Anthropic dona Agent Skills, il repository delle competenze AI ha un nuovo custode

Il 22 ottobre 2026, Anthropic ha annunciato di aver donato Agent Skills alla AAIF, la fondazione per l'intelligenza artificiale degli agenti sotto la Linux Foundation. Il trasferimento include il nome del progetto, il logo, l'organizzazione GitHub e il dominio ufficiale, e sarà mantenuto da ingegneri provenienti da diverse aziende.

Agent Skills conserva i metodi operativi di una categoria di lavoro in file leggibili dall'AI durante l'esecuzione dei compiti. Il team ha organizzato passaggi, modelli, materiali di riferimento e script necessari in un pacchetto di competenze, caricando contenuti pertinenti in base al compito. I requisiti di lavoro che prima richiedevano spiegazioni ripetute da parte dell'utente ora possono essere salvati, modificati e richiamati.

Per molti che già utilizzano l'AI per il lavoro, questo è facile da capire: il modello è già in grado di scrivere molte cose, ma ciò che richiede tempo è spesso la correzione ripetuta del suo operato. Dove devono essere posizionati i file, quale versione è utilizzabile, quali cose devono essere confermate prima, perché lo stesso errore si ripresenta. Il pacchetto di competenze cerca di conservare queste esperienze specifiche, e questa donazione risponde ulteriormente alla domanda su chi manterrà questo formato e come diverse piattaforme possano utilizzarlo insieme.

▌ 1. Mettere i metodi di lavoro in una cartella

Immagina un team editoriale che deve completare ricerche, scrittura di articoli, creazione di immagini e revisione ogni settimana. Il team ha già abitudini fisse per titoli, dimensioni dei grafici, metodi di verifica dei materiali e directory di consegna. Se ogni volta si devono riscrivere questi requisiti nella conversazione, non solo richiede tempo, ma è facile dimenticare uno o due punti.

Il team può organizzarli in un pacchetto di competenze. All'interno c'è una spiegazione che indica all'AI quando utilizzare questo processo, quali materiali leggere prima e in quale ordine completare il lavoro; accanto ci sono modelli di layout, liste di controllo e piccoli programmi per gestire i file. In futuro, quando si presenta lo stesso compito, l'AI può procedere seguendo il metodo già esistente.

Nella specifica di Agent Skills, questa spiegazione centrale è chiamata SKILL.md. Contiene prima il nome delle competenze e una descrizione dell'uso, seguita da istruzioni operative scritte in testo normale. Se sono necessari ulteriori materiali, possono essere salvati come file di riferimento, script e risorse, e poi indicati nella spiegazione. Gli editor possono comprendere il contenuto del processo, e gli sviluppatori possono continuare ad aggiungere parti di elaborazione automatica.

Questo modo di organizzare consente al team di chiarire le esperienze implicite. Ad esempio, "i grafici devono essere adatti alla lettura su smartphone" è ancora piuttosto generico; scriverlo ulteriormente come dimensione minima, quantità di informazioni per ogni grafico, dimensione dell'anteprima e metodo di verifica rende più facile ottenere risultati coerenti durante l'esecuzione. L'utilità del pacchetto di competenze dipende in gran parte dalla capacità di organizzare queste esperienze in requisiti operativi.

Dovrebbero anche essere conservati i criteri di conclusione del compito. Il processo editoriale può stabilire che, una volta che il testo raggiunge la lunghezza concordata, le fonti possono essere tracciate e le immagini sono state inserite e completate in anteprima, si può procedere alla revisione. L'AI può quindi controllare se la propria consegna è completa, e l'utente può accettare secondo gli stessi standard, riducendo il divario tra "sembra già completato" e "effettivamente utilizzabile".

Se il team scopre nuovi errori durante l'uso, può tornare allo stesso pacchetto di competenze per modificarlo. Quando si continua a eseguire la settimana successiva, il metodo migliorato è ancora presente. Per attività ripetitive, questa revisione continua è più efficace rispetto a promemoria temporanei ogni volta.

Si può anche fornire un esempio già approvato per le competenze. Ad esempio, un rapporto formattato correttamente, con annotazioni su quale parte corrisponde al testo, alle immagini e ai file di origine. Durante l'esecuzione, l'AI ha un riferimento concreto, e durante la revisione umana è possibile identificare dove si verifica una deviazione nell'output. Le informazioni sui clienti e i fatti scaduti nell'esempio devono essere gestiti in anticipo, mantenendo solo i metodi e le strutture riutilizzabili.

