GPT-6 Astra arriva su Amazon Bedrock e AWS industrializza agenti, modelli e inferenza

🤖 Cosa cambia

• GPT-6 Astra arriva su Amazon Bedrock con contesto fino a un milione di token, computer use e integrazione con ChatGPT Work e Codex.
• AgentCore porta la valutazione automatica degli agenti nelle pipeline GitHub Actions e HPE Zerto lo applica al disaster recovery enterprise.
• SageMaker accelera inferenza con GPU G7, aggiorna Feature Store e collega MLflow al Model Registry per governance e audit.

Amazon Web Services porta GPT-6 Astra di OpenAI su Amazon Bedrock e contemporaneamente completa diversi tasselli necessari per trasformare modelli e agenti AI in infrastruttura enterprise. Il nuovo modello di frontiera arriva con una finestra di contesto fino a un milione di token, computer e browser use e capacità orientate a coding, analisi di documenti e workflow complessi. Intorno al modello AWS rafforza però soprattutto ciò che accade prima e dopo l’inferenza: test automatici degli agenti, GPU Blackwell, governance MLflow, Feature Store, training distribuito e sistemi agentici applicati a disaster recovery e contact center. È la prosecuzione della strategia che ha già trasformato Bedrock da semplice catalogo di foundation model in livello di controllo dell’AI aziendale.

GPT-6 Astra entra in Amazon Bedrock con un milione di token

GPT-6 Astra è generalmente disponibile su Amazon Bedrock e AWS lo presenta come il modello OpenAI più capace integrato finora nel servizio. Secondo l’annuncio ufficiale di Amazon Web Services, Astra è progettato per attività che richiedono ragionamento più profondo, valutazione tra alternative, produzione professionale di documenti e software e utilizzo di computer e browser. La finestra di contesto arriva fino a un milione di token, rendendo possibile lavorare su grandi collezioni documentali o codebase estese senza segmentare continuamente l’input. La novità più importante per le imprese non è però soltanto l’accesso al modello. Bedrock permette di utilizzare Astra attraverso API gestite mantenendo controlli IAM, governance, audit delle invocazioni e infrastruttura di inferenza AWS. ChatGPT Work e Codex possono inoltre essere configurati per utilizzare GPT-6 Astra attraverso Bedrock, avvicinando ulteriormente gli ambienti OpenAI allo stack AWS. Il passaggio segue l’arrivo su Bedrock di GPT-5.6 Terra e Luna e l’espansione geografica dell’inferenza OpenAI, confermando quanto il rapporto tra le due aziende sia ormai diventato anche infrastrutturale.

Leggi anche: AWS porta AgentCore, Quick e Codex dentro il ciclo software enterprise

AgentCore porta i test degli agenti dentro GitHub Actions

L’accesso a modelli più potenti rende ancora più importante verificare cosa facciano realmente gli agenti costruiti sopra di essi. AWS propone quindi di integrare Amazon Bedrock AgentCore Evaluations direttamente nelle pipeline GitHub Actions. L’architettura pubblicata da AWS distribuisce temporaneamente l’agente e il relativo server MCP, esegue una batteria di prompt di test, assegna punteggi alle risposte e blocca automaticamente la pull request se il comportamento peggiora.

Il modello introduce nell’AI agentica una logica già normale nello sviluppo software: una modifica al system prompt, al modello o alla configurazione degli strumenti non deve arrivare in produzione senza regression test. È l’evoluzione naturale di AgentCore Evaluations, già utilizzabile con agenti costruiti su framework differenti attraverso telemetria standardizzata. Diventa particolarmente importante dopo le vulnerabilità che avevano mostrato come strumenti AgentCore potessero essere invocati aggirando la mediazione prevista del modello: capacità e qualità dell’agente devono essere controllate insieme alle autorizzazioni degli strumenti.

HPE Zerto applica gli agenti al disaster recovery

La stessa piattaforma viene già utilizzata in scenari molto più critici di un chatbot. HPE Zerto ha costruito con Bedrock e Strands Agents un sistema multi-agente per il troubleshooting di infrastrutture di disaster recovery e cyber resilience. La soluzione descritta da AWS e HPE Zerto viene eseguita on-premises nell’ambiente del cliente e collega gli agenti ai dati operativi reali della piattaforma, così da correlare stato dei sistemi, eventi e configurazioni durante l’analisi dei problemi.

Il valore dell’approccio non sta nel generare una risposta più elegante, ma nel ridurre il tempo necessario per ricostruire cause e dipendenze durante interruzioni, ransomware o procedure di recovery. AWS aveva già mostrato una traiettoria simile applicando agenti e RAG alla diagnostica di infrastrutture complesse e alla riduzione dei costi di analisi. HPE Zerto porta ora quella logica dentro uno dei settori nei quali un errore dell’agente può avere conseguenze operative immediate.

