Nel mondo degli agenti AI, il problema non è quasi mai trovare informazioni: è capire quando fermarsi. La maggior parte dei sistemi di ricerca automatizzati continua a raccogliere contesto fino a esaurire il limite di token o il tempo a disposizione, anche quando ha già tutto ciò che serve. Databricks ha deciso di affrontare proprio questo spreco, e il risultato è un agente AI Databricks capace di riconoscere da solo il momento in cui la ricerca è completa.
Punti chiave
- Databricks ha sviluppato KARL, un agente AI che impara a smettere di cercare quando ha raccolto informazioni sufficienti.
- KARL eguaglia l’accuratezza di Claude Opus 4.6 costando il 33% in meno e con una latenza inferiore del 47%.
- L’agente sfrutta l’apprendimento rinforzato per capire quando ulteriori recuperi di dati non aggiungono valore.
- KARL opera dentro Agent Bricks, la piattaforma di Databricks lanciata nel settembre 2026 per creare agenti auto-ottimizzati.
- Da quel lancio sono già stati costruiti oltre 100.000 agenti sulla piattaforma.
Databricks lancia l’agente AI KARL per migliorare l’efficienza nella ricerca
Databricks ha messo a punto KARL, un agente basato su retrieval-augmented generation che introduce un concetto tutt’altro che scontato nel settore: la capacità di riconoscere quando fermarsi. Mentre i sistemi RAG tradizionali tendono a recuperare più contesto del necessario, elaborando informazioni ridondanti e consumando risorse di calcolo senza reale beneficio, KARL è stato addestrato per interrompere la ricerca nel momento esatto in cui diventa inutile continuare.
Come KARL impara a interrompere la ricerca
Il meccanismo alla base di KARL parte da un’osservazione semplice: l’inefficienza nella ricerca è spesso un problema di tempismo, non di volume di dati. L’agente utilizza l’apprendimento rinforzato per imparare a riconoscere quando un ulteriore recupero di informazioni non porta più valore aggiunto, e a quel punto blocca il processo invece di proseguire per abitudine, come farebbero i sistemi tradizionali.
Le innovazioni tecniche dietro le prestazioni di KARL
Databricks affianca questa logica a una tecnica chiamata compressione del contesto, che permette all’agente di condensare le informazioni già recuperate prima di decidere se andare a cercarne altre. È un dettaglio tecnico che fa la differenza: riduce il carico computazionale senza sacrificare la qualità della risposta finale, e spiega in parte perché l’ottimizzazione della ricerca AI diventi qui un vantaggio economico concreto, non solo un esercizio teorico.
Prestazioni e vantaggi economici rispetto a Claude Opus 4.6
KARL eguaglia le prestazioni di Claude Opus 4.6 su attività di retrieval e ragionamento, ma con un costo inferiore del 33% e una latenza più bassa del 47%. Sono numeri che pesano parecchio in un settore dove i costi di inferenza dei modelli di frontiera restano uno degli ostacoli principali all’adozione su larga scala da parte delle imprese.
Perché conta: se un’azienda può ottenere la stessa accuratezza di un modello di punta come Claude Opus 4.6 spendendo un terzo in meno, il calcolo economico per adottare agenti AI enterprise cambia radicalmente. Non si tratta più di scegliere tra qualità e budget, ma di trovare un’infrastruttura capace di offrire entrambe le cose insieme.
La piattaforma Agent Bricks e il contesto dell’ecosistema
KARL non è un prodotto isolato: si inserisce dentro Agent Bricks, la piattaforma che Databricks ha lanciato nel settembre 2026 per costruire agenti auto-ottimizzati e specifici per settore. L’idea di fondo è che le aziende non debbano più configurare manualmente ogni modello che decidono di implementare.
Capacità della piattaforma e governance
Agent Bricks gestisce automaticamente l’ottimizzazione, adattando il comportamento degli agenti a compiti specifici definiti in linguaggio naturale. La piattaforma supporta i principali fornitori di modelli, tra cui le varianti di Claude e GPT, mentre la governance passa attraverso Unity Catalog, lo strumento di Databricks per il controllo dei dati e degli accessi. A questo si aggiunge una funzione di reranking all’interno del prodotto AI Search dell’azienda, che riordina i documenti recuperati in base alla loro effettiva rilevanza prima di passarli al modello linguistico: un intervento che, secondo i dati riportati, ha migliorato l’accuratezza sui benchmark enterprise di circa 15 punti percentuali.
Dati di adozione dal lancio
Dal lancio di settembre 2026, sono stati costruiti oltre 100.000 agenti sulla piattaforma. È un numero che segnala un’adozione rapida da parte delle aziende, e che rafforza l’idea che il mercato enterprise stia cercando proprio questo tipo di soluzione: agenti che si adattano automaticamente senza richiedere interventi manuali continui.
I benchmark interni citati da Databricks mostrano miglioramenti di accuratezza che vanno da circa il 32% a oltre il 90% su alcune tipologie di task, quando vengono applicate tecniche specializzate come il parallel thinking e i design multi-LLM.
Il modello di business AI enterprise di Databricks e il suo posizionamento
Qui si capisce il vero posizionamento strategico dell’azienda: Databricks non vende un modello fondazionale, vende l’infrastruttura che rende i modelli fondazionali utilizzabili su scala. Riuscire a eguagliare Claude Opus 4.6 su compiti di retrieval e ragionamento, riducendo al contempo i costi di un terzo, colloca l’azienda in una posizione particolare nel mercato enterprise: non compete direttamente con i grandi laboratori che sviluppano modelli, ma punta a diventare lo strato infrastrutturale su cui quei modelli operano in modo più efficiente.
Questo posizionamento potrebbe spiegare perché l’attenzione del settore si concentra sempre più sull’efficienza degli agenti piuttosto che sulla sola potenza dei modelli sottostanti. Se un’infrastruttura riesce a ottenere risultati comparabili con un consumo di risorse inferiore, il vantaggio competitivo si sposta dalla scala del modello alla qualità dell’orchestrazione che lo circonda.
FAQ
Qual è la principale innovazione dell’agente AI KARL?
KARL utilizza l’apprendimento rinforzato per imparare quando interrompere il recupero di contesto, evitando elaborazioni ridondanti e migliorando l’efficienza complessiva del sistema.
Come si confrontano le prestazioni di KARL con quelle di Claude Opus 4.6?
KARL eguaglia l’accuratezza di Claude Opus 4.6 costando il 33% in meno e operando con una latenza inferiore del 47%.
Cos’è la piattaforma Agent Bricks?
Agent Bricks è la piattaforma lanciata da Databricks nel settembre 2026 per costruire agenti AI auto-ottimizzati e specifici per settore, con supporto ai principali modelli e governance integrata.
Databricks vende direttamente modelli fondazionali?
No, Databricks vende l’infrastruttura che consente di scalare e utilizzare i modelli fondazionali, non i modelli stessi.
Contenuto realizzato con l’assistenza dell’intelligenza artificiale e con revisione editoriale umana.