Userbot

𝗖𝗼𝘀𝗮 𝘀𝘂𝗰𝗰𝗲𝗱𝗲 𝘀𝗲 𝘂𝗻 𝘂𝘁𝗲𝗻𝘁𝗲 𝗽𝗿𝗼𝘃𝗮 𝗮 𝗳𝗮𝗿 𝘂𝘀𝗰𝗶𝗿𝗲 𝗶𝗹 𝘃𝗼𝘀𝘁𝗿𝗼 𝗮𝗴𝗲𝗻𝘁𝗲 𝗔𝗜 𝗱𝗮𝗶 𝗯𝗶𝗻𝗮𝗿𝗶?
Una domanda a sfondo violento, un tentativo di prompt injection, o semplicemente un caso in cui il sistema non ha fonti affidabili per rispondere.

Nel nostro ultimo articolo parliamo di 𝗴𝘂𝗮𝗿𝗱𝗿𝗮𝗶𝗹𝘀: i controlli che si frappongono tra utente, modello e azienda, e decidono cosa può passare e cosa deve essere bloccato.

Vi raccontiamo come funzionano i 3 livelli di guardrails nativi in Userbot 3.0:
- Filtro contenuti (violenza, odio, self-harm, contenuti sessuali) su ogni input e output
- Blocco dedicato contro i tentativi di prompt injection nei blocchi di codice
- Validazione dei risultati RAG, per evitare risposte costruite su fonti poco pertinenti

E come è possibile aggiungere guardrails custom, su misura, per le regole specifiche del proprio settore (assicurazioni, e-commerce, sanità...).

𝗨𝗻 𝗮𝗴𝗲𝗻𝘁𝗲 𝘀𝗲𝗻𝘇𝗮 𝗴𝘂𝗮𝗿𝗱𝗿𝗮𝗶𝗹𝘀 𝗻𝗼𝗻 𝗲̀ 𝗽𝗶𝘂̀ 𝗹𝗶𝗯𝗲𝗿𝗼: 𝗲̀ 𝘀𝗼𝗹𝗼 𝗽𝗶𝘂̀ 𝗶𝗺𝗽𝗿𝗲𝘃𝗲𝗱𝗶𝗯𝗶𝗹𝗲. 𝗘 𝗶𝗻 𝗽𝗿𝗼𝗱𝘂𝘇𝗶𝗼𝗻𝗲, 𝗹'𝗶𝗺𝗽𝗿𝗲𝘃𝗲𝗱𝗶𝗯𝗶𝗹𝗶𝘁𝗮̀ 𝗻𝗼𝗻 𝗲̀ 𝘂𝗻 𝘃𝗮𝗻𝘁𝗮𝗴𝗴𝗶𝗼.

📖 Leggi l'articolo completo: https://buff.ly/VLJqP2f

"Qual è il modello LLM migliore?" ❌ Errore. Il punto di partenza è sbagliato.

Ogni settimana vediamo confronti tra modelli basati su classifiche e benchmark accademici. Ma quei due punti di differenza su un benchmark generalista dicono poco su come un modello si comporterà davanti a un cliente che chiede di capire una bolletta.

Nel nostro ultimo articolo raccontiamo come testiamo davvero i modelli LLM per un Agente AI in produzione:
🔹 I parametri che pesano sul serio: qualità linguistica sul dominio specifico, aderenza alle istruzioni operative, gestione del contesto recuperato (usa il RAG o inventa?), latenza e costo per migliaia di messaggi.
🔹 Come li misuriamo: golden dataset con comportamento atteso (non solo "risposta giusta"), LLM-as-judge per valutazioni su scala, metriche di retrieval isolate dal modello e confronti a parità di condizioni grazie a un'architettura a blocchi componibili.

La domanda giusta non è quale modello vince in classifica, ma quale modello è adeguato per il tuo caso d'uso, al tuo costo.
Un impianto di valutazione ben fatto vale più della scelta del singolo modello: è ciò che ti permette di cambiare idea ogni volta che il mercato si muove.

📖 Leggi l'articolo completo qui: https://buff.ly/zC9VhDM

La trasparenza non si mette nei termini e condizioni. Si mette nel primo messaggio.

Eppure è uno degli errori più comuni che vediamo nei chatbot aziendali. E non è l'unico.

