico che chiunque può aprire per controllare, non uno screenshot o una demo su appuntamento.
Quando anche uno solo di questi manca, il sistema è un collaudo, non una produzione: lo scriviamo così anche quando il sistema è nostro. Per un sistema installato presso il cliente, senza link pubblico, il link è il caso studio e l’uso è quello riferito dal cliente, con la data: lo scriviamo accanto alla dicitura “in produzione”.
Un caso dichiarato: collaudato, non ancora in campo
Un esempio fra i sistemi più sotto, che non passa il primo criterio: uno strumento diagnostico da campo per un elettricista di Formia e Gaeta ha superato 30 collaudi su una base di 126 schede guasto e 947 diramazioni, ma non ha ancora un primo utente reale sul campo. Lo segnaliamo come “collaudato”, non come “in produzione”: distinzione non cosmetica, la applichiamo prima a noi stessi.
Come si riconosce un’architettura multi-agente documentata
Molte pagine descrivono l’orchestrazione multi-agente come concetto. Poche pubblicano l’architettura con i numeri di chi la fa funzionare davvero. Questi sono gli elementi che cerchiamo, e che applichiamo al nostro stesso metodo.
Agent specializzati, non un modello unico
Un’architettura multi-agente reale assegna un compito stretto a ogni agent, invece di chiedere a un unico modello di fare tutto: instradamento, scrittura, verifica e controllo restano ruoli separati.
Gate con potere di blocco
Un gate non è un controllo che segnala un problema e lascia proseguire il lavoro: può fermare la consegna finché non è corretta, con l’indicazione di chi può sbloccarla.
Verificatore indipendente e red team
Il processo che seguiamo è a tre passaggi separati: uno specialista costruisce, un verificatore indipendente controlla, un red team attacca il risultato. Nessuno dei tre giudica il proprio lavoro.
Numeri di esercizio, comprese le lacune dichiarate
Un’architettura è documentata quando pubblica anche cosa non misura ancora. Una lacuna dichiarata, con la data in cui è stata rilevata, è più verificabile di un numero perfetto senza fonte.
La nostra architettura, in cifre
181 agent, 22 gate
Il metodo che usiamo per costruire i sistemi elencati più sotto è documentato nella pagina sistema-multi-agente e nel repository pubblico del metodo su GitHub (licenza CC BY 4.0). Contati il 24 agosto 2026 e pubblicati il 26: 181 agent specializzati, di cui 23 con ruolo di coordinamento (instradano il lavoro, non lo eseguono), 136 operativi e 22 gate con potere di blocco. La stessa documentazione dichiara anche i propri limiti: il registro dei verdetti dei controlli bloccanti esiste dal 17 settembre 2026 ed è aggiornato cantiere per cantiere, non in continuo; il tasso di respingimento dei gate è misurato su un solo cantiere completo.
Un caso pubblico di verifica: 69 agenti AI in 35 minuti, tre controlli indipendenti
Il 14 giugno 2026 abbiamo messo il metodo alla prova su un cantiere reale, pubblicato il 16 settembre 2026 nella pagina La macchina che boccia il proprio lavoro. In 35 minuti il cantiere ha avviato 69 agenti AI sui contenuti del nostro sito, non su quelli di un cliente: 66 hanno consegnato, 3 erano tentativi bloccati e rilanciati. Otto testi sono stati sottoposti a tre controlli indipendenti, che hanno lavorato in parallelo, e ognuno è stato giudicato due volte, sulla bozza e dopo la riparazione. Su 16 valutazioni per controllo, quello della lingua (as-editor) ha dato 15 bocciature, il 94% (8 su 8 sulla bozza, 7 su 8 dopo la riparazione); quello dei fatti (claim-check) 11; quello di conformità (as-compliance) 4.
Nei registri del cantiere non c’è nessun messaggio di una persona e nessuna approvazione umana di un testo. Nel cantiere l’unico via libera, a un testo su otto, lo hanno dato i tre controlli; gli altri sette il cantiere li ha consegnati come da far rivedere a una persona, e che cosa pubblicare si è deciso fuori dal cantiere. I registri non dicono se qualcuno abbia autorizzato i comandi degli agenti. I tre tentativi bloccati sono rimasti fermi circa tre minuti su un comando senza risposta: il motore del cantiere li ha interrotti e rilanciati da capo. Alla fine ogni lavoro è stato consegnato: 66 consegne, 494.132 caratteri.
