Perplexity Teammates: quando la AI comincia a coordinare il lavoro

di
Mockup visuale di fabri in stile realistico-fumettistico: seduto alla scrivania osserva il coordinamento di più flussi di lavoro digitali, nel contesto dell'articolo su perplexity teammates e orchestrazione degli agenti ai. Ai image generata da fabrizio gabrielli, seo expert, ceo & founder di agenzia seo pistakkio.

Tempo di lettura: 12 minuti

Dalla risposta al lavoro che continua

Per molto tempo abbiamo utilizzato la AI seguendo uno schema piuttosto semplice: formulare una domanda, attendere una risposta, valutarla e, se necessario, ricominciare. Anche quando la richiesta diventava complessa, eravamo quasi sempre noi a tenere insieme i vari passaggi, a conservare il contesto e a decidere quale sarebbe stato il passo successivo.

Con l’arrivo degli agenti AI, questo rapporto ha cominciato a cambiare. Non chiediamo più soltanto una risposta, ma possiamo affidare alla macchina un’attività composta da più operazioni, strumenti e verifiche.

Il 4 novembre 2026, Perplexity ha presentato Teammates (leggi l’annuncio ufficiale), una nuova funzionalità che porta questa evoluzione un po’ più avanti: agenti progettati per seguire incarichi continuativi, coordinare attività e mantenere il filo di un progetto anche oltre la singola sessione di lavoro.

La differenza può sembrare sottile, ma non lo è.

Un conto è chiedere a un assistente di analizzare un documento, preparare una relazione o correggere del codice. Un altro è affidargli un obiettivo che richiede interventi successivi, la gestione delle dipendenze fra attività diverse e la capacità di riprendere il lavoro senza dover ricostruire ogni volta tutto il contesto.

Non cambia soltanto ciò che la AI può fare. Cambia anche il modo in cui organizziamo il lavoro che le affidiamo.

Naturalmente, Perplexity Teammates non inventa l’orchestrazione degli agenti, né introduce dal nulla il concetto di collaborazione fra sistemi intelligenti. Sono architetture e metodi sui quali si lavora da tempo, anche attraverso l’interazione fra modelli differenti.

La novità sta piuttosto nel tentativo di rendere questa organizzazione persistente, coordinata e accessibile attraverso un ambiente di lavoro unitario, trasferendo alla piattaforma una parte delle operazioni che fino a oggi richiedevano una regia umana esplicita.

Ed è proprio qui che la questione comincia a diventare interessante. Perché tra chiedere a una AI di eseguire un compito e affidarle la continuità di un lavoro esiste una differenza che non riguarda soltanto la tecnologia.

Perplexity Teammates: un agente che prende in carico il lavoro

La parola scelta da Perplexity per descrivere i suoi Teammates è ownership. Nel linguaggio del lavoro significa assumere la responsabilità di un’attività, seguirne l’evoluzione e non considerarla terminata soltanto perché è stata eseguita una singola operazione.

Applicata agli agenti AI, questa idea introduce una distinzione importante: non si delega più soltanto l’esecuzione di un compito, ma la gestione operativa di un obiettivo nel tempo.

Segnalo una curiosità linguistica, tutt’altro che secondaria: nell’interfaccia italiana di Perplexity, i Teammates sono diventati “Compagni”. Traduzione letteralmente difendibile, ma piuttosto infelice per un ambiente professionale. Una resa come “Collaboratori” o “Colleghi” avrebbe restituito meglio il significato operativo della funzione, senza evocare appartenenze di altra natura. È uno di quei casi in cui la traduzione è formalmente possibile, ma la localizzazione perde il contesto.

Ho già abilitato Teammates dalle impostazioni dell’Organizzazione nella versione web di Perplexity. Nell’applicazione per Windows, il mio ambiente di lavoro principale, la funzione al momento non compare.

