AWS industrializza l’AI enterprise: Quick arriva sul desktop e Bedrock diventa multimodale

☁️ Punti chiave

• Amazon Quick arriva in disponibilità generale su Windows e macOS per portare assistenti e automazioni AI direttamente nei flussi di lavoro aziendali.
• Bedrock Knowledge Bases integra Marengo 3.0 per cercare semanticamente video, immagini e audio senza costruire pipeline multimodali separate.
• SageMaker riduce latenza e cold start, mentre AWS rafforza valutazione degli agenti, protezione PII e accesso a Redshift da ChatGPT Work.

AWS sta spostando l’intelligenza artificiale enterprise dalla fase della sperimentazione a quella dell’infrastruttura quotidiana. Il nuovo ciclo di aggiornamenti mette insieme Amazon Quick, ora disponibile come applicazione desktop nativa per Windows e macOS, ricerca multimodale in Amazon Bedrock Knowledge Bases, nuove ottimizzazioni dell’inferenza su SageMaker e HyperPod, metriche più granulari per valutare gli agenti e strumenti destinati alla protezione delle informazioni personali. Il quadro si completa con l’integrazione tra Amazon Redshift e ChatGPT Work, che porta l’analisi dei dati governati direttamente dentro una conversazione. Il filo comune non è il lancio di un nuovo modello: è la costruzione dei componenti necessari perché agenti e LLM possano essere usati stabilmente nei processi aziendali.

Amazon Quick arriva sul desktop e porta gli agenti dentro Windows e macOS

La prima novità riguarda Amazon Quick, da non confondere con il precedente marchio Amazon Q. AWS ha portato in disponibilità generale l’applicazione desktop di Quick per Windows e macOS, dopo aver progressivamente trasformato la piattaforma da strumento di business intelligence in ambiente per assistenti, ricerca aziendale e automazioni agentiche. Secondo l’annuncio ufficiale AWS, l’obiettivo è consentire ai dipendenti di lavorare con dati e agenti senza spostarsi continuamente tra applicazioni, mantenendo conversazioni e informazioni nel perimetro governato dall’organizzazione. La versione mobile riceve parallelamente un activity feed che aggrega email, calendario, CRM e messaggistica, lasciando agli agenti la gestione delle attività più ripetitive.

Il passaggio è coerente con la trasformazione già osservata quando AWS ha portato AgentCore, Quick e Codex dentro il ciclo software enterprise. Quick sta diventando il livello applicativo visibile agli utenti, mentre Bedrock, AgentCore, SageMaker e i servizi dati restano sotto il cofano. La stessa logica emerge nell’automazione degli RFI, dove Quick Automate può leggere workbook complessi da S3, estrarre domande e gerarchie, trasformarle in dati strutturati e produrre CSV attraverso workflow generati in linguaggio naturale. AWS descrive un sistema multi-agent capace di coprire ingestione, trasformazione, validazione e output senza richiedere codice personalizzato per i casi più comuni.

Bedrock cerca dentro video e immagini con Marengo 3.0

Sul livello dei dati, Amazon Bedrock Knowledge Bases aggiunge un tassello rilevante con la disponibilità generale di TwelveLabs Marengo Embed 3.0. Il modello crea embedding congiunti per video, audio, immagini e testo all’interno di uno spazio vettoriale a 512 dimensioni, permettendo di interrogare contenuti multimediali con domande in linguaggio naturale. Un archivio sportivo può cercare “il rigore del secondo tempo”, un sistema di sicurezza può individuare eventi specifici in ore di registrazioni e un media company può interrogare semanticamente un catalogo video senza dipendere soltanto da metadati e trascrizioni.

La parte più importante è l’astrazione dell’infrastruttura. Bedrock può occuparsi di segmentazione, campionamento dei frame, trascrizione, embedding, indicizzazione e retrieval senza costringere il cliente a collegare manualmente servizi separati. Sono supportati video MP4 e MOV, immagini JPEG e PNG e sorgenti come Amazon S3, SharePoint e Confluence. Il percorso completa la strategia già descritta con AWS Agent Registry e Bedrock come livello governato per agenti, retrieval e strumenti enterprise: il RAG non riguarda più soltanto PDF e documenti testuali, ma diventa progressivamente multimodale.

