Anthropic insegna ai suoi agenti AI a riorganizzare i propri ricordi

Chiunque abbia usato un assistente AI per un progetto lungo si è scontrato prima o poi con lo stesso problema: il sistema ripropone domande già fatte, ignora decisioni prese in precedenza, reintroduce errori già corretti. Il motivo non è che il modello "non capisce": è che la sua memoria è disorganizzata, piena di ridondanze e regole ormai superate. Anthropic ha presentato una risposta a questo problema durante la conferenza per sviluppatori Code with Claude del 6 maggio 2026: si chiama Dreaming, ed è pensata per gli agenti della piattaforma Claude Managed Agents.

Per capire la portata della novità, vale la pena partire da un concetto tecnico fondamentale: la context window. Ogni modello di linguaggio di grandi dimensioni — quelli che alimentano assistenti come Claude, ChatGPT o Gemini — ha un limite alla quantità di testo che può "tenere a mente" in una singola interazione. Negli ultimi due anni questa finestra si è allargata notevolmente, ma nei flussi di lavoro reali il problema non è mai solo quanto spazio c'è: è cosa finisce nel contesto e in quale forma. Un agente che lavora per giorni su un progetto software accumula note, decisioni, eccezioni, convenzioni di stile, preferenze dell'utente. Se tutto questo rimane sparso tra conversazioni e registri di attività, il sistema inizia a comportarsi in modo incoerente.

Non più archivio, ma manutenzione

Dreaming interviene esattamente su questo livello — non come un semplice ampliamento di memoria, ma come un meccanismo di manutenzione della memoria. Nella documentazione tecnica, Anthropic descrive i dream come processi asincroni — cioè eseguiti in background, indipendentemente dalle conversazioni in corso — che leggono uno archivio di memoria esistente insieme alle trascrizioni di sessioni passate (fino a 100 sessioni) e producono un nuovo archivio riorganizzato. Il processo elimina duplicati, sostituisce informazioni superate o contraddittorie con le versioni più recenti, e fa emergere pattern ricorrenti che prima non erano stati esplicitati. Un dettaglio operativo importante: l'archivio originale non viene toccato. Il risultato è un nuovo archivio separato, che può essere revisionato e scartato prima di essere applicato.

Un esempio concreto aiuta a capire perché questa distinzione conta. Immaginate un agente che lavora su un progetto software per settimane: a un certo punto il team adotta temporaneamente una convenzione di denominazione del codice, poi la abbandona. O aggira un bug di una libreria che viene poi corretta nell'aggiornamento successivo. Se queste informazioni restano nello storico come se fossero ancora valide, l'agente le usa come istruzioni operative. Il comportamento che ne risulta non è un errore del modello: è l'effetto di una memoria che non è mai stata pulita.

La memoria degli agenti AI senza manutenzione diventa una fonte di errori persistenti e difficili da diagnosticare

L'analogia più utile è quella con un repository di codice: non basta salvare tutto. Servono operazioni periodiche di riorganizzazione — rimozione di duplicati, aggiornamento delle dipendenze, pulizia delle parti obsolete. Dreaming si propone come l'equivalente di questa manutenzione applicata alla memoria degli agenti. La differenza rispetto alla compaction, tecnica già nota in questo campo, è significativa: la compaction lavora sulla singola conversazione, comprimendola per rientrare nei limiti del contesto. Dreaming lavora in trasversale su più sessioni, riscrivendo la memoria in modo coerente con lo stato attuale del progetto — un passaggio da una logica di gestione del contesto a una logica di gestione della conoscenza operativa.

Un annuncio in tre parti

Dreaming non è arrivato da solo. L'annuncio del 6 maggio comprende altre due funzionalità pensate per flussi di lavoro lunghi e complessi. La prima si chiama Outcomes: permette di definire un criterio di successo e lasciare che l'agente lavori in autonomia, con valutazione del risultato secondo una griglia predefinita. Secondo i benchmark interni di Anthropic, Outcomes migliora il tasso di completamento corretto dei compiti fino a 10 punti percentuali sui casi più difficili, con miglioramenti specifici sulla generazione di file come documenti Word (+8,4%) e presentazioni PowerPoint (+10,1%). La seconda funzionalità è la multi-agent orchestration: un agente principale suddivide un lavoro complesso e lo assegna ad agenti specializzati che operano in parallelo, ciascuno con modelli, istruzioni e strumenti diversi, contribuendo a un contesto condiviso e tracciabile.