I Teammates lavorano nell’ambiente di Perplexity Computer, utilizzando strumenti collegati, documenti, progetti, competenze preconfigurate (Skills) e memoria. Possono coordinare più sessioni di lavoro, distribuire attività ad altri agenti e intervenire quando emergono nuove informazioni o cambiano le priorità.

Un elemento centrale è la persistenza del contesto. Un agente può conservare gli obiettivi del progetto, la cronologia delle attività, i documenti condivisi e le indicazioni ricevute, senza dover ricostruire ogni volta il percorso precedente. Non significa possedere una memoria infallibile, ma poter utilizzare informazioni accumulate e aggiornate durante il lavoro.

C’è poi la proattività. Un Teammate può essere configurato per monitorare determinate condizioni, individuare cambiamenti e avviare approfondimenti senza attendere ogni volta una nuova domanda.

Immaginiamo, per esempio, un progetto digitale in cui occorra controllare periodicamente le modifiche a un sito web. Un agente potrebbe confrontare lo stato attuale con quello precedente, individuare anomalie, esaminare i file interessati e preparare una relazione. Se necessario, potrebbe trasferire il problema a un altro agente incaricato di proporre una correzione, lasciando alla persona responsabile la verifica e l’eventuale autorizzazione a intervenire.

Non è una funzione esclusiva di Teammates, ma un esempio di come monitoraggio, memoria e coordinamento possano essere riuniti in un unico flusso operativo.

L’integrazione con Slack aggiunge una dimensione collaborativa: i colleghi possono affidare attività agli agenti, chiedere aggiornamenti e intervenire sul lavoro attraverso uno strumento che il team usa già. Ma Slack non è necessariamente il centro del workflow di ogni professionista. La possibilità di interagire con i Teammates anche dall’interfaccia di Perplexity permette di mantenere separati il coordinamento degli agenti e la comunicazione interna. Resta da capire quanto questa architettura potrà aprirsi a strumenti alternativi e automazioni personalizzate, senza imporre nuovi ambienti di lavoro.

Resta però una distinzione fondamentale. L’ownership operativa non equivale alla responsabilità decisionale. Il fatto che un agente possa seguire autonomamente un incarico non garantisce che le sue valutazioni siano corrette, né lo rende responsabile delle conseguenze delle azioni compiute.

La piattaforma può assumersi una parte crescente del coordinamento. Ma coordinare più agenti, verificare che collaborino correttamente e mantenere coerenti i risultati sono problemi diversi dalla semplice capacità di eseguire più operazioni.

Orchestrare non significa soltanto moltiplicare gli agenti

Far lavorare più agenti contemporaneamente non significa necessariamente orchestrarli. Il parallelismo distribuisce le attività. L’orchestrazione organizza le relazioni fra quelle attività. E questa differenza, apparentemente tecnica, cambia parecchio le cose.

Immaginiamo di affidare a cinque agenti altrettanti compiti indipendenti. Potrebbero lavorare tutti contemporaneamente, completando le rispettive operazioni in tempi più brevi. Ma chi stabilisce se i risultati sono compatibili? Chi decide quale attività debba precederne un’altra? E che cosa accade quando il risultato di un agente contraddice quello di un altro?

Un sistema di orchestrazione deve gestire dipendenze, priorità, passaggi di consegne e verifiche, mantenendo coerente il lavoro complessivo. Non basta aumentare il numero degli esecutori. Occorre una regia.

Quando la regia era ancora tutta umana

È una distinzione che ho sperimentato personalmente durante la realizzazione di Clann an Dhragaín Uaine, la mia saga narrativa e musicale ambientata nelle Highlands e nelle Shetland del XVI secolo, costruita attorno a un universo narrativo con regole precise, testi in gaelico scozzese e un sito web dedicato.

Ne ho raccontato la genesi nell’articolo Clann an Dhragaín Uaine: la saga del Drago Verde nata tra AI, Highlands e memoria, approfondendo successivamente il rapporto fra generazione e controllo autoriale in Suno, AI generativa e responsabilità autoriale.

