Google ha annunciato un’espansione delle capacità dei Managed Agents all’interno delle Gemini API, puntando a renderli finalmente adatti ad ambienti di produzione. Le novità riguardano l’esecuzione di task in background e l’integrazione con un cosiddetto “remote MCP” (Model Context Protocol), due tasselli che dovrebbero aumentare l’affidabilità e la flessibilità di questi agenti. Sulla carta, il messaggio è chiaro: costruire assistenti autonomi che non si fermano al singolo prompt, ma orchestrano azioni nel tempo, diventa più semplice e solido.

Il problema, per una parte non trascurabile del mercato enterprise, è che la promessa resta inscatolata dentro il perimetro cloud di Google. Non si parla di deploy on-premise, di versioni ibride, né di container scaricabili da eseguire in ambienti air-gapped. E se per uno sviluppatore alle prime armi o per una startup questo non è un ostacolo, per un’istituzione finanziaria, una pubblica amministrazione europea o un’industria che maneggia proprietà intellettuale sensibile, la distanza tra “semplice” e “inaccettabile” si misura in centimetri di accordi sulla residenza dei dati e in audit di sicurezza che il cloud gestito non sempre supera.

Qui si apre un crinale che AI-RADAR monitora da tempo: da un lato, i grandi fornitori cloud spingono agenti come servizio, azzerando la complessità operativa ma incapsulando la dipendenza dal vendor; dall’altro, cresce la consapevolezza che certi workload — quelli dove la sovranità del dato non è negoziabile — esigono LLM e pipeline di orchestrazione sotto il proprio controllo fisico. La notizia di Google non fa che rendere questo dualismo più evidente. Non si tratta di stabilire se i Managed Agents siano tecnicamente validi (lo saranno), ma di capire quale prezzo si paga in termini di lock-in, esposizione normativa e opacità del modello di pricing quando si rinuncia a gestire l’infrastruttura.

Le implicazioni non sono banali. Mentre Google lima le asperità del deployment cloud, la comunità open source — e alcuni vendor indipendenti — lavorano su alternative come LangChain, CrewAI e framework che possono girare contro API compatibili con LLM self-hosted (da vLLM a Ollama, per intenderci). Il divario di maturità tra le due sponde è ancora sensibile: i Managed Agents offrono integrazione nativa con l’ecosistema Google, fatturazione centralizzata e un supporto che le soluzioni community faticano a garantire. Ma ogni annuncio di questo tipo spinge le imprese che non possono permetter si di uscire dal proprio perimetro a chiedersi se non sia il momento di investire seriamente in pipeline on-premise, accettando un costo iniziale più alto in cambio di un TCO prevedibile e del controllo totale.

C’è anche un effetto di secondo ordine che merita attenzione: il perfezionamento dei servizi cloud agentici alza l’asticella per tutti, perché definisce un’esperienza utente e una rapidità di sviluppo che l’on-premise, per ora, non può eguagliare senza un investimento dedicato. Il rischio è che si crei un mercato a due velocità, con le aziende “libere” di sperimentare in cloud che accumulano vantaggio competitivo, e quelle vincolate dalla compliance che restano indietro non per scelta tecnicica, ma per architettura di sistema. È una tensione che, come abbiamo visto con il GDPR, può trasformarsi in opportunità per chi saprà costruire offerte ibride o self-hosted altrettanto mature.

Per chi oggi valuta deployment on-premise, la mappa delle scelte è sempre la stessa: da una parte la scorciatoia di un servizio come Gemini Managed Agents, con tutti i compromessi del caso; dall’altra la strada più accidentata ma autonoma, fatta di GPU locali, quantization dei modelli, orchestrazione fai-da-te e metriche di latenza da misurare con attenzione. La notizia di Google non semplifica la decisione, ma la rende più urgente.