▌ 2. Come trova l'AI le competenze appropriate

Con l'aumento delle competenze, emerge un'altra questione: fornire tutte le spiegazioni al modello per ogni compito occuperebbe una grande quantità di contesto e potrebbe far sì che requisiti non pertinenti interferiscano con il lavoro attuale. Agent Skills adotta un approccio di lettura stratificata, consentendo prima all'AI di vedere il nome e l'uso delle competenze, caricando la spiegazione completa solo dopo aver abbinato il compito, e continuando a leggere i file pertinenti se necessario.

Ad esempio, se l'utente richiede solo "organizzare le modifiche non risolte nel contratto", l'AI può prima identificare la competenza di revisione del contratto, senza dover leggere contemporaneamente tutte le regole per la creazione della copertina, il conteggio del traffico o l'organizzazione delle fatture. Quando si tratta effettivamente del contratto, si apre il modello e l'elenco delle clausole corrispondenti secondo le istruzioni.

Qui l'abbinamento dipende dalla chiarezza della descrizione dell'uso. "Elaborare file" ha un ambito troppo ampio, mentre "organizzare le osservazioni di revisione dei contratti esistenti e generare un elenco da confermare" rende più facile determinare lo scenario d'uso. Per team di grandi dimensioni, la manutenzione del repository delle competenze include anche la fusione di competenze duplicate, la pulizia di passaggi obsoleti e la spiegazione di come i processi adiacenti si dividono il lavoro.

Anche i materiali di riferimento devono essere suddivisi. I requisiti comuni vengono inseriti nella spiegazione principale, mentre leggi, modelli di clienti o documenti tecnici più lunghi vengono letti secondo necessità. Questo riduce il tempo che il modello impiega a cercare tra un gran numero di materiali e facilita l'aggiornamento di una parte del contenuto senza dover copiare l'intero processo.

Quando il processo richiede l'esecuzione di script, è necessario anche verificare se l'ambiente di esecuzione dispone degli strumenti necessari. Ad esempio, una competenza richiede di convertire una tabella in un grafico, ma l'esecuzione richiede comunque un programma di elaborazione dati, font e posizione di output disponibili. Il pacchetto di competenze descrive il metodo, la piattaforma è responsabile della fornitura delle condizioni di esecuzione, e i due devono essere connessi prima dell'uso.

Pertanto, la migrazione tra piattaforme è più adatta per testare un piccolo gruppo di compiti reali. Quando la stessa competenza viene trasferita a un altro strumento AI, il percorso dei file, le interfacce disponibili, i metodi di approvazione e i formati di output possono cambiare. Registrare queste differenze consente al team di formare gradualmente un vero e proprio repository di competenze riutilizzabili.

La lettura su richiesta consente di gestire separatamente metodi comuni e materiali di riferimento dettagliati.

▌ 3. Questa donazione cambia chi mantiene le regole

Agent Skills è originariamente emerso dalla pratica dei prodotti di Anthropic, lanciato nell'ottobre 2025 e pubblicato come standard aperto nel dicembre dello stesso anno. L'annuncio afferma che oltre 70 piattaforme di agenti supportano già questo formato. Questo numero riflette la situazione di accesso all'ecosistema dichiarata dai fornitori, mentre l'efficacia reale dell'uso deve essere osservata in base ai compiti specifici.

Con l'aumento dei partecipanti, le modifiche al formato influenzeranno più team. Come viene interpretato un campo, se la nuova versione è compatibile con le competenze precedenti, se la piattaforma può aggiungere le proprie estensioni, tutto ciò può influenzare i flussi di lavoro già accumulati dalle aziende. Dopo il trasferimento del progetto all'AAIF, queste questioni hanno ottenuto una base organizzativa per la discussione e la manutenzione comune.

L'arrangiamento annunciato da Anthropic prevede che ingegneri di diverse aziende partecipino alla manutenzione a titolo personale, con David Soria Parra e Mahesh Murag come principali manutentori. Utilizzare lo standard o contribuire non richiede di diventare membri della fondazione in anticipo. Il progetto ha anche proposto direzioni future come la gestione delle versioni, il processo di proposta formale e le linee guida di sicurezza.

