AT&T ha adottato H2O AI Super Agent™ come infrastruttura centrale per la propria fase agenziale, portando gli agenti autonomi direttamente nei flussi di lavoro che contano: customer experience, prevenzione delle frodi, operazioni di rete, sicurezza e gestione del rischio. Non si tratta di un progetto pilota. È produzione, su larga scala.
Andy Markus, Chief Data Officer di AT&T, ha chiarito le dimensioni del problema: “Gestiamo sistemi di IA su scala enorme, elaborando circa 45 miliardi di token al giorno” tra ambienti eterogenei che includono operazioni di rete, customer care e rilevamento delle frodi. L’obiettivo dichiarato è ridurre la complessità operativa, abbassare la latenza e mantenere una governance di livello enterprise. L’accordo consolida una collaborazione già avviata da tempo tra AT&T e H2O.ai, che aveva già prodotto risultati misurabili: oltre l’80% di riduzione delle frodi sugli iPhone e 17 milioni di dollari risparmiati tra manutenzione e ottimizzazione dei percorsi.
L’architettura di H2O AI Super Agent non funziona come un singolo esecutore. Agisce da orchestratore: scompone obiettivi complessi in sotto-task strutturati, lancia agenti specializzati in parallelo e adatta i flussi di lavoro in base al contesto che emerge. Combina modelli linguistici di grandi dimensioni con small language model ottimizzati per dominio e motori predittivi, tutto in un’unica architettura progettata per ambienti regolamentati. Per settori come le telecomunicazioni, dove latenza, governance e costo per token non sono dettagli, questa convergenza tra IA generativa e predittiva è la parte che cambia i conti. H2O.ai supporta anche deployment in ambienti air-gapped e on-premises, mantenendo il pieno controllo sui dati e sui modelli all’interno dell’infrastruttura del cliente.
Il posizionamento di H2O AI Super Agent sul benchmark FutureX aggiunge un dato concreto: il sistema ha raggiunto il primo posto nella classifica dedicata alla previsione del futuro, superando agenti di OpenAI, Google, DeepSeek e xAI. H2O.ai occupa tre delle prime quattro posizioni. FutureX — progettato da ricercatori di ByteDance Seed, Fudan University, Stanford e Princeton — misura la capacità degli agenti di prevedere eventi reali prima che accadano, eliminando la contaminazione dei dati di addestramento per costruzione: le risposte corrette non esistono al momento della valutazione.
Mentre AT&T porta gli agenti in produzione, OpenAI ha pubblicato un documento su come le aziende dovrebbero gestire gli investimenti nell’era agenziale. Il messaggio centrale è diretto: il prezzo per token non è la metrica giusta. Conta il “lavoro utile per dollaro”, cioè task completati, tempo risparmiato, decisioni migliorabili. Dal passaggio tra GPT-4 e GPT-5.4, il costo per milione di token è sceso del 97%. GPT-5.6 continua quella traiettoria, con il 54% in meno di token in output e il 57% in meno di tempo per task nel benchmark di coding agenziale. Ma OpenAI avverte: modelli più economici possono nascondere costi reali generati da errori, retry e correzioni umane. La raccomandazione è misurare il costo totale per risultato accettato, non il prezzo di listino.
I due movimenti — AT&T che porta l’IA agenziale in produzione su scala industriale e OpenAI che fornisce una guida alla governance degli investimenti — segnalano che la fase sperimentale per le grandi aziende si sta chiudendo. Chi non ha ancora chiarito come misurare il valore degli agenti rischia di ritrovarsi con costi crescenti e valore difficile da giustificare. La domanda non è più se usare agenti autonomi, ma come costruire l’infrastruttura per governarli.