Nel disegno complessivo di Anthropic, queste tre funzionalità si inseriscono in una strategia precisa: rendere normale ciò che fino a poco fa era un'eccezione ingegneristica. La piattaforma Managed Agents punta a spostare la costruzione di agenti da un assemblaggio artigianale di componenti verso un'infrastruttura preconfigurata. Gli agenti lavorano in background, usano strumenti, condividono file, tracciano le proprie azioni e mantengono uno stato persistente tra sessioni diverse. In questo contesto, Dreaming diventa un tassello di affidabilità: se un agente deve ricordare, bisogna anche decidere come quel ricordo rimane coerente nel tempo.

Dati sensibili e rischi di memoria avvelenata

Sul fronte della privacy e del controllo dei dati, Anthropic sottolinea che il meccanismo di memoria può operare lato client — cioè sui sistemi del cliente, non sui server di Anthropic — lasciando al team pieno controllo su dove e come i dati vengono conservati. La funzionalità è inoltre compatibile con accordi di ZDR in ambito enterprise, che garantiscono che i dati non vengano trattenuti dopo l'elaborazione. Dreaming aggiunge però un livello di complessità ulteriore: riorganizzando e riscrivendo l'archivio di memoria, rende ancora più importante la possibilità di revisione manuale delle modifiche prima che vengano applicate.

La comunità degli sviluppatori ha già sollevato una preoccupazione concreta: la memoria è un punto di attacco. Se un agente viene manipolato — tramite istruzioni ostili inserite in documenti esterni o in altri strumenti — a scrivere nella propria memoria informazioni non volute, quell'errore si propaga a tutte le sessioni successive. Dreaming potrebbe, in teoria, aggravare il problema se finisse per consolidare e rendere più autorevole un'informazione malevola, riscrivendola in modo più centrale nell'archivio. È probabilmente uno dei motivi per cui Anthropic ha scelto un'architettura che produce un archivio di output separato dall'originale, e ha reso la funzione opt-in e revisionabile prima dell'applicazione.

La memoria degli agenti non è un dettaglio tecnico: è il patrimonio operativo che determina quanto a lungo un agente resta utile

C'è poi una dimensione strategica meno visibile ma rilevante per le aziende. Un agente che costruisce e mantiene una memoria coerente del progetto è fondamentalmente diverso da uno che ricomincia da capo a ogni sessione. Pensiamo a un agente per la gestione degli incidenti informatici: non serve se risponde bene oggi, serve se ricorda i pattern di guasto precedenti, le preferenze operative del team, le soluzioni già testate — e se aggiorna quella conoscenza senza restare ancorato a procedure obsolete. Dreaming prova a rendere questa traiettoria un prodotto disponibile, non un progetto di ricerca interno che ogni azienda deve svilupparsi da sola.

Quanto costa e chi può usarla

Sul piano economico, Managed Agents non è solo un kit di sviluppo: è un ambiente di esecuzione gestito. Al costo standard dei modelli — calcolato in base ai token elaborati — si aggiunge un prezzo aggiuntivo per il runtime degli agenti pari a 0,08 dollari per ora di sessione attiva. È una metrica che suggerisce come Anthropic stia trattando l'infrastruttura di orchestrazione, stato e gestione degli strumenti come un servizio a basso costo unitario, puntando sulla crescita dei volumi e sulla competizione in termini di affidabilità. In parallelo, l'azienda ha annunciato l'aumento dei limiti di utilizzo per alcuni piani, tra cui il raddoppio delle quote su finestre di cinque ore per Claude Code per gli abbonamenti Pro e Max — segnale che la pressione sul calcolo e la gestione delle quote restano variabili concrete per chi vuole adottare agenti sempre più autonomi.

Per gli sviluppatori e i team di prodotto, la domanda pratica non è se Dreaming sia una buona idea in astratto, ma se cambia il costo reale di mantenere un agente nel tempo. Un team che usa più agenti specializzati su un progetto software — uno per la riscrittura del codice, uno per i test, uno per la documentazione — spende oggi molta energia a riallinearli su convenzioni comuni e decisioni recenti. Se Dreaming riesce a estrarre in modo affidabile preferenze di stile, regole di revisione e soluzioni valide, la collaborazione tra agenti diventa più fluida e meno dipendente da istruzioni lunghe e ripetute a ogni sessione.

La funzione è per ora in research preview su invito. La documentazione mostra che nei dream si possono fornire istruzioni esplicite — per esempio "concentrati sulle preferenze di stile del codice, ignora le note di debugging occasionali" — il che implica che la memoria non è un archivio passivo, ma una scelta attiva. E in un contesto aziendale, una scelta diventa spesso una policy: cosa è consentito ricordare, per quanto tempo, chi può approvare la riscrittura. Per essere adottato su scala, Dreaming dovrà dimostrare di essere governabile tanto quanto utile. L'anteprima controllata serve proprio a misurare questo equilibrio.