AWS porta i pagamenti negli agenti AI e aggiorna dati, ricerca e infrastrutture

☁️ Punti chiave

• Amazon Bedrock AgentCore Payments diventa GA con wallet Coinbase e Stripe Privy, limiti di spesa, osservabilità e supporto ai protocolli x402 e MPP.
• AWS sviluppa architetture per alimentare agenti con streaming realtime, classificare documenti, migliorare RAG e gestire workload AI multi-tenant.
• Amazon MSK semplifica i domini personalizzati mentre AWS prepara nuovi Builder Lofts permanenti a Berlino, Hyderabad e San Paolo.

AWS accelera sulla costruzione dell’infrastruttura necessaria per portare l’AI agentica dai prototipi ai sistemi produttivi. La novità principale è la disponibilità generale di Amazon Bedrock AgentCore Payments, che permette agli agenti di effettuare autonomamente pagamenti per API, contenuti e servizi mantenendo limiti di spesa, credenziali protette e tracciabilità delle transazioni. Attorno a questo tassello Amazon sta però costruendo un ecosistema più ampio: pipeline di streaming realtime, classificazione vettoriale dei documenti, ricerca contrattuale con filtri automatici, agenti SaaS multi-tenant, nuove capacità di OpenSearch e Amazon MSK, personalizzazione delle chat integrate in Amazon Quick e tre nuovi Builder Lofts destinati alle comunità di sviluppatori.

AgentCore Payments porta le transazioni autonome negli agenti AI

La disponibilità generale di Amazon Bedrock AgentCore Payments rappresenta il passaggio più significativo perché aggiunge alla catena reasoning-action degli agenti un terzo elemento: la capacità di pagare autonomamente per ottenere servizi necessari al completamento di un’attività. Il servizio era stato presentato in preview a maggio in collaborazione con Coinbase e Stripe e raggiunge ora la GA con supporto ai wallet Coinbase e Stripe Privy, utilizzabili per microtransazioni basate anche su USDC. Le credenziali dello sviluppatore vengono conservate in AgentCore Identity Secrets Manager e non sono esposte direttamente all’agente, che utilizza token temporanei per richiedere al provider del wallet operazioni come la firma delle transazioni.

Sul piano dei protocolli, AWS affianca a x402 il Machine Payment Protocol (MPP) sviluppato da Stripe e Tempo e aggiunge allo stesso x402 lo schema “upto”, con cui l’agente può definire un tetto massimo invece di autorizzare preventivamente un importo fisso. È una funzione particolarmente importante per scenari pay-per-inference, compute e API a consumo, dove il prezzo finale può dipendere dalle risorse effettivamente utilizzate. L’infrastruttura implementa inoltre payment session con limite massimo di spesa e scadenza, verificati deterministicamente prima della firma della transazione, riducendo il rischio che un sistema non deterministico interpreti erroneamente un’autorizzazione o ripeta un pagamento durante un retry.

L’osservabilità passa invece da AgentCore Observability e Amazon CloudWatch, con log, audit trail, tassi di successo e valori medi delle transazioni. È l’evoluzione naturale dell’architettura introdotta con AgentCore Gateway e l’accesso degli agenti AI alle reti private: il gateway permette agli agenti di raggiungere strumenti e servizi, mentre Payments introduce un livello gestito per monetizzare e acquistare dinamicamente quelle risorse.

Lo streaming realtime diventa il carburante operativo dell’AI agentica

Un agente capace di agire e pagare rimane però limitato se opera su informazioni obsolete. AWS affronta il problema con un framework architetturale per collegare AI agentica e dati in streaming realtime, partendo dal cambiamento avvenuto tra le applicazioni generative tradizionali e gli agenti autonomi. Non basta più inserire nel prompt informazioni aggiornate: gli agenti devono poter osservare continuamente telemetria ed eventi, identificare anomalie, interrogare sorgenti live, mantenere memoria e decidere azioni mentre i dati cambiano.

AWS propone quindi una relazione più stretta tra pipeline di streaming, lakehouse realtime, sistemi di retrieval e memoria degli agenti. La stessa logica emerge nel caso Jumio, dove una feature store realtime costruita su AWS combina Amazon SageMaker Feature Store, Amazon Managed Service for Apache Flink e Amazon Kinesis Data Streams per workload di machine learning che richiedono latenze inferiori a 100 millisecondi, come la rilevazione delle frodi e la verifica dell’identità. Sul versante analytics, talabat ha invece costruito un lakehouse ibrido e multi-cloud mantenendo una singola copia Apache Iceberg dei dati di streaming su AWS e rendendola disponibile per analisi quasi realtime anche su Google Cloud.

L’obiettivo comune è ridurre la distanza temporale tra evento, dato disponibile, decisione del modello e azione applicativa. È anche il contesto nel quale assumono maggior peso gli aggiornamenti che hanno già portato AWS a collegare cataloghi e osservabilità per rendere produttivi gli agenti AI: un sistema agentico enterprise non dipende soltanto dalla qualità del modello, ma dalla freschezza e dalla governabilità delle informazioni sulle quali il modello può operare.

