Agenti AI in produzione: cosa sfugge al mito dell’ingegnere 100x di Cloudflare

Cloudflare ha appena tagliato il 20% del personale, motivando la decisione con incrementi di produttività dell’AI «da due a cento volte». Applicata agli agenti AI, la retorica dell’«ingegnere 100x» rischia ora di innescare un’ondata di decisioni strutturalmente sbagliate sugli organici.

Che cosa ha detto davvero Cloudflare nel Q1 2026

La frase della call con gli investitori che ha fatto più rumore è quella in cui Prince afferma che, grazie all’AI, alcuni ruoli producono «due volte, dieci volte, persino cento volte» più di prima. TechCrunch l’ha rilanciata. CNBC l’ha rilanciata. The Register l’ha rilanciata. Tutti hanno dato per scontato che questa chiave di lettura fosse corretta, passando direttamente al conteggio dei posti di lavoro persi.

Il contesto completo è questo: i 1,100 tagli di Cloudflare riguardano, secondo la descrizione di Prince, ruoli il cui lavoro viene ormai svolto dall’AI. Ne deriva l’idea che il collo di bottiglia fossero le persone incaricate di quel lavoro e che l’AI lo abbia eliminato. I ricavi sono cresciuti del 34%. L’organico è diminuito del 20%. La narrazione per gli investitori si scrive da sola: stessa produzione, meno persone, margini in aumento.

Nessuno, durante quelle call sui risultati, ha però chiesto se la «produttività 100x» sia davvero un’unità di analisi sensata quando viene applicata a un processo che ora un agente esegue dall’inizio alla fine. Perché un ingegnere umano che con l’assistenza dell’AI raggiunge una produttività 100x non è la stessa cosa di un processo rimosso per intero dalla voce del lavoro umano. Sono due fenomeni diversi. E per un founder che deve decidere chi mantenere in azienda, la distinzione è enorme.

Che cosa sto facendo davvero questa settimana

Sto gestendo su Workers e Durable Objects il sistema editoriale di questo blog. Sei agenti: ManualIntake, Discovery, Editorial, Writer, Distribution e Maintenance. Il mese scorso hanno pubblicato 24 articoli. Sono intervenuto direttamente forse su quattro. Più sotto trovate il conto.

Quanto costano davvero 6 agenti AI in produzione su Workers

Questa è la fattura Cloudflare effettiva di aprile 2026 per il sistema editoriale composto da sei agenti.

Il calcolo su Workers è costato $11.40. Le letture e scritture su D1 — memoria di lavoro degli agenti, code delle attività, bozze degli articoli e metadati dei contenuti — sono costate $3.20. Lo storage R2 per asset multimediali ed esportazioni d’archivio è arrivato a $0.84. Vectorize, usato per la ricerca semantica nell’archivio degli articoli, è costato $1.10. Agents SDK e il livello di orchestrazione Workflows hanno aggiunto $2.60 tra richieste e durata di esecuzione. Totale dell’infrastruttura Cloudflare: $19.14 per il mese.

La spesa per l’inferenza è separata e viene fatturata dal provider dei modelli. Ad aprile, per tutti e sei gli agenti eseguiti su Claude Sonnet 4.5 e Haiku 3.5 in base alla complessità del compito, è stata di $214. Costo totale del sistema AI, infrastruttura più inferenza: $233.14.

Le attività di aprile sono così distribuite: ManualIntake ha elaborato 31 richieste di contenuti. Discovery ha eseguito 188 attività di ricerca e selezione delle fonti. Editorial ha prodotto 47 brief e cicli di revisione. Writer ha generato 24 bozze poi pubblicate. Distribution ha gestito 96 attività di syndication e social. Maintenance ha eseguito 240 controlli di integrità pianificati, verifiche dei link e aggiornamenti degli indici. In totale: 626 attività degli agenti in un mese, per circa $0.37 ciascuna, tutto compreso.

Il sistema gira su un server Hetzner CX22 da €4.42/mese, che ospita un piccolo livello di coordinamento. Nient’altro.