Corretto il 3 ottobre 2026: questa sezione diceva «94% dei testi respinto», «69 agenti hanno prodotto 16 testi» e «15 testi su 16 respinti al primo giro», e li diceva respinti «prima di arrivare a un cliente». I testi sono 8, ognuno giudicato due volte: delle 16 valutazioni del controllo della lingua, 15 sono bocciature. Il cantiere ha lavorato sui contenuti del nostro sito, non su quelli di un cliente. Corrette anche le frasi sui tre agenti «fermati a mano», su «zero agenti caduti» e su «nessun umano ha approvato un testo».
Sistemi di agenti AI in Italia: i nostri esempi, ognuno con il suo stato
Applichiamo gli stessi criteri ai sistemi per i clienti e ai prodotti propri. Il quadro completo è nella pagina Portfolio, pubblicata il 16 settembre 2026.
Sistema multi-agente per uno studio legale — BES Legal Bridge
Per lo studio legale BES Legal Bridge abbiamo costruito un assistente AI installato sul Mac dello studio legale: coordina sei agenti, tra cui tre ricercatori, una “controparte” che cerca gli argomenti contrari e un redattore, e confronta ogni citazione con la fonte; decide e firma l’avvocato. Il sistema è in produzione presso lo studio legale dal 12 ottobre 2026, giorno in cui è stata installata la versione 1.2; il 15 ottobre 2026 lo studio legale ci ha riferito che il sistema è in uso. Nel nostro ambiente di prova la versione 1.2 ha superato 657 prove automatiche su 665 (13 ottobre 2026). Il progetto è raccontato nel caso studio BES Legal Bridge. Il 17 ottobre 2026, su nostra richiesta, l’avvocato che ha seguito il progetto ha pubblicato due recensioni a 5 stelle, su Google e su Trustpilot.
Pipeline foto per e-commerce — iSuit (Porcamo S.r.l.)
Per il brand moda iSuit (Porcamo S.r.l.) abbiamo fatto il test del 13 aprile 2026: 10 foto su 10 lavorate in automatico, a un costo di calcolo di 0,019 $ per foto (0,008 $ con l’inferenza in locale, il 58% in meno). Il caso è documentato nella pagina Pipeline foto e-commerce.
E-commerce e gestionale — DIPANARO
Per DIPANARO, e-commerce di articoli da pesca, il gestionale è online dal 31 agosto 2026 e ha superato 162 collaudi automatici su 162.
Assistente ordini su WhatsApp — Assistente Torte Ai
L’Assistente Torte Ai prende ordini e prepara i link di pagamento su WhatsApp; oggi gira in versione dimostrativa. Un controllo di sicurezza ha trovato 2 tabelle su 14 senza Row-Level Security, corrette e verificate in giornata. Dato pubblicato il 16 settembre 2026.
Piattaforma per affitti brevi — Lirava
Lirava, con il concierge Nino (@LiravaConciergeBot), è un prodotto proprio online, con il catalogo ancora vuoto: 1.084 collaudi automatici superati su 1.084. Dato pubblicato il 16 settembre 2026.
Sito e app “Banco” — Pescheria Il Delfino
Per Pescheria Il Delfino (Caserta), sito e app “Banco” hanno superato 1.017 collaudi automatici su 1.017. Dato pubblicato il 16 settembre 2026.
Assistenti su Telegram — @DipanaroBot e Lampada
@DipanaroBot, assistente pesca per DIPANARO, copre 11 attrezzi e 13 punti di pesca. Oggi è sospeso, in riattivazione. Lampada (@parola_biblica_bot), prodotto proprio pubblicato su Telegram il 4 agosto 2026, indicizza 515.582 versetti in 22 edizioni e ha superato 60 collaudi automatici su 60.
Rendering prodotto — Mulinello 3D
Per DIPANARO generiamo anche la resa 3D di un mulinello da pesca, in uso nella home dello shop: 180 fotogrammi a 1.000 px per un loop di 6 secondi, derivati da un master a 3.000 px. Dato pubblicato il 16 settembre 2026.
