Nelle ultime conversazioni con i clienti su DeepSeek, accanto alle domande sulle capacità dei modelli e sui prezzi ne è comparsa una nuova: che cos’è esattamente DeepSeek Super-agent? Può portare a termine un lavoro da solo, come un vero assistente?
Super-agent non è un nuovo modello, e DeepSeek non ha lanciato un “super assistente” che chiunque possa usare con un clic. Il 31 ottobre 2026 il team di DeepSeek Harness ha presentato un approccio per creare agenti AI capaci di lavorare senza interruzioni e gestire più compiti contemporaneamente, insieme a un prototipo di ricerca open source. Il repository ufficiale del prototipo DeepSeek precisa che si tratta di un riferimento per la ricerca, non di un prodotto ufficiale DeepSeek, e ne sconsiglia l’uso diretto in produzione.
Perché vale la pena parlarne? La questione non è quanto possano essere difficili le domande a cui l’AI sa rispondere. È qualcosa di più vicino al lavoro quotidiano: se affidiamo all’AI cinque cose da fare insieme, riesce a completarle con ordine, senza che dobbiamo sollecitarla di continuo?
1. Che cos’è esattamente DeepSeek Super-agent?
Finora il modello era soprattutto “una richiesta, un compito”
Una normale AI conversazionale somiglia a un consulente sempre disponibile: le facciamo una domanda e riceviamo una risposta. Un agente AI va oltre. Può usare strumenti, consultare siti, organizzare fogli di calcolo e modificare codice, cercando di consegnare un risultato completo.
Ma quando i compiti aumentano, iniziano le difficoltà.
Per esempio, possiamo chiedere all’AI di raccogliere informazioni sui concorrenti in una finestra, controllare i problemi di un sito in un’altra e preparare un rapporto settimanale in una terza. Dopo un po’ dobbiamo ricordare a che punto è ogni conversazione, quale attività si è bloccata e dove servono altre informazioni.
Nell’articolo dedicato al progetto, il team DeepSeek osserva che una persona riesce in genere a seguire 3–5 conversazioni attive alla volta. Non è un limite valido per tutti. Seguire più attività, però, richiede più attenzione e mette in luce un problema concreto: l’AI può avviare molti lavori insieme, mentre la nostra attenzione è limitata e fatica a seguirli tutti.
“Un coordinatore, più esecutori”: vogliamo solo che l’AI faccia il lavoro
Per capire l’idea di Super-agent, possiamo immaginare un piccolo gruppo di lavoro:
- Router, il coordinatore dei compiti: ricorda le nostre richieste, riceve nuovi messaggi e distribuisce il lavoro, senza dedicarsi in prima persona alla sua esecuzione.
- Worker, gli esecutori: ognuno ha il proprio compito e la propria cronologia di lavoro. Possono occuparsi di cose diverse nello stesso momento e riferire al coordinatore quando hanno finito.
- Attivazione in base agli eventi: se qualcuno pone una domanda in una chat di gruppo, arriva un commento su GitHub o un test automatico fallisce, il sistema può decidere se intervenire.
- Watchdog, il supervisore: controlla se un’attività si è bloccata o ha perso la direzione e, quando serve, fa intervenire di nuovo il sistema.
Per noi, l’aspetto più interessante non è avere qualche agente AI in più. È permettere alle persone di non doversi preoccupare di quante conversazioni l’AI stia gestendo dietro le quinte.
DeepSeek riassume gli obiettivi in quattro punti: mantenere il contesto nel tempo, svolgere più attività in parallelo, reagire di propria iniziativa ai cambiamenti dell’ambiente e funzionare a lungo, riprendendosi dai problemi.
2. È davvero più veloce?
Vediamo che cosa ha misurato il team. L’esperimento utilizzava un ambiente di lavoro simulato: ogni esecuzione comprendeva circa 300 eventi provenienti da chat di gruppo e GitHub, di cui circa 20 erano vere richieste di lavoro. Ogni soluzione è stata eseguita cinque volte. Per studiare separatamente la gestione dei compiti, il lavoro di programmazione era simulato da uno strumento che si limitava a consumare tempo.