Per gli utenti aziendali, la gestione delle versioni è particolarmente importante. Una competenza confermata dal team dovrebbe essere in grado di indicare a quale versione dello standard, quale versione del modello e quali strumenti si basa. Se sorgono problemi dopo un aggiornamento, dovrebbe esserci un modo per tornare a una versione che funzionava correttamente in precedenza, piuttosto che fare affidamento su registrazioni di chat per ricostruire requisiti precedenti.

Per gli sviluppatori di piattaforme, la manutenzione comune aiuta a ridurre il design duplicato. Diverse piattaforme possono fornire strumenti di caricamento, verifica e gestione attorno alla stessa struttura di file, continuando a migliorare l'esperienza del proprio prodotto. Anche i materiali di processo già esistenti nelle aziende sono più facili da conservare, con i costi di migrazione concentrati principalmente sull'adattamento ambientale e sulla verifica dei risultati.

L'effetto della governance standard si rifletterà gradualmente nella manutenzione quotidiana. Chi si occupa dei problemi, come vengono discussi i cambiamenti, come vengono segnalati i difetti di sicurezza, quanto a lungo vengono mantenute le versioni precedenti, sono tutti aspetti che gli utenti possono percepire concretamente. Con l'attuazione della roadmap, le aziende possono regolare la frequenza degli aggiornamenti delle competenze interne e i metodi di approvazione.

Esempio di generazione AI

▌ 4. Strumenti di connessione e organizzazione dei processi hanno ciascuno il proprio ruolo

Parlando di infrastrutture per agenti, un altro nome che appare frequentemente è MCP, ovvero protocollo di contesto del modello. Aiuta le applicazioni AI a connettersi a strumenti esterni e fonti di dati. Agent Skills è più adatto a conservare i passaggi e le esperienze per completare un certo tipo di lavoro, e i due possono essere utilizzati insieme nello stesso compito.

Prendiamo come esempio il lavoro editoriale, l'AI legge articoli dal database connesso agli strumenti e comprende, attraverso le competenze, quali fonti sono prioritarie, come registrare i risultati di verifica e quando entrare nella fase di scrittura. Il primo fornisce contenuti e operazioni accessibili, il secondo organizza il metodo di esecuzione del compito.

Questa divisione si applica anche al servizio clienti. Gli strumenti si occupano di interrogare ordini, leggere stati di spedizione, creare ticket; le spiegazioni delle competenze indicano quali problemi controllare prima, come determinare il percorso di gestione e quali richieste necessitano di intervento umano. Le aziende possono aggiornare separatamente le interfacce di sistema e le regole di servizio, senza dover trasformare ogni modifica di processo in uno sviluppo software.

Nel lavoro legale, le competenze possono conservare l'ordine di revisione dei contratti, la classificazione delle clausole e il formato di output delle osservazioni. Durante l'esecuzione, è comunque necessario leggere il contratto attuale, le leggi applicabili e le esigenze del cliente. Separando i metodi stabili dai fatti che cambiano ogni volta, il team può evitare di portare le conclusioni specifiche del progetto precedente in nuove questioni.

Questo è anche legato all'aggiornamento delle conoscenze. Le date di applicazione, le aree e le versioni dei documenti devono essere conservate insieme ai materiali di riferimento. Dopo un cambiamento di politica, i manutentori possono sostituire i documenti corrispondenti e verificare quali competenze li hanno citati. Per i team di ricerca normativa e servizi legali, questo è più facile da controllare rispetto a un semplice accumulo di documenti.

Il repository delle competenze ha anche uno scopo organizzativo: far vedere ai nuovi arrivati come i dipendenti esperti completano il lavoro. Molti processi esistevano in precedenza solo come esperienza personale e durante il passaggio potevano essere spiegati solo a voce. L'organizzazione delle competenze spinge il team a scrivere le fasi soggette a errore, le eccezioni e i metodi di accettazione, per l'uso da parte di persone e AI.

MCP e Agent Skills possono collaborare nello stesso compito.

