Brave Search porta gli agenti AI sul Web reale: una pizza diventa il test dell’autonomia

🤖 Cosa cambia

• Oltre 100 sviluppatori hanno costruito in 90 minuti agenti capaci di trovare e ordinare autonomamente una pizza a San Francisco.
• Due dei progetti vincitori hanno scelto Brave Search API per ottenere dati locali aggiornati senza scraping o informazioni hardcoded.
• Il test mostra il passaggio dagli agenti che rispondono a domande a sistemi che cercano, decidono e agiscono sul Web reale.

Ordinare una pizza può sembrare un problema banale, ma per un agente AI autonomo è un test molto più difficile di quanto appaia. Il 6 agosto oltre cento sviluppatori riuniti a San Francisco da AlphaSignal hanno avuto 90 minuti per costruire da zero un agente capace di trovare una pizzeria e far consegnare una pizza al 3 Embarcadero Center. Due dei vincitori hanno scelto autonomamente Brave Search API come livello di accesso al Web. Il risultato mostra uno dei problemi centrali dell’AI agentica: un modello può pianificare e ragionare, ma per agire deve conoscere cosa esiste, cosa è aperto e cosa è disponibile in quel preciso momento.

Più di 700 sviluppatori si sono iscritti al test AlphaSignal

L’analisi pubblicata direttamente da Brave ricostruisce un hackathon organizzato dalla newsletter AI AlphaSignal al quale si erano registrati oltre 700 engineer e technical lead provenienti da aziende come Apple, AWS, Google, NVIDIA, Microsoft, OpenAI, Salesforce e Snowflake. Più di cento partecipanti hanno poi preso parte fisicamente alla competizione del 6 agosto. Le regole erano volutamente semplici: nessun codice preparato in anticipo, 90 minuti a disposizione e vittoria assegnata al primo agente capace di completare realmente la consegna di una pizza. Il montepremi totale era di 2.500 dollari. La semplicità dell’obiettivo nasconde però una difficoltà tipica dei sistemi agentici: un modello addestrato su dati storici non può sapere automaticamente quali ristoranti esistano nelle vicinanze, se siano aperti, quali consegnino in quella zona e attraverso quale servizio sia possibile completare l’ordine.

Brave Search diventa il sensore esterno dell’agente

Due dei tre vincitori, Preston Kwei e Rohan Gandotra, hanno utilizzato Brave Search API, ma in modi differenti. Kwei ha impiegato la Place Search API come livello di discovery in tempo reale, permettendo all’agente di individuare pizzerie vicine e poi completare l’ordine attraverso il browser Brave su DoorDash. Il flusso ha quindi unito ricerca e azione: prima ottenere informazioni aggiornate dal Web, poi interagire con un servizio reale. Gandotra ha invece adottato un approccio più deterministico: Brave Search API ha restituito i ristoranti disponibili attorno all’indirizzo indicato, il codice li ha ordinati in base alla distanza e la lista strutturata è stata quindi passata all’agente per la decisione finale. Nessuno scraping e nessuna estrazione manuale dal markup delle pagine. È la stessa infrastruttura che Brave aveva già aperto agli sviluppatori con la Place Search API e l’integrazione della ricerca Web negli agenti enterprise, ma l’hackathon ne mostra un utilizzo molto più immediato e operativo.

Leggi anche: Brave porta la ricerca web agentica dentro Snowflake

Il problema dell’AI agentica non è soltanto ragionare ma sapere cosa accade adesso

La differenza tra chatbot e agente emerge proprio qui. Un modello linguistico può spiegare come si ordina una pizza o suggerire catene conosciute durante l’addestramento, ma non possiede automaticamente una rappresentazione affidabile del presente. Orari di apertura, disponibilità, distanza, menu, traffico e aree di consegna cambiano continuamente. Brave sostiene che proprio questo rende necessario un livello di grounding collegato a un indice Web indipendente. La stessa architettura vale ben oltre il caso della pizza: ricerca legale, intelligence finanziaria, rilevamento frodi, analisi di mercato e procurement richiedono dati aggiornati che non possono essere congelati nel training corpus. Google sta affrontando lo stesso problema dall’altra direzione, integrando agenti direttamente nella Search e negli strumenti commerciali, come mostrato dal passaggio dalla query a Universal Cart e alle azioni autonome. La competizione non riguarda quindi più soltanto quale motore trovi la pagina migliore, ma quale infrastruttura riesca a trasformare il Web in un dataset interrogabile dalle macchine.

La Place Search API evita agli agenti di dover interpretare ogni sito

Questo punto è particolarmente importante per l’affidabilità. Un agente che deve navigare manualmente venti siti, interpretarne il DOM, riconoscere indirizzi e confrontare risultati introduce una quantità enorme di variabili. Una API che restituisce indirizzo, coordinate, distanza e dati strutturati sposta invece parte del problema dalla comprensione visuale alla logica applicativa. Il modello deve ancora scegliere quale ristorante utilizzare, ma non deve necessariamente capire da zero ogni pagina Web incontrata. Brave presenta la propria Place Search API proprio come alternativa machine-readable ai tradizionali servizi geografici e dichiara un indice di circa 200 milioni di luoghi. Nell’articolo di luglio Matrice Digitale aveva già osservato come Brave stesse trasformando Search in una piattaforma utilizzabile da Claude Cowork e server MCP. L’esperimento AlphaSignal rende più chiara la conseguenza: quando l’interfaccia principale non è più una persona ma un agente, il motore di ricerca diventa un backend decisionale.

L’azione reale aumenta però anche il rischio degli agenti

La capacità di trasformare una ricerca in un ordine completato è esattamente ciò che rende gli agenti utili, ma anche più pericolosi. Un errore nella risposta di un chatbot produce una frase sbagliata; un errore di un sistema con accesso al browser e a strumenti operativi può produrre un acquisto, una prenotazione, una cancellazione o una modifica reale. Matrice Digitale ha già documentato il caso di un agente Claude che, cercando di migliorare la posizione del proprio utente in una lista d’attesa, ha sfruttato una API GraphQL debole e cancellato la prenotazione di un’altra persona. Non è un problema specifico di Brave: è la conseguenza generale del passaggio dal retrieval all’action. Più un agente può fare, più diventano importanti limiti sui permessi, conferme umane, tracciabilità delle decisioni e separazione tra ricerca e operazioni irreversibili.

Continua con:

• AgentBaiting usa repository GitHub falsi per manipolare ciò che gli agenti trovano online
• GhostSplice mostra come server MCP malevoli possano manipolare gli agenti e sottrarre dati

La ricerca sul Web diventa infrastruttura per agenti e non più soltanto per persone

Il risultato più interessante dell’hackathon non è quindi che un software sia riuscito a comprare una pizza. È che due team abbiano scelto spontaneamente un motore di ricerca come componente strutturale dell’agente, trattandolo non come interfaccia per esseri umani ma come sorgente macchina-macchina di dati aggiornati. Brave sta investendo precisamente su questa trasformazione, dalla Search API al server MCP, dalla Place Search all’integrazione con ambienti enterprise. La posta in gioco è rilevante: se gli agenti diventeranno realmente strumenti capaci di operare autonomamente, chi fornisce loro il livello di accesso al Web controlla una delle infrastrutture più importanti della nuova catena decisionale. Il motore di ricerca non deve più soltanto trovare una risposta: deve fornire abbastanza realtà aggiornata perché un agente possa decidere cosa fare dopo. Una pizza consegnata in 90 minuti è soltanto la dimostrazione più semplice di questo passaggio.