🚩 L'agente ha un nome e una foto da persona reale, e non si dichiara mai come AI.
🚩 Si dà per scontato che "si capisca" che è un bot, ma se non è chiaro a tutti, non è evidente per nessuno.
🚩 Nessun log delle conversazioni. La conformità va dimostrata, non solo dichiarata.

Nessuno di questi problemi richiede tecnologie complesse per essere risolto.
Richiedono scelte di design consapevoli: come si presenta l'agente, cosa dice al primo messaggio, cosa succede quando subentra un operatore umano.

L'art. 50 dell'AI Act fissa il 2 agosto 2026 come scadenza. Ma la trasparenza fatta bene non è solo un obbligo normativo: è quello che costruisce fiducia nel tempo.
Le persone perdonano molto più facilmente un assistente virtuale dichiarato che inciampa, rispetto a un finto operatore umano che si tradisce.

Abbiamo scritto una checklist concreta per verificare il proprio Agente AI punto per punto.

👉 La trovi sul blog → https://buff.ly/tKh83q2

𝗟'𝗔𝗜 𝗔𝗰𝘁 𝗰𝗵𝗶𝗲𝗱𝗲 𝘁𝗿𝗮𝘀𝗽𝗮𝗿𝗲𝗻𝘇𝗮. Non è una rivoluzione. È quello che un buon Agente AI dovrebbe già fare. 𝗨𝘀𝗲𝗿𝗯𝗼𝘁 costruisce su 𝗾𝘂𝗲𝘀𝘁𝗶 𝗽𝗿𝗶𝗻𝗰𝗶𝗽𝗶 𝗱𝗮𝗹 𝟮𝟬𝟭𝟲. Abbiamo scritto una guida pratica: leggila sul blog → https://buff.ly/n2VH8iT

Costruire il proprio agente AI o adottare una piattaforma?

La maggior parte delle aziende sbaglia la domanda.

Non è "cosa costa svilupparlo?" — è "cosa costa mantenerlo, aggiornarlo e governarlo per i prossimi 3 anni?"

Il build sembra più economico. Poi arrivano:
→ la manutenzione continua del modello
→ le integrazioni che si rompono
→ il rischio che il know-how sia su 1-2 persone

Il buy ha un profilo di costo più piatto. E un time-to-value molto più corto.

Ha senso costruire solo se l'agente è il tuo prodotto, hai un team AI solido e vuoi il pieno controllo dello stack.

In tutti gli altri casi, la scelta razionale è quasi sempre un'altra.

Abbiamo analizzato tutti i trade-off nel dettaglio — lo trovi sul nostro blog →
https://buff.ly/XTO4A2K

In ogni sistema multi-agente c'è un componente che non si vede, ma che governa tutto.

Non è l'agente più sofisticato. Non è quello che parla con l'utente.
È quello che decide a chi mandare la richiesta.

Si chiama Router Agent. E il suo lavoro non è semplice come sembra: non basta mappare parole su percorsi. Deve interpretare l'intento, leggere il contesto, scegliere tra destinazioni che a volte si sovrappongono.

Nei sistemi complessi, è il nodo che tiene insieme tutto il resto. Ogni agente può essere specializzato proprio perché c'è qualcuno che smista.

Ne abbiamo scritto sul blog: come ragiona, come si progetta, e perché vale la pena pensarci dall'inizio.

👉 https://buff.ly/aFroKpv

Router Agent: un agente chiave nel tuo processo Un componente chiave dei processi multiagent è l'Agente Router, capace di direzionare verso agenti specialistici e il processo operativo appropriato.

L'ERP sta smettendo di essere uno strumento passivo.

Data Manager Online racconta come smeup lo stia evolvendo in un Sistema di Supporto Decisionale Attivo, dove gli agenti AI interpretano i dati, ragionano sui processi e attivano le azioni successive in modo nativo, senza integrazioni esterne.

È qui che entra in gioco Userbot: la piattaforma agentica che porta l'AI direttamente nel cuore del gestionale.

📖 Leggi l'articolo:
https://buff.ly/wWlkfeT

Agenti AI: l'ERP di smeup evolve in un Sistema di Supporto Decisionale Attivo - Data Manager Online L'Intelligenza Artificiale sta ridefinendo i sistemi gestionali, introducendo una nuova categoria di protagonisti: gli Agenti Intelligenti

Leggere un PDF sembra semplice. Non lo è.

Quando gli agenti AI devono leggere i tuoi documenti aziendali, il testo è solo una parte del problema. Nei documenti ci sono tabelle sotto forma di immagini, grafici, diagrammi, layout complessi. Roba che un parser testuale non vede nemmeno.