Bedrock combina vettori, agenti e filtri per capire meglio i documenti

La seconda direttrice riguarda il trattamento dei documenti aziendali, dove AWS sta cercando di superare i limiti della sola ricerca semantica. Nel framework di vector-prompt document classification su Amazon Bedrock l’azienda propone una soluzione multi-agent destinata inizialmente al settore assicurativo, dove policy, affidavit, endorsement e documentazione normativa possono condividere terminologia simile pur appartenendo a categorie operative differenti. L’architettura utilizza Strands Agents SDK e coordina tre agenti specializzati: uno esegue l’analisi testuale, un secondo confronta la similarità vettoriale e i pattern di layout, mentre un terzo valida il risultato prima che l’orchestratore produca la classificazione finale. La soluzione combina Claude Haiku 4.5 con Amazon Titan Multimodal Embeddings, sfruttando contemporaneamente ragionamento linguistico e caratteristiche visuali. Un problema simile emerge nella ricerca all’interno dei contratti, dove AWS mostra come Bedrock Knowledge Bases possa usare filtri impliciti ed espliciti e chunk arricchiti con metadata per restringere il contesto fornito al modello.

La soluzione AIDA per migliorare la ricerca contrattuale nasce dalla constatazione che una RAG puramente semantica può recuperare troppo materiale e aumentare il rischio di omettere o interpretare erroneamente clausole fortemente dipendenti dal contesto. La direzione coincide con quanto emerso nei precedenti aggiornamenti dedicati a MCP stateless, automazione contrattuale e OpenSearch: AWS sta trasformando retrieval, metadata e strumenti agentici in componenti complementari, invece di affidare l’intero processo alla sola capacità del foundation model.

OpenSearch, MSK e Quick rafforzano il livello applicativo e dei dati

Il rafforzamento dello stack passa anche da servizi che non sono agenti AI in senso stretto ma diventano fondamentali quando applicazioni autonome devono interrogare grandi quantità di dati. Il nuovo motore ottimizzato di Amazon OpenSearch Service permette di eseguire query SQL e PPL direttamente sui log e sulle trace grezze, producendo aggregazioni, filtri e scansioni su miliardi di eventi senza richiedere strutture precomputate o una trasformazione preventiva dei dati.

La guida tecnica pubblicata da AWS su OpenSearch mostra il modello applicato a un’indagine su un incidente, dove successive interrogazioni possono analizzare distribuzioni della latenza, error rate e dimensionamento della flotta direttamente sul dataset originale. È un’evoluzione coerente con il percorso di OpenSearch Serverless verso workload AI agentici e architetture resilienti. Amazon MSK semplifica invece la gestione dei cluster Apache Kafka Provisioned consentendo di configurare un custom domain name con una singola proprietà, sia nei cluster ZooKeeper sia in quelli KRaft. Il dominio viene applicato automaticamente a tutti i broker e continua a funzionare durante lo scaling, eliminando la precedente necessità di sovrascrivere manualmente gli advertised listener su ciascun broker.

Per le applicazioni significa poter mantenere endpoint controllati dall’organizzazione durante migrazioni, failover di disaster recovery o ricostruzioni dei cluster. Sul fronte applicativo, Amazon Quick embedded chat può essere personalizzato nell’aspetto e nel tono della conversazione, permettendo alle aziende di integrare l’interfaccia conversazionale nei propri prodotti senza presentarla come un componente esterno visivamente separato.

AWS porta AgentCore nei SaaS multi-tenant e amplia i Builder Lofts

L’ultimo livello riguarda la trasformazione di queste tecnologie in servizi realmente distribuibili. Axonius, piattaforma di asset intelligence utilizzata da team IT e di sicurezza, ha documentato con AWS un’architettura per agenti AI multi-tenant costruiti su Bedrock AgentCore. Per un provider SaaS il problema non consiste semplicemente nell’eseguire un agente, ma nel garantire isolamento dei clienti, sicurezza, scalabilità e tracciamento dei costi a livello di tenant mentre centinaia di ambienti distinti utilizzano la stessa piattaforma.

È una dimostrazione concreta del passaggio che AWS sta tentando di accelerare: AgentCore non viene proposto come semplice SDK per chatbot evoluti, ma come infrastruttura condivisa per applicazioni nelle quali agenti, identità, strumenti, osservabilità e adesso pagamenti devono funzionare con vincoli enterprise. A questa strategia tecnica Amazon affianca un investimento sulla comunità degli sviluppatori. Dopo il primo AWS Builder Loft di San Francisco, aperto nel luglio 2025 e visitato secondo AWS da oltre 22.500 sviluppatori, l’azienda ha annunciato nuovi Builder Lofts permanenti a Berlino, Hyderabad e San Paolo.

Gli spazi offriranno gratuitamente workshop, hackathon, networking, pitch night, aree di coworking e attività tecniche. La scelta delle tre città estende il modello fuori dagli Stati Uniti e accompagna una fase nella quale la competizione cloud sull’AI non riguarda più soltanto disponibilità di GPU e foundation model: AWS sta cercando di controllare l’intero ciclo operativo dell’agente, dal dato realtime all’accesso agli strumenti, dalla ricerca alla sicurezza multi-tenant fino alla possibilità di acquistare autonomamente le risorse necessarie per completare un compito.