Per sviluppare il progetto ho fatto interagire Claude e Perplexity, affidando loro attività differenti e utilizzando anche il confronto reciproco per individuare errori, correggere incongruenze e valutare le soluzioni proposte. Il lavoro riguardava sia la direzione artistica sia l’implementazione tecnica: struttura del sito, layout, contenuti, grafica e realizzazione dei commit.

Non si trattava semplicemente di produrre materiale con due strumenti generativi. Il risultato di un modello diventava parte del lavoro di verifica dell’altro, all’interno di un processo che doveva rispettare un universo narrativo già definito.

E qui emergeva il limite, o forse la caratteristica più importante, di quell’architettura: l’orchestratore ero io.

Ero io a decidere quando coinvolgere uno strumento, quali risultati sottoporre all’altro, quali correzioni accettare e quando interrompere una direzione che non rispettava il progetto. Nessuna delle due AI possedeva autonomamente la visione complessiva o l’autorità per modificarla.

Dalla regia manuale al coordinamento automatizzato

Con Perplexity Teammates, una parte di questo lavoro di coordinamento può essere affidata alla piattaforma stessa. Un agente può organizzare attività, coinvolgere altri Teammates e mantenere il contesto operativo senza richiedere necessariamente un intervento umano per ogni passaggio.

Non significa che il sistema riproduca automaticamente il metodo utilizzato per Clann an Dhragaín Uaine, né che due modelli differenti diventino improvvisamente capaci di comprendersi e correggersi senza errori.

Significa piuttosto che la regia operativa può diventare, almeno in parte, una funzione del sistema anziché un’attività svolta continuamente dalla persona.

Ma trasferire il coordinamento alla macchina non elimina la necessità di stabilire chi definisce gli obiettivi, chi verifica i risultati e chi decide quando un lavoro può considerarsi davvero concluso.

Non esiste un solo modo di orchestrare gli agenti

Il panorama della AI agentica si sta muovendo anche in altre direzioni. Un esempio interessante è Kimi Agent Swarm, sviluppato da Moonshot AI, che affronta l’orchestrazione puntando soprattutto sulla distribuzione dinamica del lavoro fra numerosi agenti.

In questo modello, un agente principale può suddividere un problema complesso in attività più piccole, creare sottagenti (Sub-Agents) specializzati e coordinarne l’esecuzione in parallelo. L’obiettivo è evitare che un’unica sequenza di operazioni diventi il collo di bottiglia dell’intero processo.

Con Perplexity Teammates, invece, l’attenzione si concentra maggiormente sulla continuità degli incarichi, sulla memoria del progetto e sul coordinamento di attività che possono svilupparsi nel tempo.

Sono due approcci differenti, non necessariamente contrapposti. Parallelismo, autonomia e persistenza sono proprietà che possono convivere nella stessa architettura, ma non sono sinonimi.

E soprattutto, un maggior numero di agenti non garantisce automaticamente risultati migliori. Ogni nuovo passaggio introduce possibili errori, incongruenze e difficoltà di verifica. L’orchestrazione diventa davvero interessante quando riesce a governare questa complessità, non semplicemente ad aumentarla.

Più autonomia significa anche più punti di controllo

C’è un aspetto dell’orchestrazione multi-agente che rischia di rimanere in secondo piano, soprattutto quando l’attenzione si concentra sul numero di attività eseguibili contemporaneamente: più autonomia non significa necessariamente meno complessità.

Quando un singolo assistente AI produce una risposta sbagliata, possiamo individuarla, correggerla e ripartire. Il problema diventa meno immediato quando quella risposta rappresenta soltanto il primo passaggio di una catena di operazioni.

Un agente raccoglie informazioni, un secondo le interpreta, un terzo prepara una soluzione e un quarto la implementa. Se il primo introduce un errore e gli altri lo assumono come dato attendibile, il risultato finale può apparire coerente pur essendo costruito su una premessa sbagliata.

La coerenza di un processo non garantisce la correttezza delle sue conclusioni.