Il test misurava come distribuire, ricevere e completare più attività.
| Soluzione | Durata dei compiti P50 | Durata dei compiti P95 | Token letti dalla cache per esecuzione dell’esperimento |
|---|---|---|---|
| Super-agent, progetto completo | 12.4 minuti | 15.7 minuti | Circa 23,200,000 |
| Super-agent senza inoltro diretto degli eventi | 12.6 minuti | 15.5 minuti | Circa 31,800,000 |
| Sessione singola + subagente, istruzione standard | 20.4 minuti | 29.5 minuti | Circa 6,100,000 |
| Sessione singola + subagente, istruzione che dà priorità alla delega | 13.8 minuti | 29.0 minuti | Circa 10,800,000 |
Dalla tabella emergono tre aspetti interessanti:
Primo: quando i compiti sono tanti, la regolarità può contare più della velocità del singolo lavoro. Il Super-agent completo ha registrato un P95 di 15,7 minuti, contro i 29,5 minuti della normale soluzione a sessione singola. Il tempo di completamento nella parte più lenta della distribuzione si è quindi ridotto di circa il 47%.
Secondo: dire all’AI “delega il più possibile ai subagenti” non basta. Con l’istruzione standard, il modello non ha chiamato alcun subagente in nessuna delle cinque esecuzioni. Con un’istruzione che dava priorità alla delega, ha distribuito il lavoro in quattro esecuzioni su cinque, ma il P95 è rimasto a 29,0 minuti.
Terzo: più veloce non significa necessariamente più economico. Il Super-agent completo ha letto dalla cache circa 23,2 milioni di token per esecuzione, contro circa 6,1 milioni della normale soluzione a sessione singola. Ha impiegato più risorse per elaborare il contesto, ottenendo in cambio tempi di completamento più prevedibili. L’inoltro diretto degli eventi, inoltre, ha ridotto le letture dalla cache da circa 31,8 a 23,2 milioni di token: anche il modo in cui si progetta il sistema influisce sui consumi.
3. Quali sono le differenze rispetto a Manus, Genspark, OpenClaw e ChatGPT Work?
“Super Agent” può sembrare il nome di una categoria di prodotti ben definita, ma non lo è. Alcuni prodotti trasformano l’esecuzione dei compiti in un servizio pronto per tutti. Altri forniscono una base da installare e adattare autonomamente.
| Prodotto o soluzione | Quale problema affronta soprattutto? | A chi si rivolge? | Impegno necessario per iniziare |
|---|---|---|---|
| Prototipo DeepSeek Super-agent | Ricevere eventi nel tempo, assegnare compiti e coordinare più sessioni di esecuzione; il prototipo attuale si concentra sui flussi di lavoro GitHub | Sviluppatori e gruppi che studiano sistemi di agenti | Alto: richiede configurazione e manutenzione autonome |
| Genspark Super Agent | Trasformare attività a più passaggi, come ricerche, documenti, fogli di calcolo e progetti grafici, in risultati pronti | Persone che vogliono ottenere risultati senza occuparsi troppo della configurazione | Basso: è un prodotto pronto all’uso |
| Manus | Far usare all’AI un computer nel cloud per lavorare con siti, file, applicazioni e attività programmate | Chi si occupa di ricerca, gestione operativa e lavoro d’ufficio | Da basso a medio: dipende dal compito e dai permessi di collegamento |
| OpenClaw | Eseguire sul proprio dispositivo o server un assistente sempre disponibile, utilizzabile dalle app di messaggistica | Chi vuole controllare direttamente dati e strumenti | Alto: richiede installazione, configurazione e manutenzione |
| ChatGPT Work | Svolgere ricerche e analisi e produrre risultati lavorando su siti, file e applicazioni | Chi deve gestire attività d’ufficio complesse | Basso: è un servizio gestito, con capacità che variano in base all’account |
Genspark Super Agent: un assistente che consegna un lavoro finito
Può dividere una richiesta in più passaggi, usare strumenti e consegnare una ricerca, una presentazione, un’analisi dei dati o altri file. La nuova versione di Super Agent permette anche di eseguire attività in un ambiente cloud, salvare i flussi di lavoro come Skill riutilizzabili e portare avanti più compiti in parallelo.
Se vogliamo “raccogliere informazioni su dieci aziende e trasformarle in una presentazione ben fatta”, un agente pronto all’uso è facile da capire. Non occorre studiare prima Router e Worker: basta spiegargli che cosa deve consegnare.
Manus: più attenzione alle operazioni concrete
Offre ricerca sul web, collegamenti alle applicazioni, automazioni e un computer nel cloud. La guida ufficiale al computer cloud spiega anche che un ambiente persistente può conservare file e strumenti installati, ed è adatto a eseguire script, bot e attività ricorrenti.
Per chi lo usa, possiamo descriverlo come “dare all’AI un computer su cui lavorare”. Se il compito richiede di aprire siti, elaborare file o controllare periodicamente dei cambiamenti, l’approccio di Manus è piuttosto diretto.