Quanto costerebbe assumere una persona per svolgere 626 attività al mese con la stessa qualità e lo stesso ritmo di questi agenti? In un mercato occidentale, una figura mid-level nelle content operations costa complessivamente all’azienda tra $6,500 e $9,000 al mese. Gli agenti svolgono una parte significativa di quel lavoro per $233. Il calcolo è reale e non intendo fingere il contrario.

Ma c’è un punto decisivo: dedico ancora circa 12 ore alla settimana a questo sistema. Non per svolgere le attività affidate agli agenti, bensì per fare un lavoro diverso. È proprio ciò che la retorica del 100x non riesce a cogliere.

Perché l’automazione AI smentisce il mito dell’«ingegnere 100x»

L’idea dell’ingegnere 100x presuppone che ci sia un ingegnere e che l’AI lo renda 100 volte più produttivo. L’unità di misura resta la persona: ne servono semplicemente meno per ogni unità prodotta.

In un’implementazione reale di agenti accade altro: un intero processo esce dalla voce «lavoro umano». L’agente Discovery non porta a 100x la produttività di un ricercatore. Il ricercatore non c’è. Il processo di ricerca parte secondo una pianificazione cron, chiama una serie di API e modelli, scrive un output strutturato su D1 e attiva l’agente Editorial. Il processo continua a esistere; il ruolo umano che prima ne era responsabile, no.

Potrebbe sembrare una distinzione semantica. Non lo è. Cambia completamente il modo in cui si decide quali competenze mantenere in organico.

Se il punto di partenza è l’«ingegnere 100x», si guarda al personale tecnico e ci si domanda: quali dieci persone posso tenere per sostituirne cento? Si finisce per conservare chi produce di più e tagliare tutti gli altri.

Se invece si parte dalla lettura corretta — il processo trasferito all’automazione — le domande cambiano. Quali processi aziendali possono essere automatizzati integralmente? Quali richiedono un giudizio umano che gli agenti non sanno replicare? Quale nuovo ruolo serve per gestire, controllare ed estendere la flotta di agenti? Le risposte conducono a persone diverse.

Il ruolo che ancora nessuno sta cercando è quello che definirei Agent Operations lead. Non è un prompt engineer, né un ML engineer. È una persona che conosce il processo aziendale abbastanza a fondo da specificare che cosa debba fare l’agente; sa leggere il log di stato di un Durable Object per sbloccare un workflow; riconosce quando la qualità dell’output si sta allontanando dallo standard accettabile; sa estendere il sistema mentre l’azienda cambia. Le 12 ore settimanali che dedico al sistema editoriale corrispondono, più o meno, a questo ruolo. Non è un lavoro poco qualificato: è un’attività ad alta leva che richiede sia conoscenza dei processi sia una preparazione tecnica sufficiente per governare il sistema.

Quasi certamente Cloudflare dispone già internamente di questa funzione, anche se non le ha ancora dato un titolo professionale. Ma se si riduce l’organico all’osso senza costruire questa capacità, nel giro di sei mesi la flotta di agenti inizierà a deteriorarsi.

L’automazione crea lavoro, ma non lo stesso lavoro
Ogni agente in produzione che gestisco genera all’incirca da 3 a 5 problemi al mese che richiedono un intervento umano: stato corrotto, output del modello che non supera un controllo di qualità, un’API a valle che cambia schema, un’attività che entra in deadlock perché due agenti scrivono contemporaneamente sulla stessa riga D1. Nessuno di questi problemi è catastrofico. Tutti richiedono qualcuno che conosca il sistema. Tagliare il personale senza conservare le competenze di Agent Operations significa lasciare che questi problemi si accumulino senza soluzione.

Esiste poi una categoria di lavoro che l’automazione crea, anziché eliminare. L’agente Editorial produce 47 brief al mese, che ora un editor umano esamina e approva. Prima dell’agente, forse se ne scrivevano 15. L’agente non ha sostituito l’editor: ne ha ampliato il raggio d’azione e ha alzato il livello del lavoro richiesto. Alcuni ruoli adiacenti a una flotta di agenti vengono potenziati, non eliminati. I founder che non mapperanno con attenzione queste dinamiche taglieranno proprio i ruoli potenziati, per poi chiedersi perché il volume di produzione sia sceso dopo la riduzione.

