In breve: finché un’IA rispondeva a una domanda, bastava controllare la risposta. Adesso gli agenti possono lavorare a lungo, usare strumenti, delegare e continuare finché il compito non è finito. Quindi compare un problema molto umano: quanto possono spendere prima che qualcuno dica basta? Anthropic ha appena trasformato la domanda in una funzione vera e propria.
Il 7 agosto 2026 Anthropic ha aggiunto ai Claude Managed Agents una cosa che, detta così, sembra quasi comica: la paghetta.
La chiamano session budget. Tu assegni a una sessione un tetto di spesa e l’agente lavora finché non lo raggiunge. A quel punto non parte nessun’altra richiesta al modello: la sessione va in pausa con un motivo molto esplicito, budget_reached. Se alzi o rimuovi il limite, riparte.
Non è una metafora. Il budget si indica in centesimi di dollaro; per esempio 2500 significa 25 dollari. E il controllo avviene tra una richiesta al modello e la successiva, quindi l’ultima chiamata può portare il costo effettivo appena sopra la soglia prima che il sistema chiuda il rubinetto. La documentazione è qui: Claude Managed Agents: sessions.
Quando il lavoro dell’IA dura abbastanza, il costo smette di essere una conseguenza. Diventa una regola operativa.
Perché un agente ha bisogno di un budget?
Per anni abbiamo ragionato sui costi dei modelli come si ragiona sulla benzina: ogni chiamata consuma token, ogni token ha un prezzo, alla fine del mese arriva il conto.
Con gli agenti cambia l’unità di misura mentale.
Non chiedi più soltanto «quanto costa questa risposta?». Chiedi: «quanto sono disposto a spendere perché questo compito venga portato avanti autonomamente?».
La differenza sembra piccola, ma sposta tutto. Una risposta è un evento. Un agente è un processo: legge file, chiama strumenti, prova una soluzione, fallisce, riprova, genera altro contesto, magari apre un sotto-compito e continua.
OpenAI, studiando l’uso di Codex, ha osservato che quando gli strumenti agentici diventano più capaci le persone gli affidano lavori più lunghi, complessi e trasversali. In un altro resoconto interno sull’harness engineering, OpenAI scrive che singole esecuzioni di Codex possono lavorare su un compito per più di sei ore. Non è più il tempo di una risposta: è il tempo di un turno di lavoro. Fonti: How agents are transforming work e Harness engineering.
Max tokens non basta più
Qualcuno potrebbe dire: ma non avevamo già i limiti di token?
Sì, ma limitare la lunghezza di una singola risposta non equivale a limitare il costo di un lavoro.
Un agente può produrre una risposta breve e intanto aver fatto dieci chiamate, consultato strumenti, aperto thread secondari e ripetuto una verifica più volte. Il budget di sessione mette il recinto attorno all’intero lavoro, non al singolo pezzo di testo.
È il passaggio naturale da model control a process control: non governi più soltanto quanto può parlare il modello, governi quanto può insistere il sistema.
La nuova unità di lavoro è la sessione
Questa è forse la parte più interessante della novità di Anthropic. Il budget non vive sul modello in astratto: vive sulla sessione dell’agente.
La sessione è il contenitore di un obiettivo, di una sequenza di azioni e del relativo consumo. Se crei un deployment puoi persino assegnare lo stesso budget a ogni sessione che parte da quel deployment.
Tradotto in linguaggio aziendale: non stai più chiedendo quanto costa «usare Claude». Stai dicendo che la pratica X ha un massimale di Y.
- Correggi questo bug: massimo 3 dollari.
- Fai una ricerca preliminare: massimo 5.
- Prepara una migrazione e validala: massimo 40.
- Se non ci riesci entro il budget, fermati e riportami cosa hai imparato.
Ovviamente i numeri qui sopra sono esempi, non tariffe consigliate. Il punto è che l’autonomia acquista finalmente un confine economico esplicito.
E quando l’agente non sa cosa fare? Chiede a uno più bravo
Nello stesso aggiornamento Anthropic ha introdotto anche un’altra funzione interessante: l’advisor.
Un Claude Managed Agent può avere nella propria configurazione un modello consulente, almeno altrettanto capace del modello principale, che il thread primario può interrogare durante il lavoro per ricevere una guida strategica. Anthropic lo documenta come Advisor tool.
