Airtable sta applicando la sua filosofia di progettazione data-first agli agenti AI con il debutto di Superagent martedì. È un agente di ricerca autonomo che schiera crew di agenti specializzati nell’intelligenza artificiale che lavorano in parallelo per completare compiti di ricerca.
L’innovazione tecnica risiede nel modo in cui l’orchestratore di Superagent mantiene il contesto. I precedenti sistemi advert agenti utilizzavano un semplice routing del modello in cui un intermediario filtrava le informazioni tra i modelli. L’orchestratore di Airtable mantiene la piena visibilità sull’intero percorso di esecuzione: il piano iniziale, le fasi di esecuzione e i risultati del sub-agente. Questo crea quello che il co-fondatore Howie Liu chiama “un viaggio coerente” in cui l’orchestratore prende tutte le decisioni lungo il percorso. “Alla high-quality tutto dipende da come si sfrutta la capacità autoriflessiva del modello”, ha detto Liu a VentureBeat. Liu ha co-fondato Airtable più di una dozzina di anni fa con al centro un database relazionale basato su cloud.
Airtable ha costruito la propria attività su una scommessa singolare: il software program dovrebbe adattarsi al modo in cui le persone lavorano, e non il contrario. Questa filosofia ha alimentato la crescita di oltre 500.000 organizzazioni, compreso l’80% delle aziende Fortune 100, che utilizzano la sua piattaforma per creare applicazioni personalizzate adatte ai loro flussi di lavoro.
La tecnologia Superagent è un’evoluzione delle funzionalità originariamente sviluppate da DeepSky (precedentemente noto come Gradient), che Airtable ha acquisito nell’ottobre 2025.
Dai dati strutturati agli agenti in formato libero
Liu definisce Airtable e Superagent come fattori di forma complementari che insieme soddisfano numerous esigenze aziendali. Airtable fornisce le basi strutturate e Superagent gestisce attività di ricerca non strutturate.
“Ovviamente abbiamo iniziato con un livello dati. Si chiama Airtable: è una tabella di dati”, ha detto Liu.
La piattaforma si è evoluta come un’impalcatura attorno a quel database principale con funzionalità di flusso di lavoro, automazioni e interfacce scalabili per migliaia di utenti. “Penso che Superagent sia un fattore di forma molto complementare, molto non strutturato”, ha affermato Liu. “Questi agenti sono, per natura, in forma molto libera.”
La decisione di creare funzionalità in formato libero riflette le conoscenze del settore sull’utilizzo di modelli sempre più capaci. Liu ha affermato che poiché i modelli sono diventati più intelligenti, il modo migliore per utilizzarli è avere meno restrizioni sul loro funzionamento.
Come funziona il sistema multi-agente di Superagent
Quando un utente invia una question, l’orchestratore crea un piano visibile che suddivide la ricerca complessa in flussi di lavoro paralleli. Quindi, advert esempio, se stai ricercando un’azienda per investimenti, lo suddividerà in numerous parti di story attività, come la ricerca sul crew, la ricerca sulla storia dei finanziamenti, la ricerca sul panorama competitivo. Ogni flusso di lavoro viene delegato a un agente specializzato che viene eseguito in modo indipendente. Questi agenti lavorano in parallelo, il loro lavoro è coordinato dal sistema, ciascuno contribuendo con la propria parte all’insieme.
Sebbene Airtable descriva Superagent come un sistema multi-agente, si basa su un orchestratore centrale che pianifica, invia e monitora le attività secondarie: un modello più controllato rispetto agli agenti completamente autonomi.
L’orchestratore di Airtable mantiene la piena visibilità sull’intero percorso di esecuzione: il piano iniziale, le fasi di esecuzione e i risultati del sub-agente. Questo crea quello che Liu chiama “un viaggio coerente” in cui l’orchestratore prende tutte le decisioni lungo il percorso. L’approccio dell’agente secondario aggrega i risultati puliti senza inquinare il contesto dell’orchestratore principale. Superagent utilizza più modelli di frontiera per numerous attività secondarie, tra cui OpenAI, Anthropic e Google.
Ciò risolve due problemi: gestisce le finestre di contesto aggregando i risultati puliti senza inquinamento e consente l’adattamento durante l’esecuzione.
“Forse ha provato a svolgere un compito di ricerca in un certo modo ma non ha funzionato, non è riuscito a trovare le informazioni giuste e poi ha deciso di provare qualcos’altro”, ha detto Liu. “Sa che ha provato la prima cosa e non ha funzionato. Quindi non commetterà di nuovo lo stesso errore.”
Perché la semantica dei dati determina le prestazioni dell’agente
Dal punto di vista del costruttore, Liu sostiene che le prestazioni dell’agente dipendono più dalla qualità della struttura dei dati che dalla selezione del modello o dall’ingegneria tempestiva. Si è basato sull’esperienza di Airtable costruendo uno strumento interno di analisi dei dati per capire cosa funziona.
L’esperimento dello strumento interno ha rivelato che la preparazione dei dati ha richiesto più impegno rispetto alla configurazione dell’agente.
“Abbiamo scoperto che la parte più difficile da risolvere non period in realtà l’imbracatura dell’agente, ma la maggior parte della salsa speciale aveva più a che fare con il massaggio della semantica dei dati”, ha detto Liu. “Gli agenti traggono davvero vantaggio da una buona semantica dei dati.”
Il lavoro di preparazione dei dati si è concentrato su tre aree: ristrutturare i dati in modo che gli agenti potessero trovare le tabelle e i campi giusti, chiarire cosa rappresentano tali campi e garantire che gli agenti possano utilizzarli in modo affidabile nelle question e nelle analisi.
Cosa devono sapere le imprese
Per le organizzazioni che valutano sistemi multi-agente o creano implementazioni personalizzate, l’esperienza di Liu indica numerous priorità tecniche.
L’architettura dei dati precede la distribuzione dell’agente. L’esperimento interno ha dimostrato che le aziende dovrebbero aspettarsi che la preparazione dei dati consumi più risorse rispetto alla configurazione dell’agente. Le organizzazioni con dati non strutturati o documentazione dello schema scarsa avranno difficoltà con l’affidabilità e la precisione dell’agente, indipendentemente dalla sofisticazione del modello.
La gestione del contesto è fondamentale. Unire semplicemente diversi LLM insieme per creare un flusso di lavoro agente non è sufficiente. È necessario che vi sia un adeguato orchestratore del contesto in grado di mantenere lo stato e le informazioni con una visione dell’intero flusso di lavoro.
I database relazionali contano. L’architettura del database relazionale fornisce una semantica più pulita per la navigazione dell’agente rispetto agli archivi documenti o ai repository non strutturati. Le organizzazioni che standardizzano NoSQL per motivi di prestazioni dovrebbero prendere in considerazione la possibilità di mantenere visualizzazioni o schemi relazionali per l’utilizzo degli agenti.
L’orchestrazione richiede capacità di pianificazione. Proprio come un database relazionale dispone di un pianificatore di question per ottimizzare i risultati, i flussi di lavoro degli agenti necessitano di un livello di orchestrazione che pianifichi e gestisca i risultati.
“Quindi la battuta finale e la versione breve è che molto si riduce advert avere un ottimo livello di pianificazione ed orchestrazione dell’esecuzione per l’agente e alla capacità di sfruttare appieno i modelli per ciò in cui sono bravi”, ha detto Liu.
