20+ Costruttori di Agenti IA: Microsoft, CrewAI, LangGraph e altro

Dopo aver esaminato la documentazione e trascorso diverse ore a testare questi costruttori di agenti IA, abbiamo compilato un elenco dei migliori framework open-source e piattaforme low-code/no-code. Per dimostrare i casi d'uso dei costruttori di agenti IA, abbiamo fornito un tutorial su come costruire un agente esperto di prodotto con CrewAI.

Piattaforme low-code/no-code

Le piattaforme low-code/no-code con strumenti predefiniti sono ideali per attività di automazione dei flussi di lavoro aziendali e per la distribuzione rapida.

Le piattaforme low-code/no-code sono software proprietari.

Creatio

Creatio consente ai team aziendali di costruire agenti IA senza risorse di sviluppo, concentrandosi su vendite, marketing e automazione dei servizi.

Funzionalità del costruttore di agenti IA: gli agenti IA di Creatio gestiscono le interazioni con i clienti, automatizzano i processi e analizzano i dati. La piattaforma utilizza modelli predefiniti per scenari comuni, ad esempio qualificazione dei lead, risposte del servizio clienti ed elaborazione degli ordini, che si personalizzano tramite configurazione visiva anziché codice.

Il costruttore di agenti si integra direttamente con i dati CRM di Creatio. Un agente IA può accedere alla cronologia dei clienti, recuperare informazioni sugli ordini, controllare lo stato dell'inventario e attivare flussi di lavoro, tutto dalla stessa piattaforma in cui risiedono i dati aziendali.

Automazione dei flussi di lavoro: Il designer di processi drag-and-drop crea flussi di lavoro a più fasi. Collega gli agenti IA ai processi aziendali: quando un lead raggiunge determinati criteri, l'agente lo qualifica automaticamente, lo assegna ai rappresentanti di vendita e pianifica i follow-up.

Vertex IA Builder

Un costruttore di agenti no-code per casi d'uso aziendali che consente di creare modelli di risposta. Supporta l'integrazione con framework open-source come LangChain. Una limitazione è che l'API Vertex, dall'autenticazione agli endpoint, è complessa da utilizzare.

Beam IA

Microsoft Copilot Studio Agent Builder

Un costruttore di agenti IA low-code per un ambiente SaaS offre oltre 1,200 connettori dati. Ideale per:

• Automatizzare attività come l'invio di notifiche.
• Creare chatbot interni.
• Oppure, operazioni aziendali come la gestione degli ordini

La piattaforma ha introdotto Agent Builder nel 2026, consentendo la creazione di agenti in linguaggio naturale in cui gli sviluppatori descrivono i requisiti e il sistema genera automaticamente prompt, seleziona strumenti, configura sotto-agenti e definisce le competenze.¹

I miglioramenti del 2026 includono la possibilità di copiare gli agenti creati in Microsoft 365 Copilot in Copilot Studio per sbloccare flussi di lavoro a più fasi e integrazioni personalizzate.² La piattaforma ha aggiunto funzionalità di controllo umano tramite un'azione di “richiesta di informazioni” che mette in pausa i flussi dell'agente per raccogliere dettagli da revisori designati tramite Outlook, quindi riprende l'esecuzione utilizzando le loro risposte come parametri dinamici.

Lyzr Agent Studio

Può essere utilizzato da sviluppatori, aziende e utenti aziendali. È modulare e utile per la prototipazione. Ideale per automatizzare i flussi di lavoro in ambito finanziario, risorse umane, catena di fornitura ed esperienza del cliente.

Glide

Offre no-code, temi predefiniti, layout e componenti per la creazione di agenti. Ideale per automatizzare i flussi di lavoro in vendite sul campo, ispezioni, ordini di lavoro, inventario, CRM, dashboard e portali.

Postman IA Agent Builder

Ideale per la prototipazione e la creazione di agenti IA in un ambiente collaborativo. Offre strumenti come il client Postman, Collection Runner e Postman Flows per testare LLM risposte, prompt e input.

