Secondo Bloomberg, la startup cinese DeepSeek lancerà entro la fine del 2025 un agente di intelligenza artificiale di nuova generazione capace di gestire attività complesse a più passaggi con input minimi e apprendimento dalle azioni passate. La mossa punta a entrare nel mercato degli agenti AI, considerato il prossimo grande fronte competitivo dopo i chatbot tradizionali.
Cosa sappiamo del nuovo agente AI (R2)
L’obiettivo del progetto, indicato come R2, è superare il paradigma della semplice risposta testuale per orchestrare flussi di lavoro end‑to‑end con minore supervisione umana. A differenza dei chatbot, un agente può:
– pianificare viaggi e gestire prenotazioni integrando più servizi;
– eseguire debug e manutenzione software su cicli multi‑step;
– automatizzare processi di business (reportistica, analisi, operazioni) con feedback iterativo.
DeepSeek sostiene che il sistema imparerà dalle azioni pregresse per migliorare nel tempo, un approccio coerente con la traiettoria del settore verso agenti più autonomi e affidabili.
Evoluzione tecnica: da R1 a V3.1
La società ha attirato l’attenzione globale con R1, modello open source con forti capacità di ragionamento, sviluppato con un budget dichiarato di 6 milioni di dollari (circa 5,5 milioni di euro), nettamente inferiore ai costi associati a soluzioni come ChatGPT di OpenAI o Gemini di Google. La scelta open source ha scosso l’assunto “bigger is better”, centrato su dataset e budget massivi.
Dopo R1, il fondatore Liang Wenfeng ha rallentato la tabella di marcia, rinviando R2 per affinamenti tecnici e in parallelo al suo lavoro presso High-Flyer Asset Management. Questo approccio più cauto contrasta con l’accelerazione di player come Alibaba e Tencent.
Nel frattempo, l’aggiornamento V3.1 ha esteso la finestra di contesto a 128.000 token e incrementato i parametri a 685 miliardi, valori che mirano a migliorare memoria di lungo contesto e capacità di ragionamento su documenti complessi. Resta da vedere come tali numeri si traducano in stabilità, costi di inferenza e prestazioni reali in scenari agentici.
Policy e trasparenza dei contenuti
DeepSeek applica etichette obbligatorie di “contenuto generato dall’AI” su tutti gli output, senza possibilità di disattivazione. Questa misura, in controtendenza rispetto ad altri fornitori, può:
– favorire la tracciabilità e la conformità normativa;
– ridurre rischi reputazionali in caso di uso improprio;
– però incidere sull’adozione in contesti dove la brandizzazione AIGC è percepita come intrusiva.
Prezzo e disponibilità
Al momento non sono stati comunicati dettagli su prezzi, licenze o disponibilità geografica. Non è chiaro se R2 seguirà il modello open source di R1 o opterà per un rilascio con accesso limitato. Considerata la sensibilità del tema, il lancio sarà osservato da vicino tanto nella Silicon Valley quanto a Washington.
Contesto competitivo: gli agenti AI come nuova frontiera
Feature agentiche sono già presenti nell’offerta di OpenAI, Microsoft e Anthropic, mentre in Cina i grandi gruppi tech accelerano su modelli fondazionali e automazione. La proposta di DeepSeek si differenzia finora per:
– uso dichiarato di risorse relativamente “snelle” nella fase R1;
– scelte di trasparenza (open source, etichette AIGC obbligatorie);
– ambizione di allinearsi e, dove possibile, superare i concorrenti statunitensi nel segmento agenti.
Domande aperte che peseranno sul posizionamento di mercato:
– robustezza dell’esecuzione multi‑step in ambienti reali e rumorosi;
– costi di calcolo e scalabilità con finestre da 128k e modelli da centinaia di miliardi di parametri;
– sicurezza, contenimento degli errori e auditing delle azioni degli agenti;
– governance dei dati e conformità transfrontaliera.
La traiettoria di DeepSeek—da R1 open source a V3.1—mostra capacità di innovare con risorse contenute e una sensibilità crescente per conformità e tracciabilità. Se R2 manterrà le promesse sugli agenti autonomi, la società potrebbe ritagliarsi uno spazio credibile in un mercato oggi guidato da OpenAI, Microsoft e Anthropic. Tuttavia, il successo dipenderà dalla qualità dell’esecuzione reale: affidabilità su task prolungati, costi di esercizio sostenibili e un chiaro modello di distribuzione rimangono i veri discriminanti.