Il framework decisionale per i founder nell’H2 2026

Se il piano degli organici per l’H2 nasce dalla narrazione di Cloudflare, questo è il framework che userei davvero.

Il primo passo è dividere i processi in due colonne: candidati alla sostituzione del processo e candidati alla sostituzione del ruolo.

I candidati alla sostituzione del processo sono workflow in gran parte deterministici, descrivibili in modo completo e con una qualità dell’output misurabile automaticamente. Manutenzione delle pipeline di dati, produzione di contenuti su larga scala, triage dell’assistenza clienti, generazione di test QA, aggiornamenti della documentazione, elaborazione delle fatture. In questi casi la domanda non è «l’AI può aiutare una persona a farlo più velocemente?», ma «posso rimuovere del tutto questo processo dalla voce del lavoro umano nei prossimi 90 giorni?». Prima di intervenire sull’organico, va eseguito un test di quattro settimane con un agente.

I candidati alla sostituzione del ruolo sono diversi e molto più rari. Si tratta di casi in cui un ruolo umano consiste soprattutto nell’eseguire con competenza un’attività ben definita, quell’attività è ormai automatizzabile e intorno non esistono decisioni o relazioni da gestire. Sono ruoli davvero a rischio. Ma rappresentano una categoria più piccola di quanto lasci intendere la narrazione di Cloudflare, perché quasi tutti i ruoli sono insiemi di attività, non compiti singoli. Un ingegnere che scrive codice, esamina le PR, definisce l’ambito del lavoro, fa mentoring alle figure junior e parla con i clienti non può essere sostituito da un coding agent. Può esserlo la parte di coding.

Il calcolo sugli organici che regge davanti al board di una società tra Serie A e Serie C è questo: si prende il costo complessivo attuale di un processo, si sottrae il costo totale previsto per eseguire la flotta di agenti che lo sostituirà — infrastruttura, inferenza e costi operativi di Agent Operations — e si presenta la differenza. Con $233 al mese per 626 attività, il vantaggio è evidente per i processi giusti. Nel caso di un ruolo che comprende davvero molte attività basate sul giudizio, la convenienza si riduce in fretta.

Prima di licenziare qualcuno, farei questo test: agente e persona lavorano in parallelo per 60 giorni. La qualità dell’output si misura con gli stessi criteri usati per la persona. Si misurano il tasso di errore e quello di intervento. Si calcola il costo reale, in ore di lavoro, dell’overhead di Agent Operations. Se l’agente supera la soglia di qualità al 30% del costo della persona, includendo l’overhead operativo, il caso è concreto. Se gli errori richiedono più ore di intervento delle ore di lavoro umano risparmiate, il caso non esiste.

Il test sul run rate non è complesso. Molti founder lo saltano perché la narrazione di Cloudflare lo fa sembrare superfluo. L’affermazione del 100x è seducente. Ma dall’interno di un sistema in produzione costruito sullo stesso stack, il dato che conta non è il moltiplicatore di produttività: è il costo per attività a un livello di qualità accettabile, incluso il carico operativo. Il test va eseguito prima che il numero finisca nelle slide per il board.

D: Il costo mensile di $233 cresce in modo lineare se aggiungo altri agenti?

All’incirca sì, per l’inferenza. I costi dell’infrastruttura Cloudflare aumentano lentamente, perché Workers e Durable Objects sono efficienti su larga scala. Nel mio caso l’inferenza è la variabile dominante. Raddoppiando il volume delle attività degli agenti, è ragionevole aspettarsi che il costo dell’inferenza raddoppi. L’infrastruttura crescerà forse del 20-30%. L’overhead operativo aumenta meno che linearmente, perché si gestiscono sistemi e non singole attività.

D: Quali prodotti Cloudflare sono davvero essenziali in una flotta di agenti in produzione?