UiPath Agent Builder

Uno strumento di sviluppo agent low-code che fa parte di UiPath Studio.

String

Un costruttore di agenti IA che consente agli utenti di creare agenti specifici per attività senza scrivere codice. Gli agenti sono costruiti utilizzando modelli predefiniti e un'interfaccia visiva drag-and-drop. Si connette con strumenti come SharePoint, Salesforce e API interne per automatizzare i flussi di lavoro. La privacy dei dati è garantita dalla conformità di livello aziendale e gli agenti possono essere eseguiti sia in ambienti cloud che on-premise.

Relevance IA

Ideale per i team operativi che vogliono costruire agenti IA per la gestione degli incidenti senza fare affidamento su risorse di sviluppo. Non è richiesta alcuna preparazione tecnica.

Lindy

Specializzato nell'automazione di diverse operazioni commerciali, tra cui documentazione medica, servizio clienti, risorse umane e vendite. Con Lindy, puoi costruire un “agente personalizzato” per ogni attività, collegarlo a strumenti come Gmail o Slack e vederlo funzionare automaticamente tramite trigger.

Bricklayer IA

Un sistema IA autonomo per la creazione di agenti che automatizzano i Security Operations Center (SOC). Può migliorare diverse attività SOC come il triage degli avvisi, la risposta agli incidenti e l'analisi delle minacce. Consente ai SOC di creare flussi di lavoro multi-task, simili ai SOAR playbook.

Vonage IA Studio

Un costruttore di agenti visivo in Vonage IA Studio consente di creare flussi di progettazione automatizzati per chatbot o assistenti vocali su canali di messaggistica e voce senza dover scrivere codice.

Trilex IA

Un costruttore di agenti no-code che consente ad agenti auto-consapevoli di lavorare insieme come una squadra. È focalizzato sull'interfaccia e non è pronto per l'uso aziendale.

Framework open source

I framework agentici sono generalmente più adatti per progetti complessi basati sull'IA in ambienti di sviluppo che richiedono personalizzazione e codifica. Alcuni (ad esempio, Crew IA, AutoGen) possono anche offrire funzionalità low-code.

LangGraph è un software proprietario, ma fornisce una libreria open-source per lo sviluppo di agenti.

LangGraph

LangGraph 1.0 è considerato affidabile da aziende come Uber, LinkedIn e Klarna per carichi di lavoro in produzione.³ Serve come framework di orchestrazione di basso livello per la creazione di flussi di lavoro agentici durevoli e con stato, con persistenza automatica dello stato: se un server si riavvia durante una conversazione, i flussi di lavoro riprendono esattamente da dove erano stati interrotti. Il framework offre supporto API di prima classe per modelli di intervento umano, consentendo agli agenti di mettere in pausa l'esecuzione per la revisione, la modifica o l'approvazione umana.

LangGraph offre un maggiore controllo ed è adatto a flussi di lavoro agentici complessi, in particolare quando si utilizza la Generazione Aumentata da Recupero (RAG) o si orchestra l'esecuzione di compiti IA su API esterne o database.

LangGraph ha introdotto integrazioni sandbox collegabili, tra cui langchain-modal, langchain-daytona e langchain-runloop, per ambienti di esecuzione del codice sicuri.⁴ Il framework ha aggiunto profili modello che espongono le funzionalità e le capacità supportate tramite un attributo .profile, consentendo un migliore processo decisionale consapevole del contesto. La sintesi della cronologia delle conversazioni avviene ora nel nodo del modello tramite eventi wrap_model_call, conservando l'intera cronologia dei messaggi nello stato del grafico per un conteggio dei token più accurato.

LangChain Integration: LangChain v1.1.0 ora sfrutta il runtime di LangGraph per abilitare flussi di lavoro agentici ramificati, con memoria e durevoli, con oltre 100 integrazioni plug-and-play tramite astrazioni standardizzate, supporto middleware e osservabilità OpenTelemetry.⁵

AutoGen / Microsoft Agent Framework

AutoGen è entrato in modalità di manutenzione nell'ottobre 2025 ed è stato integrato in Semantic Kernel come parte del nuovo Microsoft Agent Framework. AutoGen rimane disponibile e riceverà correzioni critiche di bug e patch di sicurezza, ma nessuna nuova funzionalità.⁶ Gli sviluppatori dovrebbero migrare a Microsoft Agent Framework per le capacità future.