SageMaker G7 accelera i piccoli LLM con Blackwell

Sul livello infrastrutturale AWS confronta le istanze G5, G6 e G7 nell’inferenza di small LLM da circa 30 miliardi di parametri. Nei test pubblicati su SageMaker AI, ml.g7.12xlarge con GPU Nvidia Blackwell raggiunge circa 391 token al secondo, un throughput superiore del 60,8% rispetto a G6 e del 13% rispetto a G5. La latenza media scende rispettivamente del 37,6% e 10,8%, mentre al percentile P99 il vantaggio su G6 arriva al 54,7%.

Il dato è rilevante perché il costo dell’AI aziendale dipende sempre più dall’efficienza dell’inferenza e non soltanto dal prezzo nominale del modello. Il benchmark utilizza Qwen3-Coder-30B e Nemotron-3-Nano-30B e mostra anche un time to first token mediano vicino a 118 millisecondi su G7. AWS aveva già lavorato sull’efficienza GPU e sull’osservabilità dell’inferenza, ma l’arrivo di Blackwell sposta ulteriormente il rapporto tra risorse utilizzate, latenza e token prodotti.

HyperPod sperimenta un’architettura post-transformer bio-ispirata

SageMaker HyperPod viene invece utilizzato da Pathway per sviluppare BDH, Baby Dragon Hatchling, un’architettura bio-ispirata che prova ad andare oltre il paradigma Transformer. Il progetto descritto da AWS utilizza un grafo di neuroni che comunicano attraverso interazioni sparse e locali e mantengono stato in connessioni simili a sinapsi. La caratteristica più interessante è il ragionamento nello spazio latente: invece di produrre lunghe catene testuali intermedie, il modello affina internamente la soluzione prima dell’output. HyperPod viene utilizzato per distribuire training ed esperimenti su larga scala, proseguendo il ruolo già assunto da SageMaker nell’addestramento reinforcement learning multi-turn e nelle pipeline avanzate per Amazon Nova. Non significa che il Transformer sia prossimo alla sostituzione, ma mostra che AWS vuole offrire infrastruttura anche alle architetture che cercano alternative al modello dominante.

Feature Store e MLflow chiudono il ciclo di governance

Le modifiche meno appariscenti riguardano il livello dati. SageMaker Feature Store introduce UpdateRecord, API che permette di aggiornare fino a 100 feature di un record esistente senza leggere e riscrivere l’intero record. La documentazione AWS estende la funzione ai tier Standard basati su DynamoDB e In-Memory basati su ElastiCache, riducendo traffico e complessità nelle pipeline che modificano soltanto una parte delle feature.

Più rilevante per le organizzazioni regolamentate è la sincronizzazione tra MLflow e SageMaker AI Model Registry. Il nuovo meccanismo trasferisce automaticamente non soltanto il modello registrato, ma anche metriche di training, risultati delle valutazioni e lineage, consentendo inoltre di promuovere gli stadi del modello direttamente dal workflow MLflow. AWS descrive la nuova sincronizzazione bidirezionale come il modo per separare il lavoro dei data scientist dalla governance senza perdere un unico registro verificabile dei modelli candidati alla produzione.

Continua con:

• AWS Agent Registry governa agenti, skill e server MCP in ambiente enterprise
• AWS porta governance Dogwood e controllo dei costi negli agenti AI

Bedrock diventa il punto di ingresso, SageMaker il motore industriale

Gli annunci dell’8 settembre mostrano una divisione sempre più chiara. Amazon Bedrock diventa il punto di accesso gestito a modelli di frontiera e agenti, ora anche con GPT-6 Astra; AgentCore governa esecuzione, osservabilità e valutazione; SageMaker gestisce invece training, inferenza, feature e ciclo di vita dei modelli. Attorno a questi livelli compaiono applicazioni reali come HPE Zerto e DiDi, che sta utilizzando Bedrock per automatizzare controllo qualità e analisi vocale dei contact center su larga scala. AWS non sta quindi cercando soltanto di offrire il modello più potente disponibile. Sta costruendo la fabbrica dentro la quale modelli differenti possono essere addestrati, valutati, distribuiti, osservati e sostituiti senza cambiare l’intero impianto aziendale. GPT-6 Astra è il nome più visibile dell’aggiornamento, ma la parte strategica è l’infrastruttura che gli sta intorno: è quella che permette ad AWS di restare centrale anche quando il modello migliore arriva da OpenAI, Anthropic, Google o da una futura architettura completamente diversa dai Transformer.