È un problema particolarmente importante nei sistemi che condividono memoria, documenti e strumenti operativi. Un’informazione inesatta può propagarsi attraverso più attività, mentre un’autorizzazione troppo ampia può consentire a un agente di compiere azioni che avrebbero richiesto una verifica preventiva.

Per questo, l’orchestrazione non dovrebbe limitarsi a distribuire incarichi. Deve prevedere confini operativi, permessi proporzionati, tracciabilità delle azioni e punti di controllo nei quali il sistema possa essere fermato, corretto o reindirizzato.

Non tutte le operazioni richiedono lo stesso livello di supervisione. Raccogliere informazioni pubbliche è diverso dal modificare un database, pubblicare contenuti o intervenire su un ambiente di produzione. L’autonomia concessa a un agente dovrebbe quindi dipendere dalle conseguenze possibili delle sue azioni, non soltanto dalla sua capacità tecnica di eseguirle.

È qui che torna il concetto di Human-in-the-Loop, al quale ho già dedicato un approfondimento sul rapporto fra autonomia degli agenti e controllo umano.

Nei sistemi multi-agente, però, la supervisione non può ridursi a un’approvazione generica alla fine del processo. Occorre stabilire quali decisioni possano essere delegate, quali richiedano una conferma e quali debbano restare esclusivamente umane.

Se non possiamo ricostruire perché un agente abbia preso una determinata decisione, quali informazioni abbia utilizzato e quali operazioni abbia compiuto, diventa difficile distinguere un risultato affidabile da uno semplicemente plausibile.

Perplexity Teammates si inserisce in questo scenario proponendo strumenti per seguire, interrompere e reindirizzare il lavoro degli agenti. Sono caratteristiche importanti, ma la loro efficacia concreta dipenderà dall’implementazione, dalla configurazione dei permessi e dalla qualità dei controlli disponibili.

Non ho ancora sperimentato direttamente queste dinamiche con Teammates. Sarebbe quindi prematuro attribuire alla piattaforma un’affidabilità operativa che richiede verifiche sul campo.

Resta una considerazione più generale: delegare il coordinamento non significa delegare il criterio con cui giudichiamo il risultato.

Possiamo affidare agli agenti una parte crescente delle operazioni, comprese alcune verifiche intermedie. Ma dobbiamo ancora decidere che cosa consideriamo corretto, accettabile e coerente con gli obiettivi iniziali. E soprattutto stabilire chi risponde delle conseguenze quando qualcosa non funziona.

Chiosa: chi tiene in mano il filo?

Forse la novità più interessante di Perplexity Teammates non riguarda ciò che gli agenti riescono a fare, ma ciò che noi possiamo smettere di fare continuamente: impartire istruzioni, trasferire informazioni, controllare ogni passaggio, ricostruire il contesto. Sulle operazioni “meccaniche” e ripetitive, ben vengano agenti che ci semplificano il lavoro.

Ma esiste una distanza fra organizzare un processo e comprenderne il significato.

Nel mio lavoro con Clann an Dhragaín Uaine, gli strumenti generativi hanno contribuito a costruire un universo narrativo, verificarne la coerenza e tradurlo in un progetto digitale. La direzione, però, nasceva da un’intenzione che non apparteneva a nessuno di loro.

Perplexity Teammates promette di rendere più autonoma una parte di quel coordinamento. Sarà interessante capire, attraverso l’utilizzo reale, quanto di questa promessa diventerà uno strumento affidabile e quanto continuerà a richiedere una presenza umana più attenta di quanto suggerisca la parola automazione.

Perché possiamo anche affidare a una macchina il compito di tenere insieme molti fili.

Resta da decidere chi sceglie il disegno che quei fili dovranno comporre.

Quando la AI smette di rispondere e comincia ad agire

Dalla ricerca intelligente agli agenti che collaborano: quattro prospettive sul rapporto fra autonomia tecnologica, progettazione e responsabilità umana.