Caratteristiche principali:

• Flussi di lavoro multi-agente con stato durevole e condivisione persistente del contesto tra attività di lunga durata
• Supporto per standard aperti, tra cui Model Context Protocol (MCP), messaggistica Agent-to-Agent (A2A) e integrazione OpenAPI per la portabilità tra runtime
• Protezioni integrate per l'IA responsabile: Task Adherence (mantiene gli agenti allineati ai compiti), PII Detection (avvisa quando gli agenti accedono a dati sensibili) e Prompt Shields (protegge dall'iniezione di prompt)
• Supporto multilingue per Python e .NET con architettura asincrona e basata su eventi

Distribuzione aziendale: Il framework supporta la sperimentazione locale con distribuzione su Azure IA Foundry's Foundry Agent Service, che fornisce orchestrazione di flussi di lavoro multi-agente, gestione degli errori, tentativi e ripristino su larga scala. Organizzazioni come KPMG lo stanno utilizzando per collegare agenti specializzati ai dati aziendali mantenendo la conformità normativa.⁷

CrewAI

Uno degli strumenti più facili con cui iniziare, offre modelli di agenti pronti all'uso (ad esempio, agente per la preparazione di riunioni) e una curva di apprendimento minima con opzioni no-code.

CrewAI si distingue come un framework multi-agente snello, autonomo e ad alte prestazioni, completamente indipendente da LangChain, offrendo un'esecuzione più rapida e requisiti di risorse inferiori.⁸

Il framework ora offre due approcci complementari: CrewAI Crews per agenti IA autonomi e collaborativi, e CrewAI Flows per un controllo granulare e basato sugli eventi dell'orchestrazione delle attività, supportando nativamente sia Crews che chiamate singole a LLM per un'esecuzione precisa.⁹

Il framework ha aggiunto utilità per l'esecuzione di attività Agent-to-Agent (A2A), consentendo agli agenti di delegare dinamicamente compiti in flussi di lavoro strutturati, funzionalità di gestione di file multimodali e ordinamento degli eventi tramite gerarchie padre-figlio, garantendo un'esecuzione deterministica dei flussi di lavoro.¹⁰ Le funzionalità aziendali includono l'autenticazione Keycloak SSO e un archivio file migliorato con cache di memoria di riserva.

Il compromesso è che può essere più difficile regolare dinamicamente i ruoli o delegare compiti ad altri agenti durante il flusso di lavoro perché l'approccio Crews di CrewAI utilizza ruoli e compiti predefiniti, che sono rigidi. Flows offre maggiore flessibilità per modelli di orchestrazione complessi.

OpenAI Swarm

Una soluzione leggera, è ancora in fase sperimentale e non ancora “pronta per la produzione”. OpenAI descrive esplicitamente Swarm come un framework didattico e un ricettario per esplorare modelli multi-agente piuttosto che un prodotto ufficiale, e non sarà mantenuto per l'uso in produzione.¹¹

Stato 2026: OpenAI Swarm rimane in fase sperimentale a febbraio 2026, senza una tempistica annunciata per il rilascio in produzione. Non fornisce soluzioni pronte all'uso per ogni caso d'uso, ma consente agli sviluppatori di creare e personalizzare aspetti come l'orchestrazione dei flussi di lavoro e le interazioni tra agenti tramite funzioni di “handoff” leggere. È adatto per la prototipazione e il test di idee, ed è più indicato per casi d'uso semplici o per chi desidera integrare processi agentici in una pipeline LLM esistente.

Limitazione principale: Swarm è un sistema completamente senza stato che tratta ogni nuovo compito come una tabula rasa senza memoria delle interazioni precedenti. Sebbene questo offra prevedibilità e un debug più semplice, va a scapito dell'adattabilità a lungo termine.