▌ 5. Installare competenze implica anche introdurre nuove dipendenze lavorative

Un pacchetto di competenze può contenere sia spiegazioni generali che script, collegamenti esterni e requisiti per l'uso di strumenti. Una volta selezionato dall'AI, può influenzare la lettura dei file, il trasferimento dei dati e le operazioni effettive. Pertanto, quando le aziende introducono competenze esterne, devono controllare sia la fonte dei contenuti che i permessi di esecuzione.

Una competenza apparentemente destinata a organizzare fatture potrebbe richiedere l'accesso all'intero catalogo dei documenti; uno script per generare rapporti potrebbe collegarsi a server esterni. Gli auditor devono sapere quale relazione esiste tra questi accessi e i compiti, se è possibile restringere l'ambito e dove vengono conservati i registri di esecuzione. Limitare i permessi ai file e agli strumenti realmente necessari può ridurre l'impatto delle operazioni errate.

OWASP discute il problema della modifica del comportamento del modello da parte di contenuti esterni nelle sue linee guida sui rischi di iniezione di prompt. Quando l'IA legge pagine web, documenti o altri materiali, potrebbe imbattersi in istruzioni operative incorporate. Se questi contenuti vengono eseguiti come richieste affidabili, il modello potrebbe deviare dal compito originariamente assegnato dall'utente.

L'uso delle competenze può anche affrontare questi problemi. I team devono controllare le competenze stesse e garantire che l'ambiente di esecuzione distingua tra requisiti di lavoro e materiali esterni. Operazioni come pagamenti, invio di email e modifiche ai sistemi di produzione dovrebbero essere soggette a una revisione manuale adeguata, mentre i permessi di file e rete dovrebbero essere controllati dal sistema di esecuzione reale, evitando di mantenere i confini solo con un testo.

Il campo allowed-tools nelle attuali normative è ancora contrassegnato come contenuto sperimentale, e il suo supporto dipende dalla piattaforma specifica. Pertanto, le aziende possono elencare gli strumenti necessari nella descrizione delle competenze e controllare l'ambito reale disponibile nelle impostazioni dei permessi della piattaforma. Durante i test, è utile osservare i registri delle chiamate agli strumenti per confermare che il processo di esecuzione sia coerente con il design.

Quando si introducono competenze esterne, è necessario esaminare separatamente le licenze d'uso. Le normative consentono agli autori di compilare il campo license o di puntare a documenti di licenza, ma questo campo non è obbligatorio. I team dovrebbero confermare come possono essere utilizzati codice, modelli e materiali inclusi, conservando le licenze e le versioni corrispondenti; per le parti senza spiegazione della licenza, contattare prima l'autore per confermare e poi includerle nel processo interno.

Gli aggiornamenti delle competenze esterne dovrebbero anche essere registrati. I team possono prima fissare l'uso delle versioni già controllate e poi valutare regolarmente i contenuti degli aggiornamenti. Se una competenza aggiunge improvvisamente azioni di rete, dipende da nuovi programmi o richiede maggiori permessi, i manutentori avranno l'opportunità di comprendere le modifiche prima del lancio, senza dover aspettare che si verifichino anomalie per indagare.

Per le istituzioni con un gran numero di dati dei clienti, è necessario controllare se i modelli e gli esempi nelle competenze contengono contenuti riservati. Quando si organizza l'esperienza interna in competenze pubbliche, nomi specifici dei clienti, frammenti di contratti e informazioni personali devono essere trattati. I processi pubblici e i materiali interni possono essere conservati separatamente, riducendo le possibilità di trasmettere erroneamente l'intero file di progetto.

▌ Sei, le aziende possono iniziare a organizzare un lavoro ripetitivo

Costruire un repository di competenze può iniziare con compiti frequenti, ben definiti e facilmente verificabili. Ad esempio, organizzare rapporti settimanali, archiviare commenti sui contratti, generare liste di cose da fare per le riunioni o preparare pacchetti di revisione articoli in un formato fisso. I team dovrebbero prima chiarire le pratiche esistenti e poi far eseguire all'IA alcuni cicli, il che è solitamente più facile per identificare problemi rispetto a cercare di coprire completamente tutte le operazioni fin dall'inizio.

Quando si preparano i materiali, si può risalire all'ultima consegna riuscita. Quali erano gli input, quali materiali sono stati consultati dal personale, quali passaggi sono stati completati e come è stata infine valutata la consegna. Dopo aver organizzato il processo reale, aggiungere anche le procedure per gestire gli errori, dando così alla competenza un punto di partenza affidabile.