OpenClaw: gestire un proprio assistente AI sempre disponibile
Consideriamo OpenClaw un gateway per agenti che si può ospitare autonomamente. Si collega a canali di messaggistica come Telegram, WhatsApp e Slack e supporta attività programmate, uso di strumenti e instradamento tra più agenti.
OpenClaw merita attenzione se vogliamo “inviare un messaggio in chat e lasciare che il nostro server se ne occupi”. In cambio, dobbiamo gestire installazione, permessi di sicurezza, costi dei modelli e manutenzione quotidiana. Come per DeepSeek Super-agent, oltre alle capacità dell’agente conta la possibilità di farlo funzionare nella propria infrastruttura.
ChatGPT Work: affidare attività d’ufficio complesse a un agente cloud
Può raccogliere informazioni da siti e applicazioni collegate, analizzare dati e creare risultati come fogli di calcolo e presentazioni. È un’altra possibilità per chi non vuole gestire un proprio servizio.
Lo consideriamo, insieme a Genspark e Manus, più vicino a un prodotto di lavoro pronto all’uso. Il prototipo DeepSeek Super-agent è invece un esempio con cui gli sviluppatori possono studiare come costruire un sistema del genere. Sono livelli di prodotto diversi, non una classifica tra soluzioni superiori e inferiori.
4. Come scegliamo noi?
Partiamo da tre situazioni:
- Fare una ricerca: “Trova le descrizioni più recenti dei servizi su tre siti pubblici e prepara una tabella di confronto delle funzioni. Cita la fonte originale per ogni conclusione importante e segnala i punti incerti.”
- Creare un file: “Usa le cinque pagine di informazioni sul prodotto fornite per preparare una presentazione di 8 slide destinata ai nuovi utenti. Non inventare numeri di clienti o dati di vendita.”
- Gestire un’attività nel tempo: “Controlla una volta alla settimana se i prezzi su una pagina web indicata sono cambiati. Avvisaci solo se c’è una variazione reale e conserva un resoconto del confronto.”
Per valutare i risultati usiamo criteri chiari e misurabili, invece di limitarci all’impressione che l’agente sia intelligente:
| Criterio | Che cosa registriamo |
|---|---|
| Tasso di completamento | Quanti dei 10 criteri di accettazione vengono effettivamente soddisfatti |
| Interventi umani | Quante volte dobbiamo spiegare di nuovo, fare clic o correggere qualcosa |
| Tempo di consegna | Quanto passa dall’assegnazione del compito a un risultato che soddisfa i requisiti |
| Affidabilità delle fonti | Quante delle 5 conclusioni principali controllate a campione sono confermate dalle pagine originali |
| Costo | Crediti, quote disponibili o costi API effettivamente consumati |
Ripetiamo lo stesso compito almeno tre volte, poi confrontiamo quanto cambiano i risultati. Un punto richiede particolare attenzione: per la terza attività, quella continuativa, bisogna davvero aspettare che si verifichi l’evento previsto e verificare la capacità di riprendersi dai problemi. Non basta che l’agente risponda “Configurazione completata”. I prototipi di ricerca e i prodotti pronti all’uso, inoltre, non offrono necessariamente gli stessi collegamenti. Se un’attività non può essere eseguita, va indicata come “non adattata a questa configurazione”, anziché considerarla una prova di scarse capacità del modello.
Questo è il metodo che usiamo noi. Chi è interessato può provarlo.
5. Come si può provare oggi l’approccio di DeepSeek?
Distinguiamo tre cose: provare un modello DeepSeek, provare gli strumenti per agenti di DeepSeek e installare il prototipo Super-agent.
Per capire se DeepSeek può aiutarti a scrivere o ad analizzare informazioni, puoi iniziare dalla nostra prova online di DeepSeek V4 Flash. Usa una domanda semplice, con una risposta verificabile, per valutare la qualità. Non serve installare subito un intero sistema di agenti.
Per usare un agente che svolga più operazioni, puoi consultare l’anteprima pubblica ufficiale di DeepSeek Harness. È pensata per lavorare con documenti, fogli di calcolo, ricerche e codice.
Per studiare come sono costruiti gli agenti che gestiscono più compiti, puoi esaminare dsh-superagent-prototype e la guida alla configurazione. Il prototipo pubblico attuale lavora soprattutto intorno a un singolo repository GitHub. Suggeriamo di partire con i permessi minimi e di non lasciare che codice di ricerca modifichi automaticamente progetti importanti in produzione.
6. Qual è il rapporto tra i modelli DeepSeek e Super-agent?
È una distinzione che spieghiamo spesso ai clienti: il modello offre capacità di comprensione e ragionamento; il sistema agente gli fornisce continuamente compiti, usa strumenti, esegue passaggi, salva lo stato e consegna risultati.