Camel

Un framework agentico multi-agente low-code per giochi di ruolo che consente agli agenti IA di comunicare. Ideale per l'automazione dei flussi di lavoro e la generazione di dati sintetici. Offre oltre 20 integrazioni con piattaforme di modelli.

ChatDev

Include agenti IA (come designer, sviluppatori, tester e documentatori) che interagiscono e lavorano insieme per realizzare compiti complessi. ChatDev fornisce un visualizzatore basato su browser per studiare le interazioni di ciascun agente all'interno del proprio ruolo e ambiente.

Pydantic IA

Un framework agentico Python non richiede l'apprendimento di un nuovo linguaggio specifico del dominio. Utile per la gestione di dati strutturati e la prototipazione. Si integra con strumenti di logging come LogFire per la visualizzazione dei dati in tempo reale.

Agent Zero

Un framework di agenti IA autonomo ospitato su GitHub. Può essere utilizzato per la generazione di app full-stack, la programmazione e RAG. Interagisce con vari strumenti e API tramite comandi in linguaggio naturale.

Agenti Automatici

Un framework leggero per la creazione di pipeline e app di IA agentica. A differenza di framework come AutoGen e Crew IA, che utilizzano astrazioni di alto livello, Atomic Agents adotta un approccio modulare di basso livello. Ciò offre agli sviluppatori un controllo diretto su componenti come la gestione degli input, l'integrazione degli strumenti e la gestione della memoria, rendendo ogni agente più controllabile.

Bee Agent Framework

Un toolkit no-code open-source sviluppato da IBM Research. Implementato in TypeScript e Python. Offre esecuzione del codice in sandbox per la sicurezza, gestione flessibile della memoria per ottimizzare l'uso dei token (specialmente per modelli come Llama 3.1) e controlli del flusso di lavoro, consentendo ramificazioni complesse, pausa/ripresa dello stato e gestione degli errori senza interruzioni.

Cosa sono gli agenti?

“Agente” può essere definito in diversi modi:

1. L'IA tradizionale definisce gli agenti come sistemi in grado di percepire il proprio ambiente e agire su di esso.
2. Alcune società di analisi definiscono gli agenti come sistemi completamente autonomi che operano indipendentemente per lunghi periodi, utilizzando strumenti come funzioni o API per interagire con il proprio ambiente e prendere decisioni basate sul contesto e sugli obiettivi.¹²
3. Altri usano il termine per descrivere implementazioni più prescrittive che seguono flussi di lavoro predefiniti.¹³

Invece di fornire una definizione rigorosa, categorizziamo queste variazioni come sistemi agentici, ma facciamo una distinzione architetturale chiave tra flussi di lavoro e agenti:

1. I flussi di lavoro sono sistemi in cui LLM e strumenti sono organizzati tramite percorsi di codice predefiniti.
2. Gli agenti sono sistemi in cui gli LLM gestiscono autonomamente:
   • Gestiscono i propri processi e l'uso degli strumenti.
   • Decidere quando utilizzare gli strumenti forniti in modo iterativo per raggiungere l'obiettivo primario e determinare
   • Come completare i compiti.

Perché usare i costruttori di agenti IA?

Costruire agenti da zero è un compito complesso a causa dei seguenti problemi:

• Affidabilità: La concatenazione di più passaggi di IA può amplificare le allucinazioni dell'IA, specialmente per compiti che richiedono output esatti.
• Capacità di integrazione: Diversi casi d'uso richiedono che gli agenti accedano ad archivi dati o applicazioni esterne.
• Orchestrazione: Gli agenti devono operare al momento giusto e nell'ordine corretto per raggiungere un obiettivo comune, il che richiede una sincronizzazione complessa.
• Gestione dello stato: È complesso garantire che gli agenti tengano traccia dello stato reciproco e che i cambiamenti nello stato di un agente non disturbino gli altri.

