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: chi li usa, quando sono entrati in funzione, quanti collaudi hanno 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.
L’eccezione dichiarata: collaudato, non ancora in campo
Tra i sistemi più sotto ce n’è uno 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). Ricontati il 26 agosto 2026: 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: manca un registro cronologico dei singoli verdetti, e il tasso di respingimento dei gate è misurato su un solo cantiere completo, non in modo continuo.
Un caso pubblico di verifica: 69 agenti, 94% dei testi respinto
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, 69 agenti hanno prodotto 16 testi passati a tre controlli indipendenti che hanno lavorato in parallelo sugli stessi testi: linguistico (as-editor) 15 respinti su 16, fattuale (claim-check) 11 respinti su 16, di conformità (as-compliance) 4 respinti su 16. Il risultato: 15 testi su 16 respinti al primo giro dal controllo della lingua, il 94%, prima di arrivare a un cliente. In quel cantiere nessun umano ha approvato un testo: a deciderlo sono stati i controlli. Tre agenti, non testi, sono stati fermati a mano: un intervento sul processo, non un via libera a un contenuto. Il cantiere ha comunque chiuso con 66 consegne, 494.132 caratteri e zero agenti caduti.
Sistemi di agenti AI in produzione in Italia: i nostri esempi (e l’eccezione dichiarata)
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.
Pipeline foto per e-commerce — iSuit (Porcamo S.r.l.)
Per il brand moda iSuit (Porcamo S.r.l.) elaboriamo in automatico 126 foto prodotto per lotto, a un costo 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; i numeri sono quelli pubblicati nella pagina Portfolio il 16 settembre 2026.
E-commerce e gestionale — DIPANARO
Per DIPANARO, e-commerce di articoli da pesca, il gestionale è in produzione dal 31 agosto 2026 e ha superato 162 collaudi automatici su 162.
Assistente ordini su WhatsApp — Assistente Torte Ai
Assistente Torte Ai gestisce ordini e pagamenti su WhatsApp per una pasticceria campana (cliente non nominato). 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 in produzione: 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 con 3.540 letture meteo raccolte e 2 aggiornamenti al giorno. Lampada (@parola_biblica_bot), prodotto proprio in produzione dal 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 |
| “La macchina che boccia il proprio lavoro” | iaFlux Studio — caso studio | 69 agenti, 94% testi respinti (15/16) | 14/06/2026, pubblicato 16/09/2026 | caso studio |
| Pipeline foto e-commerce | iSuit (Porcamo S.r.l.) | 126 foto/lotto, 0,019 $/foto | 16/09/2026 (dato pubblicato) | case study |
| E-commerce e gestionale | DIPANARO | 162/162 collaudi superati | 31/08/2026 | dipanaro.com |
| Assistente ordini WhatsApp | Assistente Torte Ai (pasticceria campana) | 2 tabelle su 14 senza RLS, corrette | 16/09/2026 (dato pubblicato) | cake.iaflux.it |
| 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) | 3.540 letture meteo | 16/09/2026 (dato pubblicato) | t.me/DipanaroBot |
| 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 una data di produzione diversa.
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 di esercizio: foto per lotto, costo per foto, letture, fotogrammi. Tutto pubblicato nella pagina Portfolio il 16 settembre 2026.
Il caso pubblico e i suoi numeri di esercizio
Il cantiere del 14 giugno 2026 pubblica chi ha bocciato cosa, non solo il risultato finale: un conteggio separato per ciascuno dei tre controlli. È il dettaglio che 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. Aggiornato il 16 settembre 2026, firmato Antonio Santoro.
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 già in produzione in Italia: pipeline foto per iSuit (Porcamo S.r.l.), e-commerce e gestionale per DIPANARO, assistente ordini WhatsApp Assistente Torte Ai. Ogni sistema ha un numero misurato, una data e un link verificabili, pubblicati il 16 settembre 2026 nella pagina Portfolio.
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 (ricontati il 26 agosto 2026), nella pagina Sistema multi-agente e nel repository pubblico su GitHub (CC BY 4.0), con un caso pubblico numerato: 69 agenti, 94% dei testi respinto, cantiere del 14 giugno 2026.
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.
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 ricontato il 26 agosto 2026, 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 (aggiornato il 16 settembre 2026) 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 i tre controlli hanno dato esiti diversi: linguistico 15 testi respinti su 16 (94%), fattuale 11 su 16, di conformità 4 su 16, prima che i testi arrivassero a un cliente.
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
—