Un assistente che aggiorna ogni settimana sulle novità dei concorrenti, per esempio, potrebbe funzionare così: un programma raccoglie i nuovi contenuti delle pagine pubbliche, il modello individua i cambiamenti e il sistema conserva i dati e invia un riepilogo già controllato. Il modello si occupa di comprendere i contenuti. La programmazione delle attività, il recupero delle pagine, la gestione dei permessi e le notifiche non compaiono automaticamente cambiando modello.
API Hop offre attualmente un accesso unificato a più API di modelli e dati. Gli sviluppatori possono usare le API di DeepSeek V4 Flash o DeepSeek V4 Pro per dare ai propri agenti capacità di comprensione del linguaggio e ragionamento. La gestione dei compiti, l’esecuzione degli strumenti e la memoria a lungo termine devono comunque essere realizzate dal framework scelto o dal sistema applicativo.
Le capacità dei modelli hanno anche misure specifiche. Per esempio, il registro ufficiale degli aggiornamenti dell’API DeepSeek riporta per V4 Flash, pubblicato a luglio 2026, un punteggio ufficiale di 82,7 su Terminal-Bench 2.1. Questo aiuta a valutarne le capacità in un determinato test per agenti di programmazione, ma non dimostra che “DeepSeek Super-agent può completare l’82,7% dei compiti della vita reale”. Il punteggio di un modello e il tasso di completamento di un intero sistema sono cose diverse.
7. Le domande più comuni
Posso scaricare DeepSeek Super-agent e usarlo subito?
Si può scaricare il codice del prototipo di ricerca, non un’applicazione già rifinita che chiunque possa installare con un clic. Per usarlo bisogna installare DeepSeek Harness e le relative dipendenze e configurare punti di accesso come GitHub. Per un primo assaggio delle capacità degli agenti DeepSeek, consigliamo piuttosto l’anteprima pubblica di Harness.
Super-agent è completamente gratuito?
Il codice del prototipo è open source con licenza MIT, ma il suo funzionamento può comportare costi per API dei modelli, risorse di calcolo, installazione e manutenzione. Open source non significa poterlo tenere attivo a tempo indefinito senza spese.
Può inviare email, modificare file e inviare codice da solo?
Dipende dagli strumenti collegati al prodotto o al prototipo, dai permessi concessi e dalle regole di funzionamento. Consigliamo di richiedere una conferma umana per azioni come inviare messaggi, effettuare pagamenti, eliminare file e unire modifiche al codice. Prima lasciamo che l’AI prepari bozze e suggerimenti, poi estendiamo gradualmente i permessi.
Quale agente conviene provare per primo?
Partiamo dal lavoro da svolgere. Per ricerche e documenti pronti, proviamo prima un agente cloud già disponibile. Per un collegamento continuativo alle app di messaggistica, approfondiamo OpenClaw. Per capire l’architettura tecnica che distribuisce i compiti in un gruppo di lavoro, possiamo leggere il prototipo Super-agent di DeepSeek. Il fatto che tutti abbiano “Agent” nel nome non significa che risolvano lo stesso problema.
Il nostro punto di vista
Per noi, l’aspetto più interessante di DeepSeek Super-agent non è il nome più ambizioso. È l’attenzione dedicata a una domanda a lungo trascurata: quando l’AI comincia davvero a lavorare per noi, chi assegna i compiti, gestisce il contesto, rileva i problemi e coinvolge le persone solo quando serve?
Gli esperimenti ufficiali suggeriscono che incorporare la divisione del lavoro nell’architettura del sistema possa dare risultati più regolari rispetto a una semplice istruzione come “usa di più i subagenti”. Vediamo però anche il prezzo da pagare: più ambienti di esecuzione, più elaborazione del contesto e meccanismi di autorizzazione e recupero più complessi. Un agente veloce che sbaglia spesso e va controllato ripetutamente potrebbe non far risparmiare tempo.
Pensiamo che, in futuro, chi sceglie un assistente AI chiederà meno spesso quale modello usa e si concentrerà su tre cose: il lavoro è stato davvero completato? Gli errori si possono individuare? Quanto denaro e impegno umano sono serviti?
È anche la direzione che vogliamo seguire con API Hop: spiegare chiaramente capacità, costi e utilizzi adatti dei modelli, poi collegare i servizi di modelli e dati a flussi di lavoro utili. Modelli e dati sono una parte importante, ma un agente affidabile deve dimostrare il proprio valore con risultati verificabili.