Airtable sta applicando la sua filosofia di progettazione incentrata sui dati agli agenti AI con il lancio di Superagent martedì. È un agente di ricerca indipendente che impiega team di agenti esperti di intelligenza artificiale che lavorano in parallelo per completare compiti di ricerca.
L’innovazione tecnica sta nel modo in cui l’orchestratore di Superagent preserva il contesto. I precedenti sistemi ad agenti utilizzavano un semplice routing del modello, in cui un agente filtrava le informazioni tra i modelli. L’orchestratore di Airtable fornisce visibilità completa durante l’intero percorso di esecuzione: piano iniziale, passaggi di esecuzione e risultati dell’agente secondario. Questo crea ciò che il co-fondatore Howie Liu chiama "un viaggio coerente" dove l’orchestratore prende tutte le decisioni lungo il percorso.
"In definitiva, dipende da come sfrutti la capacità di auto-riflessione del modello." Liu ha detto a VentureBeat. Liu ha fondato Airtable, che ha al centro un database relazionale basato sul cloud, più di una dozzina di anni fa.
Airtable ha costruito la propria attività su un’unica affermazione: il software dovrebbe adattarsi al modo in cui le persone lavorano, e non viceversa. Questa filosofia ha alimentato la crescita di oltre 500.000 organizzazioni, compreso l’80% delle aziende Fortune 100, utilizzando la sua piattaforma per creare applicazioni personalizzate adatte ai loro flussi di lavoro.
La tecnologia superagent è un’evoluzione delle capacità sviluppate da DeepSky (ex Gradient), acquisita da Airtable nell’ottobre 2025.
Dai dati strutturati agli agenti in formato libero
Liu definisce Airtable e Superagent come fattori di forma complementari che insieme soddisfano diverse esigenze aziendali. Airtable fornisce le basi strutturate e il superagente gestisce attività di ricerca non strutturate.
"Ovviamente abbiamo iniziato con un livello dati. Si chiama Airtable: è una tabella dati," Ha detto Liu.
La piattaforma si è evoluta come un’impalcatura attorno a questo database principale con funzionalità di flusso di lavoro, automazioni e interfacce che possono adattarsi a migliaia di utenti. "Penso che Superagent sia un fattore di forma molto non strutturato e complementare." Ha detto Liu. "Questi agenti sono di natura molto libera."
La decisione di sviluppare capacità in formato libero riflette ciò che il settore ha imparato sull’uso di modelli sempre più capaci. Man mano che i modelli diventano più intelligenti, il modo migliore per utilizzarli è avere meno restrizioni sul loro funzionamento, ha affermato Liu.
Come funziona il sistema multi-agente di Superagent?
Quando un utente invia una query, l’agente di orchestrazione crea un piano visibile che divide la ricerca complessa in flussi di lavoro paralleli. Quindi, ad esempio, se stai cercando un’azienda in cui investire, il compito verrà suddiviso in diverse parti; come la ricerca sulla squadra, la ricerca sulla storia dei finanziamenti, la ricerca sull’ambiente competitivo. Ogni flusso di lavoro è delegato a un agente dedicato che lo esegue in modo indipendente. Questi rappresentanti lavorano in parallelo, il loro lavoro è coordinato dal sistema e ciascuno contribuisce con la propria parte all’insieme.
Sebbene Airtable descriva Superagent come un sistema multi-agente, si basa su un orchestratore centrale che pianifica, invia e monitora le attività secondarie; questo è un modello più controllato rispetto agli agenti completamente autonomi.
L’orchestratore di Airtable fornisce visibilità completa sull’intero percorso di esecuzione: piano iniziale, passaggi di esecuzione e risultati dell’agente secondario. Questo crea ciò che ha detto Liu "un viaggio coerente" dove l’orchestratore prende tutte le decisioni lungo il percorso. L’approccio del sottoagente combina i risultati ripuliti senza inquinare il contesto dell’editor principale. Superagent utilizza più modelli edge per diverse attività secondarie, tra cui OpenAI, Anthropic e Google.
Ciò risolve due problemi: gestisce le finestre di contesto raccogliendo risultati puliti senza contaminazione e consente l’adattamento durante l’esecuzione.
"Forse ha provato a svolgere un compito di ricerca in un certo modo ma non ha funzionato, non è riuscito a trovare le informazioni giuste e quindi ha deciso di provare qualcos’altro," Ha detto Liu. "Sa di aver provato la prima cosa e non ha funzionato. Per non commettere più lo stesso errore."
Perché la semantica dei dati determina le prestazioni dell’agente?
Dal punto di vista del costruttore, Liu sostiene che le prestazioni del broker dipendono dalla qualità della struttura dei dati piuttosto che dalla selezione del modello o dalla rapida ingegneria. Si è basato sull’esperienza di Airtable costruendo uno strumento interno di analisi dei dati per capire cosa ha funzionato.
La sperimentazione dello strumento interno ha rivelato che la preparazione dei dati richiede uno sforzo maggiore rispetto alla configurazione dello strumento.
"Abbiamo scoperto che la parte più difficile per farlo bene non è in realtà lo sfruttamento dell’agente, ma la maggior parte della salsa speciale ha a che fare con il massaggio della semantica dei dati." Ha detto Liu. "Gli agenti sfruttano una semantica dei dati davvero efficace."
Il lavoro di preparazione dei dati si è concentrato su tre aree: ristrutturare i dati in modo che gli agenti possano trovare le tabelle e i campi giusti, chiarire cosa rappresentano tali campi e garantire che gli agenti possano utilizzarli in modo affidabile nelle query e nelle analisi.
Cosa devono sapere le imprese
Per le organizzazioni che valutano sistemi multi-agente o sviluppano applicazioni personalizzate, l’esperienza di Liu indica molte priorità tecniche.
L’architettura dei dati viene prima della distribuzione dell’agente. La sperimentazione interna ha dimostrato che le organizzazioni dovrebbero aspettarsi che la preparazione dei dati consumi più risorse rispetto alla configurazione dell’agente. Le organizzazioni con dati non strutturati o una documentazione dello schema debole avranno difficoltà con l’affidabilità e la precisione dell’agente, indipendentemente dalla complessità del modello.
La gestione del contesto è fondamentale. Combinare semplicemente diversi LLM per creare un flusso di lavoro rappresentativo non è sufficiente. È necessario che vi sia un orchestratore del contesto adeguato in grado di mantenere lo stato e le informazioni con una visione dell’intero flusso di lavoro.
I database relazionali sono importanti. L’architettura del database relazionale fornisce una semantica più pulita per la navigazione dell’agente rispetto agli archivi documenti o agli archivi non strutturati. Le organizzazioni che standardizzano NoSQL per motivi di prestazioni dovrebbero prendere in considerazione la conservazione di visualizzazioni o schemi relazionali per l’utilizzo degli agenti.
L’organizzazione richiede capacità di pianificazione. Proprio come un database relazionale dispone di un pianificatore di query per ottimizzare i risultati, i flussi di lavoro intermediati necessitano di un livello di orchestrazione che pianifichi e gestisca i risultati.
"Quindi la battuta finale e la versione breve è che molto di questo deriva dall’avere un ottimo livello di pianificazione ed orchestrazione dell’esecuzione per l’agente e dalla capacità di sfruttare appieno i modelli in ciò in cui sono bravi." Ha detto Liu.
