Oak Lab by Rich Sutton: AI agents that learn by themselves

The timeline: from Montreal to the Toronto garage

Richard Sutton non è un nome nuovo nel panorama dell’intelligenza artificiale. È il co-autore del testo di riferimento sul reinforcement learning, pubblicato insieme ad Andrew Barto. Nel 2024 ha ricevuto il Turing Award, il riconoscimento più prestigioso nell’informatica. Tuttavia, invece di ritirarsi nell’accademia, ha scelto di fondare una nuova startup: Oak Lab, based in Toronto.

La notizia è stata riportata da The Decoder il 13 luglio 2026. La mossa di Sutton arriva in un momento preciso. Infatti, il mercato degli agenti AI è già affollato di soluzioni basate su LLM statici. Al contrario, Oak Lab punta su qualcosa di strutturalmente diverso: agenti che apprendono in modo continuo dall’interazione con l’ambiente.

This approach draws on the roots of classical reinforcement learning. At the same time, it projects it into a modern infrastructural context. Therefore, it is not a simple iteration on existing models.

Il nodo tecnico: perché il deep learning «non basta»

Sutton ha definito i metodi attuali di deep learning «deboli e inefficienti». È una dichiarazione forte. Pertanto, vale la pena capire cosa intende nel dettaglio.

I modelli linguistici di grandi dimensioni — GPT, Claude, Gemini — apprendono durante la fase di training. Dopo il deployment, rimangono statici. Non aggiornano la propria conoscenza in base alle interazioni successive, salvo meccanismi di fine-tuning periodici. Di conseguenza, richiedono interventi umani frequenti per restare aggiornati e rilevanti.

Un agente basato su reinforcement learning continuo, invece, si adatta in tempo reale. Impara dai feedback dell’ambiente. Quindi, nel tempo, migliora le proprie performance senza bisogno di nuovi cicli di addestramento centralizzati. Questa caratteristica è la differenza sostanziale che Oak Lab intende sfruttare. Per approfondire la distinzione tecnica tra LLM statici e sistemi ad apprendimento continuo, il MIT Technology Review provides an updated overview of the state of research.

Winners and Losers in the New Autonomous Agent Ecosystem

The establishment of Oak Lab rebalances the competitive landscape in the industry. However, not everyone emerges strengthened in the same way.

Who gains positions: companies that are building flexible infrastructures capable of integrating next-generation agents. Furthermore, automation platform vendors that update their APIs to communicate with continuous learning agents will have a structural advantage.

Who risks losing ground: le soluzioni di AI marketing basate su workflow rigidi e modelli pre-addestrati non aggiornabili. Infatti, se l’industria si muove verso agenti autonomi, le architetture chiuse diventano un limite. Analogamente, i team marketing che oggi dipendono da un unico vendor rischiano di trovarsi vincolati a tecnologie già superate.

According to the analysis of Gartner, by 2027-2028, autonomous AI agents will be integrated into major enterprise platforms. The direction indicated by Sutton accelerates this trajectory.

Reading SHM Studio: What Changes for Operational Marketing

In SHM Studio seguiamo l’evoluzione degli agenti AI con attenzione specifica alle implicazioni operative per i team marketing italiani. Pertanto, vogliamo offrire una lettura concreta, non solo accademica.

The first impression concerns the Content personalization. Un agente che apprende in modo continuo può adattare messaggi, offerte e formati in base al comportamento reale degli utenti. Non su dati storici aggregati, ma su segnali in tempo reale. Questo cambia la logica alla base della digital marketing strategy and the production of the SEO content.

The second impact concerns the campaign management. Today, optimizations on Google Ads e LinkedIn Ads avvengono su cicli settimanali o mensili. Con agenti autonomi, l’ottimizzazione diventa continua e adattiva. Di conseguenza, il ruolo del marketing manager si sposta: meno esecuzione manuale, più supervisione strategica.

The third impact concerns the customer intelligence. Agenti in grado di interagire e apprendere possono costruire modelli predittivi del comportamento cliente molto più accurati. Questo rafforza le attività di AI applied to marketing che già oggi proponiamo ai nostri clienti.

The still-open construction site: limitations and unknowns of Oak Lab

Nonostante ciò, è necessario mantenere una prospettiva critica. Oak Lab è una startup appena fondata. Non esistono ancora prodotti commerciali, né casi d’uso validati su scala industriale.

Il reinforcement learning continuo presenta sfide tecniche non banali. Prima di tutto, la stabilità dell’apprendimento in ambienti reali è difficile da garantire. Inoltre, la gestione della privacy dei dati — fondamentale in contesti europei soggetti al GDPR — diventa più complessa quando l’agente apprende in modo incrementale da interazioni utente. Quindi, le aziende italiane dovranno valutare con attenzione le implicazioni normative prima di adottare queste tecnologie.

In seguito, ci sarà da capire come Oak Lab intende posizionarsi rispetto ai grandi player: OpenAI, Google DeepMind, Anthropic. Tutti stanno lavorando su sistemi agentici. La differenza di Sutton è l’approccio teorico. Ma la distanza tra ricerca e prodotto enterprise è spesso più lunga del previsto.

Next moves: how to prepare today

Per i responsabili marketing e digital di aziende italiane, la domanda pratica è: cosa fare ora, prima che questi agenti arrivino sul mercato in forma commerciale?

First of all, it's worth Map repetitive marketing processes che oggi richiedono intervento umano frequente. Questi sono i candidati naturali all’automazione agentiva. Ad esempio, la gestione delle risposte sui canali social, l’aggiornamento dinamico delle landing page o la segmentazione continua dei lead.

In secondo luogo, è utile build flexible data infrastructure. Un agente autonomo è efficace solo se ha accesso a dati puliti, strutturati e aggiornati in tempo reale. Pertanto, investire oggi in architetture dati solide — integrate con il website e con i sistemi CRM — è una scelta che si ripagherà anche nel breve periodo.

In terzo luogo, è strategico monitorare l’evoluzione delle piattaforme esistenti. Google, Meta e LinkedIn integreranno capacità agentiche nelle proprie piattaforme pubblicitarie. Chi conosce già le logiche di ottimizzazione automatica sarà avvantaggiato nell’adottare le versioni più avanzate. Le nostre attività di SEO e digital marketing tengono già conto di questa traiettoria.

Infine, è consigliabile form internal teams sulla differenza tra AI generativa e AI agentiva. Non si tratta di dettagli tecnici. Si tratta di capire quale tipo di strumento è adatto a quale tipo di problema. Per questo, il SHM Studio Blog continuerà a pubblicare analisi operative su questi temi.

For those who want to delve deeper into the topic of AI agents from a strategic perspective, the report by McKinsey sullo stato dell’AI offers updated data on global enterprise adoption rates. Those who wish to engage with the team SHM Studio su questi temi può farlo attraverso i nostri canali di contatto.