Richard Sutton non \u00e8 un nome nuovo nel panorama dell’intelligenza artificiale. \u00c8 il co-autore del testo di riferimento sul reinforcement learning, pubblicato insieme ad Andrew Barto. Nel 2024 ha ricevuto il Turing Award<\/strong>, il riconoscimento pi\u00f9 prestigioso nell’informatica. Tuttavia, invece di ritirarsi nell’accademia, ha scelto di fondare una nuova startup: Oak Lab<\/strong>, based in Toronto.<\/p>\n La notizia \u00e8 stata riportata da The Decoder<\/a> il 13 luglio 2026. La mossa di Sutton arriva in un momento preciso. Infatti, il mercato degli agenti AI \u00e8 gi\u00e0 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.<\/p>\n 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.<\/p>\n Sutton ha definito i metodi attuali di deep learning \u00abdeboli e inefficienti\u00bb. \u00c8 una dichiarazione forte. Pertanto, vale la pena capire cosa intende nel dettaglio.<\/p>\n I modelli linguistici di grandi dimensioni \u2014 GPT, Claude, Gemini \u2014 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.<\/p>\n 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 \u00e8 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<\/a> provides an updated overview of the state of research.<\/p>\n The establishment of Oak Lab rebalances the competitive landscape in the industry. However, not everyone emerges strengthened in the same way.<\/p>\n Who gains positions:<\/strong> 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.<\/p>\n Who risks losing ground:<\/strong> 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 gi\u00e0 superate.<\/p>\n According to the analysis of Gartner<\/a>, by 2027-2028, autonomous AI agents will be integrated into major enterprise platforms. The direction indicated by Sutton accelerates this trajectory.<\/p>\n In SHM Studio<\/a> 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.<\/p>\n The first impression concerns the Content personalization<\/strong>. Un agente che apprende in modo continuo pu\u00f2 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<\/a> and the production of the SEO content<\/a>.<\/p>\n The second impact concerns the campaign management<\/strong>. Today, optimizations on Google Ads<\/a> e LinkedIn Ads<\/a> 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, pi\u00f9 supervisione strategica.<\/p>\n The third impact concerns the customer intelligence<\/strong>. Agenti in grado di interagire e apprendere possono costruire modelli predittivi del comportamento cliente molto pi\u00f9 accurati. Questo rafforza le attivit\u00e0 di AI applied to marketing<\/a> che gi\u00e0 oggi proponiamo ai nostri clienti.<\/p>\n Nonostante ci\u00f2, \u00e8 necessario mantenere una prospettiva critica. Oak Lab \u00e8 una startup appena fondata. Non esistono ancora prodotti commerciali, n\u00e9 casi d’uso validati su scala industriale.<\/p>\n Il reinforcement learning continuo presenta sfide tecniche non banali. Prima di tutto, la stabilit\u00e0 dell’apprendimento in ambienti reali \u00e8 difficile da garantire. Inoltre, la gestione della privacy dei dati \u2014 fondamentale in contesti europei soggetti al GDPR \u2014 diventa pi\u00f9 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.<\/p>\n In seguito, ci sar\u00e0 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 \u00e8 l’approccio teorico. Ma la distanza tra ricerca e prodotto enterprise \u00e8 spesso pi\u00f9 lunga del previsto.<\/p>\n Per i responsabili marketing e digital di aziende italiane, la domanda pratica \u00e8: cosa fare ora, prima che questi agenti arrivino sul mercato in forma commerciale?<\/p>\n First of all, it's worth Map repetitive marketing processes<\/strong> 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.<\/p>\n In secondo luogo, \u00e8 utile build flexible data infrastructure<\/strong>. Un agente autonomo \u00e8 efficace solo se ha accesso a dati puliti, strutturati e aggiornati in tempo reale. Pertanto, investire oggi in architetture dati solide \u2014 integrate con il website<\/a> e con i sistemi CRM \u2014 \u00e8 una scelta che si ripagher\u00e0 anche nel breve periodo.<\/p>\n In terzo luogo, \u00e8 strategico monitorare l’evoluzione delle piattaforme esistenti<\/strong>. Google, Meta e LinkedIn integreranno capacit\u00e0 agentiche nelle proprie piattaforme pubblicitarie. Chi conosce gi\u00e0 le logiche di ottimizzazione automatica sar\u00e0 avvantaggiato nell’adottare le versioni pi\u00f9 avanzate. Le nostre attivit\u00e0 di SEO<\/a> e digital marketing<\/a> tengono gi\u00e0 conto di questa traiettoria.<\/p>\n Infine, \u00e8 consigliabile form internal teams<\/strong> sulla differenza tra AI generativa e AI agentiva. Non si tratta di dettagli tecnici. Si tratta di capire quale tipo di strumento \u00e8 adatto a quale tipo di problema. Per questo, il SHM Studio Blog<\/a> continuer\u00e0 a pubblicare analisi operative su questi temi.<\/p>\n 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<\/a> offers updated data on global enterprise adoption rates. Those who wish to engage with the team SHM Studio<\/a> su questi temi pu\u00f2 farlo attraverso i nostri canali di contatto.<\/p>","protected":false},"excerpt":{"rendered":" Rich Sutton founded Oak Lab in Toronto to build continuously learning AI agents. Concrete implications for marketing automation and customer intelligence.<\/p>","protected":false},"author":7,"featured_media":24559,"template":"","meta":{"_acf_changed":false,"footnotes":""},"tags":[],"news-category":[162],"class_list":["post-24563","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-ai","entry"],"acf":{"tldr_content":" Richard Sutton, vincitore del Turing Award 2024 e padre del reinforcement learning moderno, ha fondato Oak Lab<\/strong> a Toronto. L'obiettivo \u00e8 costruire agenti AI capaci di apprendere in modo continuo dall'ambiente, senza supervisione umana costante. Sutton definisce i metodi attuali di deep learning \u00abdeboli e inefficienti\u00bb. Pertanto, la nuova startup punta a un cambio di paradigma radicale.<\/p> Tuttavia, la notizia non riguarda solo il mondo della ricerca. Di conseguenza, chi si occupa di marketing e digital strategy deve iniziare a ragionare sulle implicazioni operative. Agenti autonomi in grado di adattarsi in tempo reale possono trasformare la personalizzazione dei contenuti, la gestione delle campagne e la customer intelligence. Infatti, la differenza rispetto agli LLM statici \u00e8 sostanziale: un agente che apprende non richiede continui aggiornamenti manuali del modello.<\/p> In SHM Studio monitoriamo da vicino questi sviluppi. Tra l'altro, l'evoluzione verso agenti AI autonomi cambia le basi su cui costruire oggi le architetture di automazione marketing. Pertanto, comprendere la direzione che Oak Lab intende percorrere \u00e8 gi\u00e0 un vantaggio competitivo per i responsabili marketing italiani che vogliono anticipare il mercato.<\/p>"},"yoast_head":"\nIl nodo tecnico: perch\u00e9 il deep learning \u00abnon basta\u00bb<\/h2>\n
Winners and Losers in the New Autonomous Agent Ecosystem<\/h2>\n
Reading SHM Studio: What Changes for Operational Marketing<\/h2>\n
The still-open construction site: limitations and unknowns of Oak Lab<\/h2>\n
Next moves: how to prepare today<\/h2>\n