Ed eccoci alla scena da ufficio.
L’agente esegue. Quando incontra un passaggio difficile, non necessariamente continua a martellare alla cieca: può consultare un modello che fa da supervisore. E tutto questo avviene dentro una sessione che può avere un tetto di spesa.
Abbiamo praticamente reinventato il junior, il senior e il centro di costo. Solo che nessuno dei tre prende il caffè.
Obiettivo, budget, criterio di stop
Qualche settimana fa qui avevo scritto di loop e objective: invece di guidare il modello passo passo, gli dai un obiettivo, un ambiente e un criterio verificabile di «finito», poi lasci che lavori.
Il budget aggiunge il pezzo che mancava.
- Obiettivo: cosa deve ottenere.
- Criterio di stop: come capisce che il lavoro è finito.
- Budget: quanto può spendere nel tentativo.
Queste tre cose insieme sembrano molto meno prompt engineering e molto più management.
Se il criterio di stop è troppo lasco, l’agente può dichiarare vittoria troppo presto. Se è troppo rigido, può continuare a tentare fino a bruciare tempo e denaro. Se il budget è troppo basso, rischi di interrompere un lavoro promettente. Se è troppo alto, hai soltanto spostato il problema più avanti.
La bravura non sta più soltanto nello scrivere l’istruzione giusta. Sta nel progettare i confini entro cui un sistema autonomo può prendere decisioni.
Il budget è anche una forma di sicurezza?
In parte sì, purché non gli si attribuisca più potere di quello che ha.
Un limite economico non rende corretto un agente e non impedisce automaticamente azioni sbagliate. Però limita una classe molto concreta di fallimenti: il sistema che continua a consumare risorse perché non riesce a convergere, entra in un loop o affronta un compito molto più difficile del previsto.
In questo senso il budget somiglia a un fusibile: non impedisce il guasto, ma prova a evitare che il guasto continui indisturbato.
E infatti Anthropic prevede esplicitamente l’evento session.budget_reached nei flussi di produzione dei Managed Agents: il raggiungimento della soglia non è trattato come un dettaglio contabile, ma come uno stato operativo a cui il sistema può reagire.
Non è solo Anthropic: tutta l’industria sta costruendo il turno di lavoro dell’IA
La funzione specifica del budget è di Anthropic, ma il contesto è più ampio.
OpenAI parla ormai esplicitamente di agenti capaci di gestire compiti lunghi e complessi e di ambienti nei quali più agenti vengono orchestrati in parallelo. Google, nel frattempo, sta portando avanti una Managed Agents API in cui gli agenti girano in sandbox gestite, con strumenti e skill. Fonti: Introducing the Codex app e Google Agent Platform release notes.
La direzione comune è facile da vedere: l’IA non viene più progettata soltanto per rispondere. Viene progettata per restare al lavoro.
E quando qualcosa resta al lavoro, servono le stesse domande che abbiamo sempre fatto a qualunque processo operativo: chi gli assegna il compito? Con quali strumenti? Entro quali limiti? Chi controlla il risultato? Quanto può costare? Quando deve fermarsi?
Dopo il context engineering arriva il management engineering?
Ieri ho scritto che un agente non ha soltanto bisogno di più contesto: ha bisogno di contesto vivo, mantenuto e affidabile.
Il budget racconta il passaggio successivo.
Una volta che l’agente conosce abbastanza bene il progetto da lavorare senza essere guidato a ogni passo, il problema diventa amministrare quella libertà.
- Quale obiettivo gli assegni?
- Quali strumenti può usare?
- Quale memoria può consultare?
- Quando deve chiedere consiglio?
- Quanto può spendere?
- Qual è la condizione che lo obbliga a fermarsi?
Forse management engineering non diventerà mai una vera etichetta. Meglio così: abbiamo già abbastanza engineering davanti a parole che prima funzionavano benissimo da sole.
Ma il mestiere esiste già.
Prima cercavamo il prompt giusto. Poi abbiamo costruito il contesto giusto. Adesso dobbiamo costruire i limiti giusti.
La cosa buffa è che, dopo anni passati a chiederci quando l’IA sarebbe diventata abbastanza autonoma da lavorare da sola, una delle prime funzioni davvero interessanti della nuova fase è questa: darle dei soldi virtuali e dirle di non spenderli tutti.