Leggi anche: AWS porta agenti AI, fine-tuning e Kafka verso una piattaforma enterprise integrata

SageMaker attacca due costi dell’inferenza: prefissi ripetuti e cold start

AWS interviene contemporaneamente su due dei problemi meno visibili ma più costosi dell’inferenza LLM. Prefix-Aware Routing su SageMaker Inference riconosce richieste che condividono la stessa parte iniziale del prompt e cerca di inviarle alla medesima istanza, così da riutilizzare la KV cache già calcolata. Nei benchmark AWS con Llama 3.1 70B e prefissi condivisi da 8.000 token, la strategia ha ridotto il P50 time-to-first-token fino al 77%, aumentato il throughput fino al 16% e portato il cache hit rate da circa il 25% a oltre l’80%. È un’ottimizzazione particolarmente rilevante per assistenti aziendali, coding agent e sistemi che ripetono a ogni richiesta lunghe istruzioni, policy o documenti contestuali. La funzione opera a livello di routing e non richiede modifiche al modello, purché il serving framework utilizzi il prefix caching. SageMaker mantiene inoltre protezioni contro sovraccarichi e ribilanciamento durante lo scaling. La direzione prosegue quella emersa con GPT-6 Astra su Amazon Bedrock e l’industrializzazione dell’inferenza AWS, dove l’attenzione si era già spostata dal solo modello alla capacità di servirlo, valutarlo e governarlo in produzione. SageMaker HyperPod affronta invece i cold start con il model caching. Prima di questa funzione, avviare un pod poteva richiedere il download dell’immagine del container e poi di centinaia di gigabyte di pesi del modello. AWS cita modelli superiori ai 600 GB, come DeepSeek-R1, per i quali il caricamento può superare i 30 minuti. Il nuovo sistema precarica immagini e pesi sugli NVMe locali dei nodi, dove la lettura può raggiungere circa 7 GB/s: nei test AWS il caching dei pesi riduce il tempo di scale-out di circa il 60%, mentre la cache delle immagini elimina fino al 97% del tempo necessario al pull del container.

Gli agenti vengono misurati per turno e la privacy entra nella pipeline

Il passaggio dalla demo alla produzione richiede anche strumenti per capire dove un agente sbaglia. AWS propone l’Agent Evaluation Metric, o AEM, una metodologia che analizza le conversazioni multi-turno distinguendo errori originari e fallimenti successivi provocati a cascata. Un agente che utilizza il parametro sbagliato al secondo turno può continuare a produrre risposte formalmente coerenti ma basate su quell’errore iniziale: valutare soltanto il risultato finale nasconde la causa. AEM scompone quindi la correttezza in truthfulness e completeness, aggiungendo categorie per tool errato, azione errata, parametri mancanti o valori incoerenti. Il problema della governance si estende ai dati usati per addestrare e personalizzare i modelli. AWS ha pubblicato anche un detector PII model-agnostic guidato da istruzioni, capace di funzionare con modelli differenti e di modificare le categorie ricercate attraverso il prompt anziché attraverso un nuovo training. Nei test su cinque dataset pubblici e nove detector basati su LLM, AWS riporta Core F1 tra 74,9% e 83,1%, mentre l’estensione dello schema a identificatori personalizzati aumenta drasticamente la capacità di trovare categorie non previste dai tradizionali modelli token-classification. La soluzione può funzionare su Bedrock oppure attraverso backend personalizzati in ambienti controllati. Il tema non è secondario: AWS aveva già concentrato AgentCore su policy, governance e controllo dei costi. Con valutazione turn-by-turn e rilevamento configurabile delle PII, la governance entra ora direttamente nelle pipeline di sviluppo e validazione.

Continua con:

• AWS ottimizza l’inferenza AI con GPT-5.6, agenti creativi e GPU più efficienti
• AWS abbassa i costi dei dati e porta l’AI agentica nei processi enterprise

Redshift entra in ChatGPT Work e chiude il cerchio tra dati e agenti

Il passaggio più indicativo sul piano strategico riguarda infine Amazon Redshift. AWS ha annunciato l’AWS Data Analytics plugin per il Data agent di ChatGPT Work, che consente agli utenti autorizzati di interrogare in linguaggio naturale dati governati presenti nei warehouse e nei data lake collegati a Redshift. L’agente può scoprire schemi, tabelle e colonne accessibili all’utente, tradurre una domanda in SQL, eseguire la query, presentare i risultati e costruire dashboard condivisibili senza uscire dalla conversazione. Restano applicati i controlli di accesso già esistenti nell’ambiente AWS. È probabilmente il segnale più chiaro della fase raggiunta dall’AI enterprise. AWS non sta più tentando soltanto di convincere le aziende a utilizzare un chatbot o un nuovo foundation model. Quick porta l’agente sul desktop, Bedrock rende interrogabili contenuti multimodali, SageMaker riduce il costo operativo dell’inferenza, AEM misura i fallimenti, gli strumenti PII controllano i dati e Redshift espone analytics governati direttamente dentro ChatGPT Work. La competizione si sta quindi spostando dal modello più impressionante allo stack capace di farlo lavorare con dati, identità, strumenti e infrastruttura aziendale senza trasformare ogni progetto AI in un’integrazione costruita da zero.