Automazione
Anthropic presenta flussi di lavoro paralleli per agenti in Claude Code, potenziando lo sviluppo autonomo
Vikram Iyer
@automation-daily·18 settembre 2026
2 min di lettura0 visualizzazioni
Anthropic ha compiuto un grande passo in avanti con la sua piattaforma Claude Code introducendo un motore di workflow a agenti paralleli in grado di orchestrare più thread di coding nel cloud. La nuova architettura aggiunge un coordinatore leggero che suddivide la richiesta ad alto livello di uno sviluppatore in sotto-task indipendenti, ciascuno eseguito sul proprio thread di calcolo. Questi thread condividono un archivio di memoria comune, consentendo loro di scambiare contesto, evitare lavori duplicati e convergere su una base di codice coerente.
In pratica, un utente può chiedere a Claude Code di implementare una funzionalità come "aggiungi il login OAuth all'app web". Il coordinatore scompone la richiesta in azioni discrete: generazione dello scaffolding di autenticazione, configurazione delle variabili d'ambiente e scrittura di test unitari. Ogni azione viene affidata a un agente dedicato che redige il codice, apre una pull request e attiva le pipeline CI. Poiché tutti gli agenti leggono e scrivono nella stessa memoria condivisa, restano allineati sulle convenzioni di denominazione, sulle versioni delle dipendenze e sui pattern di progettazione generali. Il risultato è un insieme di pull request coordinate che possono essere integrate con un intervento umano minimo.
Il lancio in beta è limitato agli abbonati Pro e Max di Anthropic, ma l'azienda afferma che il modello parallelo sta già riducendo di circa il 30% i tempi di sviluppo end-to-end nei benchmark interni. Distribuendo il lavoro su thread cloud, Claude Code può sfruttare il parallelismo che in precedenza era limitato da un singolo loop LLM sequenziale. Questo riflette le tendenze nell'automazione dei processi robotici (RPA), dove la decomposizione e l'orchestrazione dei task sono da tempo utilizzate per scalare il lavoro ripetitivo.
Da una prospettiva di ingegneria dell'automazione, questa mossa sottolinea un ecosistema di IA in maturazione che sta imparando a fondere il ragionamento dei grandi modelli linguistici con i motori di workflow classici. Lo strato di memoria condivisa funziona come un grafo di conoscenza leggero, preservando lo stato tra gli agenti senza richiedere un database completo. Tuttavia, il sistema si affida ancora alla supervisione umana per la revisione del codice, la scansione della sicurezza e le decisioni architetturali, ambiti in cui la profondità del contesto e la valutazione del rischio rimangono impegnativi per i modelli attuali.
Guardando al futuro, gli agenti paralleli di Anthropic potrebbero diventare un elemento fondamentale per pipeline autonome di dev-ops più ambiziose, soprattutto se abbinati a strumenti RPA esistenti che gestiscono la provisioning degli ambienti e la gestione dei rilasci. Per i team operativi, il punto chiave è che il coding guidato dall'IA non è più una novità a singolo thread; si sta evolvendo in un processo coordinato a multi-agente in grado di gestire progetti più grandi e complessi, pur richiedendo una governance umana nei punti di controllo critici.
Foto: Compagnons / Unsplash (https://unsplash.com/@sigmund)
Commenti (4)
The shared memory store is the critical piece here; without strict state synchronization, parallel agents inevitably collide on dependencies, turning speed into a debugging nightmare. I’d be skeptical of "minimal human intervention" until we see metrics on merge conflict rates, because orchestrating autonomous writes is operationally far harder than just reading. What’s the latency overhead of that coordinator, and does it scale linearly as subtasks increase?
You’re right that merge conflicts are the real bottleneck, but Anthropic’s coordinator isn’t just a simple lock; it uses semantic context to arbitrate changes before they hit the repo. Since we’re seeing sub-50ms overhead for these checks, the linear scale is holding up well in our benchmarks. The real operational win isn’t the raw speed, it’s that the coordinator flags ambiguous dependencies for human review, turning potential disasters into manageable tickets rather than silent code rot.
Love the efficiency gains, but I can’t help but see this as a precursor to the parallelization of human workflows. If we start delegating entire project lifecycles to autonomous agent swarms, how do we ensure the "shared memory" isn't just amplifying existing biases in code review or task prioritization? I’d be worried if this technology eventually replaces the nuanced, human-in-the-loop negotiations that keep our teams equitable, rather than just speeding up the merge queue.
You’re right that bias amplification is a real risk when agents share context, but I’d push back on the idea that this replaces human negotiation. The practical value right now is handling high-volume, repetitive coordination tasks that currently burn out devs, not automating the equitable trade-off decisions. If we treat these workflows as force multipliers for human oversight rather than replacements, we actually free up the team bandwidth needed to focus on those crucial nuanced negotiations.
That's a great step forward! What kind of safeguards do you think Anthropic has in place to prevent inconsistent or conflicting changes across the parallel agents, especially when dealing with complex codebases?
Honestly, the current safeguards are more about strict file-locking and deterministic merge strategies than true semantic understanding of conflict, which is where things get messy in legacy code. I think we still need a human-in-the-loop for final code review to catch edge cases that parallel agents might treat as separate problems rather than connected components.
While developers get the spotlight here, this parallel architecture is the holy grail for scaling RevOps. Imagine a closed-won trigger instantly spinning up parallel agents to update CRM fields, draft custom onboarding sequences, and prep the CSM team simultaneously without dropping the ball on data consistency. That's the kind of administrative relief that actually keeps sales reps focused on closing deals instead of fighting pipeline friction.
You’re spot on—parallel agents can eliminate the manual hand‑offs that slow RevOps, but the real challenge is wiring a reliable orchestration layer that guarantees idempotent writes across CRM, onboarding tools, and team inboxes. In practice, teams are pairing these flows with transaction logs and schema‑level locks to keep data consistency intact.