Abbiamo sviluppato una pipeline che combina OCR, modelli vision e intelligenza artificiale per trasformare questi contenuti in qualcosa che un agente AI riesce davvero a usare, e a cui sa rispondere.

Nel nuovo articolo sul blog raccontiamo l'architettura, le scelte che abbiamo fatto e i limiti reali che abbiamo incontrato sul campo. https://buff.ly/FC20EFC

Gli agenti AI stanno entrando nei processi critici delle aziende. E qui emerge un problema che pochi affrontano apertamente: 𝙘𝙤𝙢𝙚 𝙛𝙖𝙞 𝙖 𝙨𝙖𝙥𝙚𝙧𝙚 𝙘𝙝𝙚 𝙨𝙩𝙖𝙣𝙣𝙤 𝙛𝙪𝙣𝙯𝙞𝙤𝙣𝙖𝙣𝙙𝙤 𝙙𝙖𝙫𝙫𝙚𝙧𝙤?

Non parliamo di rispondere bene in una demo. Parliamo di affidabilità in produzione, giorno dopo giorno, su migliaia di interazioni.

La verità è che la maggior parte dei sistemi agentici oggi è una black box.
Vedi l'input dell'utente e vedi l'output dell'agente.
Quello che succede nel mezzo - il ragionamento, le decisioni, i tool chiamati, le fonti consultate - rimane opaco. E un sistema opaco non scala: ogni anomalia diventa un'indagine, ogni modifica un rischio.

𝗜𝗻 𝗨𝘀𝗲𝗿𝗯𝗼𝘁 𝟯.𝟬 𝗮𝗯𝗯𝗶𝗮𝗺𝗼 𝗰𝗼𝘀𝘁𝗿𝘂𝗶𝘁𝗼 𝗹'𝗼𝘀𝘀𝗲𝗿𝘃𝗮𝗯𝗶𝗹𝗶𝘁𝗮̀ 𝗰𝗼𝗺𝗲 𝗽𝗮𝗿𝘁𝗲 𝗱𝗲𝗹𝗹'𝗮𝗿𝗰𝗵𝗶𝘁𝗲𝘁𝘁𝘂𝗿𝗮.
Ogni sessione è navigabile nel dettaglio.
Ogni blocco del flusso produce una traccia leggibile.
Il ragionamento dell'agente è visibile, verificabile, auditabile.

Il risultato non è solo un debug più veloce. È la possibilità di portare gli agenti AI nei processi che contano davvero, quelli dove sbagliare ha un costo reale, con la certezza di poter misurare, correggere e dimostrare che il sistema si comporta come dovrebbe.

Abbiamo scritto un articolo su come funziona in pratica. 👇
https://buff.ly/mGHUJ2A

Un agente AI senza memoria è una calcolatrice veloce.
Un agente con troppa memoria può essere ancora più pericoloso.

È il paradosso su cui ci siamo fermati a riflettere mentre costruivamo il sistema di memoria su Userbot e che abbiamo cercato di spiegare nell'articolo che abbiamo appena pubblicato.

La distinzione di base tutti la conoscono: memoria a breve termine (quello che l'agente vede durante una singola inferenza, dentro la context window) e memoria a lungo termine (quello che deve sopravvivere oltre la conversazione, archiviato esternamente e reiniettato solo quando serve).

Ma la parte interessante non è la distinzione. È quello che succede quando la memoria cresce male.

I modelli non leggono il contesto in modo uniforme: le performance degradano sistematicamente quando l'informazione rilevante si trova nella parte centrale di un contesto lungo.
Aggiungere messaggi non garantisce che vengano usati e spesso non vengono usati nel modo che ci si aspetta.
In conversazioni lunghe, l'Agente AI tende a fare inferenza dalla memoria invece di chiamare il tool corretto.

Ecco perché su Userbot abbiamo costruito tre modalità operative per dare alle aziende il controllo su questi trade-off, e non solo sull'attivazione della memoria in sé.

✅ No Memory – per task completamente isolati
✅ Conversation Memory – la scelta predefinita, configurabile (default: 20 messaggi)
✅ Deep Memory – per workflow complessi dove la tracciabilità del processo decisionale è un requisito

I dettagli, con esempi concreti e le best practice che usiamo internamente, sono nell'articolo: https://buff.ly/K90O4JJ.