I materiali di test dovrebbero includere anche eccezioni comuni. Pagine di contratto mancanti, link di origine non funzionanti, campi di modulo incoerenti, immagini senza registrazione di autorizzazione, queste situazioni influenzeranno direttamente la consegna. I team devono osservare se l'IA è in grado di rilevare le lacune, mantenere i risultati esistenti e indicare il passo successivo, piuttosto che continuare a generare un documento apparentemente completo in condizioni insufficienti.

La valutazione può concentrarsi sul carico di lavoro reale: quanta integrazione umana è necessaria per completare lo stesso compito, quali errori si ripetono, se i documenti consegnati sono completi e se le modifiche possono migliorare stabilmente. Conservando un numero limitato di compiti e risultati rappresentativi, sarà possibile rieseguire dopo un aggiornamento delle competenze o del modello, per valutare se la nuova combinazione è ancora adatta all'attività.

Le responsabilità di manutenzione devono essere chiare. Chi può modificare i passaggi, chi verifica le basi legali o commerciali, chi decide quando utilizzare la nuova versione, tutto dovrebbe essere organizzato in modo fisso. Le competenze che coinvolgono più dipartimenti possono mantenere registri di revisione congiunta; le competenze utilizzate solo per l'organizzazione personale possono adottare un approccio di gestione più leggero.

I team possono anche concordare un semplice formato di registrazione delle modifiche: quali problemi sono emersi in questo ciclo, quale passaggio è stato modificato e quale compito è stato utilizzato per la verifica. In questo modo, la motivazione dietro una nuova richiesta può essere compresa da chi subentra in seguito. I contenuti non utilizzati a lungo, ripetitivi rispetto ad altre competenze o che dipendono da strumenti già disattivati possono essere puliti durante controlli regolari, evitando che il repository delle competenze cresca eccessivamente, rendendo l'esecuzione sempre più lenta.

Quando la stessa competenza serve più clienti, le procedure generali e le preferenze dei clienti dovrebbero essere conservate separatamente. La parte generale stabilisce come verificare e consegnare, mentre la parte cliente registra nomi, formati e requisiti di approvazione specifici. All'inizio di un nuovo progetto, caricare solo i dati pertinenti al cliente e controllare l'impatto sui progetti esistenti quando si aggiornano i processi pubblici. Questa disposizione aiuta a mantenere la coerenza dei metodi e riduce le possibilità di utilizzare erroneamente i dati di un altro cliente.

Dopo un ciclo di test riuscito, i manutentori possono salvare la versione delle competenze, la versione del modello, i campioni di accettazione e le limitazioni note. La prossima volta che si aggiorna il modello o gli strumenti, eseguire nuovamente questo gruppo di campioni: i documenti sono completi, i permessi sono appropriati, i passaggi chiave di verifica sono stati eseguiti. Se ci sono differenze, sarà possibile identificare le aree da regolare, e il lavoro quotidiano avrà una versione stabile a cui tornare.

La manutenzione delle competenze può utilizzare un numero limitato di compiti reali per verificare continuamente l'efficacia.

Questo articolo è destinato esclusivamente a scopi di ricerca legale, politica e industriale, con l'intento di fornire un'analisi obiettiva delle dinamiche della finanza digitale, delle stablecoin, degli asset digitali e della relativa regolamentazione. Non costituisce in alcun modo un consiglio di investimento, legale, fiscale o di altro tipo, né una raccomandazione, promozione o sollecitazione di prodotti finanziari, asset digitali o progetti commerciali. Le normative, i dati di mercato e le informazioni sulle istituzioni menzionate nel testo provengono principalmente da fonti pubbliche e possono subire modifiche a causa di variazioni nelle leggi, nelle normative, nell'ambiente di mercato e nei progressi dei progetti. Si prega ai lettori di valutare in modo indipendente sulla base delle ultime informazioni pubbliche e di rispettare le leggi e i regolamenti applicabili nel proprio paese o regione. L'autore e la piattaforma di pubblicazione non si assumono alcuna responsabilità per eventuali decisioni di investimento, commerciali o di altro tipo basate sul contenuto di questo articolo.