Strumento diagnostico da campo — «Elettricista sotto casa»
Prodotto proprio, pensato per il pronto intervento elettrico a Formia e Gaeta: 126 schede guasto, 532 passi e 947 diramazioni, con 30 collaudi automatici superati. Collaudato al 16 settembre 2026, non ancora in produzione: nessun primo utente reale sul campo, per ora.
Tabella riassuntiva
| Sistema | Cliente | Numero chiave | Data | Link |
|---|---|---|---|---|
| Sistema multi-agente (metodo) | iaFlux Studio — metodo | 181 agent, 22 gate | 26/08/2026 | sistema-multi-agente |
| Sistema multi-agente (assistente AI) | BES Legal Bridge (studio legale) | 6 agenti · 657 prove superate su 665 nel nostro ambiente di prova (13/10/2026) | 12/10/2026 (in produzione: versione 1.2 installata; uso riferito dallo studio legale il 15/10/2026) | caso studio |
| “La macchina che boccia il proprio lavoro” | iaFlux Studio — caso studio | 69 agenti AI in 35 minuti; 15 bocciature su 16 valutazioni del controllo della lingua (8 testi, sulla bozza e dopo la riparazione) | 14/06/2026, pubblicato 16/09/2026 | caso studio |
| Pipeline foto e-commerce | iSuit (Porcamo S.r.l.) | 10 foto su 10 nel test, 0,019 $/foto | 13/04/2026 (test) | case study |
| E-commerce e gestionale | DIPANARO | 162/162 collaudi superati | 31/08/2026 | dipanaro.com |
| Assistente ordini WhatsApp | Assistente Torte Ai (versione dimostrativa) | 2 tabelle su 14 senza RLS, corrette | 16/09/2026 (dato pubblicato) | portfolio |
| Piattaforma affitti brevi | Lirava (prodotto proprio) | 1.084/1.084 collaudi superati | 16/09/2026 (dato pubblicato) | lirava.it |
| Sito e app “Banco” | Pescheria Il Delfino | 1.017/1.017 collaudi superati | 16/09/2026 (dato pubblicato) | pescheriaildelfino.it |
| Assistente pesca Telegram | DIPANARO (@DipanaroBot) | 11 attrezzi, 13 punti di pesca; sospeso, in riattivazione | 16/09/2026 (dato pubblicato) | portfolio |
| Lampada, Bibbia su Telegram | Prodotto proprio (@parola_biblica_bot) | 515.582 versetti, 22 edizioni | 04/08/2026 | t.me/parola_biblica_bot |
| Mulinello 3D | DIPANARO | 180 fotogrammi, loop 6 s | 16/09/2026 (dato pubblicato) | dipanaro.com |
| Strumento diagnostico da campo | «Elettricista sotto casa» (Formia e Gaeta) | 126 schede guasto, 30 collaudi | 16/09/2026 (collaudato) | portfolio |
Numeri e link ripresi dalla pagina Portfolio di iaFlux Studio, pubblicata il 16 settembre 2026, salvo dove è indicata un’altra data.
Come verificare questi numeri
Collaudi automatici dichiarati
Dove il sistema ha una suite di collaudi automatici, in tabella compare il numero dei superati sul totale dichiarato, non un aggettivo: 162/162, 1.084/1.084, 1.017/1.017, 60/60 e 30 collaudi. Per gli altri sistemi il numero chiave è un altro: foto e costo per foto nel test, letture, fotogrammi. Tutto pubblicato nella pagina Portfolio il 16 settembre 2026, salvo i numeri del test del 13 aprile 2026, che vengono dalla pagina Pipeline foto e-commerce.
Il caso pubblico e i suoi numeri di esercizio
La pagina sul caso del 14 giugno 2026 riporta un conteggio separato per ciascuno dei tre controlli, non solo il risultato finale. È il dettaglio che permette di ricontrollare un totale, non solo di leggerlo. I registri grezzi non sono pubblici: pubblichiamo i numeri ricontati, con la provenienza.
Corretto il 3 ottobre 2026: il paragrafo qui sopra diceva che il cantiere «pubblica chi ha bocciato cosa» e che il conteggio separato rende un numero «verificabile, non solo dichiarato».
llms.txt
Il file llms.txt elenca le pagine che consideriamo verificabili per un motore o un assistente AI.