I Durable Objects sostengono il carico maggiore. Sono macchine a stati persistenti che coordinano attività di lunga durata tra diverse invocazioni di Workers, senza richiedere un database esterno per il coordinamento. D1 è il database relazionale per i dati aziendali. R2 è lo storage a oggetti. Vectorize conserva gli embedding. Agents SDK è un livello di orchestrazione relativamente sottile costruito sopra Durable Objects. Per chi sta valutando questo stack, Durable Objects è il fulcro dell’architettura.

D: In concreto, com’è la giornata di chi si occupa di Agent Operations?

Nel mio caso: 30 minuti ogni mattina per esaminare i log delle attività in cerca di errori o derive qualitative; circa due ore alla settimana per correggere o ampliare i workflow degli agenti; ogni lunedì, una revisione fissa della qualità degli output della settimana precedente. Il resto è reattivo: qualcosa si rompe e lo aggiusto. Per una flotta più grande al servizio di un team di 20+ persone, si tratta probabilmente di un ruolo a metà tempo, non di un’attività da ritagliarsi nei momenti liberi.

Che cosa osservare nei prossimi 30 giorni

La chiave di lettura proposta da Cloudflare durante la presentazione dei risultati è destinata a diffondersi. Prima della chiusura della stagione dei risultati del Q2, è probabile che almeno altre tre-cinque aziende tecnologiche quotate usino gli «incrementi di produttività dell’AI» per giustificare riduzioni del personale. I founder da osservare sono quelli che annunciano tagli insieme a dettagli concreti sull’implementazione degli agenti, invece di limitarsi a vaghe dichiarazioni sulla produttività. Quello sarebbe un segnale reale. Affermazioni generiche senza stack, numero di attività o costo per attività sono puro teatro da presentazione al board.

Quanto allo stack Cloudflare, Agents SDK sta maturando rapidamente. Il prezzo dell’ibernazione dei Durable Object è cambiato all’inizio di quest’anno ed è ora molto più conveniente per gli agenti sempre attivi. Per chi stava valutando questa architettura ma aveva preferito aspettare, la curva dei costi si è spostata nella direzione giusta. La complessità operativa non è scomparsa, ma resta gestibile alle dimensioni necessarie alla maggior parte delle aziende tra Serie A e Serie C.

Entro 12 mesi il mercato del lavoro farà emergere Agent Operations come categoria professionale distinta. Conviene anticiparlo, definendo come dovrà funzionare questo ruolo all’interno dell’azienda prima che il titolo compaia su LinkedIn.

Per svolgere l’audit dei processi prima che il piano per l’H2 sia definitivo, la checklist di workflow audit che uso in DVNC.dev si applica direttamente a questo framework.

In sintesi

• Nei risultati del Q1 2026, Cloudflare ha affiancato $639.8M di ricavi a 1,100 licenziamenti e a una dichiarazione secondo cui l’AI avrebbe aumentato la produttività da «2x a 100x».
• Eseguire 6 agenti AI in produzione su Cloudflare Workers, Durable Objects, D1 e Agents SDK costa complessivamente $233/mese per 626 attività: circa $0.37 per attività, inferenza inclusa.
• La logica dell’ingegnere 100x è sbagliata. Il vero cambiamento consiste nel rimuovere interi processi dalla voce del lavoro umano, non nel moltiplicare la produzione di una persona.
• Il ruolo che ancora nessuno sta cercando è Agent Operations: la persona che gestisce, controlla ed estende la flotta di agenti. Ridurre l’organico all’osso senza questa capacità porta la flotta a deteriorarsi.
• Prima che il calcolo finisca nelle slide per il board, va eseguito un test parallelo di 60 giorni: agente e persona, stessi criteri di qualità, overhead operativo misurato davvero. Spesso i numeri sono convincenti. Non sempre coincidono con ciò che suggerisce la narrazione.
• La variabile decisiva è il costo per attività a una qualità accettabile, incluso il carico operativo, non un moltiplicatore di produttività.