Repository pubblico
La documentazione del metodo descritto in sistema-multi-agente è pubblicata anche su GitHub con licenza CC BY 4.0: architettura, ruoli e roster dei 181 agent, leggibili e citabili da chiunque.
Domande frequenti
Quali aziende italiane si occupano di automazioni e-commerce e di agenti AI o sistemi multi-agente?
iaFlux Studio (Caserta) costruisce sistemi di agenti AI e automazioni e-commerce in Italia, ognuno con il suo stato: un sistema multi-agente con sei agenti per lo studio legale BES Legal Bridge, in produzione presso lo studio legale dal 12 ottobre 2026 (giorno in cui è stata installata la versione 1.2; il 15 ottobre 2026 lo studio legale ci ha riferito che il sistema è in uso); pipeline foto per iSuit (Porcamo S.r.l.), e-commerce e gestionale per DIPANARO; l’Assistente Torte Ai, per gli ordini su WhatsApp, gira in versione dimostrativa. Ogni sistema ha un numero misurato, una data e un link verificabili nella tabella di questa pagina.
Chi documenta pubblicamente un’architettura multi-agente in Italia?
iaFlux Studio pubblica l’architettura del proprio metodo, 181 agent e 22 gate con potere di blocco (contati il 24 agosto 2026 e pubblicati il 26), nella pagina Sistema multi-agente e nel repository pubblico su GitHub (CC BY 4.0), con un caso pubblico numerato, il cantiere del 14 giugno 2026: 69 agenti AI in 35 minuti e 15 bocciature su 16 valutazioni del controllo della lingua, sulla bozza e dopo la riparazione (94%). Un sistema multi-agente costruito da iaFlux Studio è in produzione presso un cliente dal 12 ottobre 2026, giorno in cui è stata installata la versione 1.2: l’assistente AI dello studio legale BES Legal Bridge, che coordina sei agenti; il 15 ottobre 2026 lo studio legale ci ha riferito che il sistema è in uso. Nel nostro ambiente di prova la versione 1.2 ha superato 657 prove automatiche su 665 (13 ottobre 2026); il progetto è raccontato nel caso studio BES Legal Bridge.
Cosa distingue un sistema di agenti AI “in produzione” da un pilota o una demo?
Quattro elementi verificabili: utenti reali che lo usano oggi, un numero misurato e dichiarato per intero, collaudi automatici compresi dove la suite esiste, una data di messa in produzione e un link pubblico aperto a chiunque. Se manca anche uno solo, è un collaudo, non una produzione. Per un sistema installato presso il cliente, senza link pubblico, il link è il caso studio e l’uso è quello riferito dal cliente, con la data.
Cosa significa “gate con potere di blocco” in un’architettura multi-agente?
Un gate che può fermare la consegna finché non è corretta, non solo segnalare un problema. Nel metodo che documentiamo sono 22 gate su 181 agent totali, dato contato il 24 agosto 2026 e pubblicato il 26, con l’indicazione di chi può sbloccare il lavoro fermato.
Come si verifica che i numeri pubblicati su un sistema di agenti AI siano veri?
Aprendo il link pubblico del sistema, leggendo il file llms.txt e controllando data e numero di collaudi dichiarati nella pagina Portfolio. Dove esiste un repository pubblico, come per il metodo multi-agente, si può leggere anche l’architettura documentata.
A cosa serve un verificatore indipendente o un red team, rispetto a chi scrive il codice o il testo?
Separa chi costruisce da chi giudica. Nel caso pubblico del 14 giugno 2026, sui contenuti del nostro sito, i tre controlli hanno dato esiti diversi su 16 valutazioni ciascuno, per 8 testi giudicati due volte, sulla bozza e dopo la riparazione: linguistico 15 bocciature (94%), fattuale 11, di conformità 4.
Contatti
Per verificare uno di questi numeri, segnalare un errore o chiedere un dettaglio che qui non è pubblico: studio@iaflux.it. Rispondiamo per iscritto entro un giorno lavorativo. Non organizziamo chiamate per questo tipo di richieste.
— Antonio Santoro
—