I costruttori di agenti semplificano questo processo consentendo agli sviluppatori di concentrarsi sulla logica applicativa, anziché gestire allucinazioni dell'IA, integrazioni di strumenti, orchestrazione, ecc.

I costruttori forniscono i componenti necessari per creare agenti IA più affidabili e capaci, tra cui:

• Framework che definiscono una specializzazione (ad esempio, gestione dei flussi di lavoro) del modello di IA agentica.
• Modelli di dati che aiutano ad aumentare la probabilità che un modello IA generi output esatti, riducendo le allucinazioni.
• Archivi dati che consentono l'accesso a dati esterni, SQL, e database NoSQL per l'archiviazione e l'interrogazione dei dati.
• Strumenti di orchestrazione integrati (ad esempio, protocolli di comunicazione, ecc.) che coordinano più agenti.
• Componenti di gestione dello stato per consentire agli agenti di ricordare le interazioni passate e adattare il proprio comportamento in ambienti dinamici.

Approfondisci

Se stai esaminando l'infrastruttura che alimenta l'IA agentica abilitata per il web, ecco i nostri ultimi benchmark:

• Browser remoti: come l'infrastruttura del browser consente agli agenti di interagire con il web in modo sicuro.
• Browser MCP benchmark: i migliori server MCP per l'uso degli strumenti e l'accesso al web.

Tutorial per costruire un agente CrewAI

In questo tutorial pratico, costruiremo un agente IA con CrewAI per consigliare portatili adatti alle esigenze specifiche di un CTO.

Scenario: Raccomandare i 3 migliori portatili per un Chief Technology Officer (CTO) che lavora principalmente con la posta elettronica e svolge un'ampia attività di sviluppo software basato su Python.

Installazione

Iniziamo installando le librerie necessarie:

Perché abbiamo bisogno dell'OpenAI API?

CrewAI utilizza un LLM, come i modelli GPT di OpenAI, per alimentare il ragionamento e le risposte dell'agente. L'agente interpreta i compiti e genera output, richiedendo una chiave OpenAI API.

Nota: La chiave API è necessaria per accedere ai modelli OpenAI come GPT-4. CrewAI può anche funzionare con modelli open-source, come Llama 3.

Definizione dell'agente

Creeremo un agente esperto di prodotto: un assistente IA esperto di prodotti tecnologici. Poiché il nostro scenario prevede il supporto a un utente tecnico (un CTO), abbiamo bisogno di un agente con una solida conoscenza dei prodotti e capacità analitiche.

CrewAI definisce un agente in base alla sua relazione con i compiti. Per ogni agente, dobbiamo chiarirne il ruolo, l'obiettivo, il retroscena e gli strumenti che può utilizzare:

• ruolo: L'area di competenza che l'agente rappresenta; in questo caso, un esperto di prodotto esperto di tecnologia.
• obiettivo: Un obiettivo chiaro e specifico per l'agente.
• retroscena: Fornisce all'agente carattere, profondità e conoscenza del dominio.

Definizione del compito

In questa parte, assegniamo all'agente il compito di consigliare tre portatili adatti per il CTO, inclusi i prezzi e un breve riepilogo di una frase per ciascuno.

CrewAI gestisce il ragionamento e la formattazione in base ai vincoli specificati, come indicato dai parametri description, expected_output e agent.

• description: Spiega cosa dovrebbe fare l'agente.
• expected_output: Definisce la struttura dell'output; questo garantisce chiarezza e qualità.
• agent: Assegna il compito all'agente che abbiamo creato.

Costruire la Crew ed eseguire il flusso di lavoro

Successivamente, creiamo la crew, un sistema in cui gli agenti vengono creati, assegnati ai compiti e interagiscono per completare i loro obiettivi.

CrewAI in azione: output dell'esecuzione dell'agente

Una volta chiamato il metodo crew.kickoff(), CrewAI esegue il compito utilizzando l'agente definito. Di seguito è riportato un esempio di output dal terminale, che mostra come il compito viene assegnato, eseguito e la risposta finale restituita dall'agente Product Expert:

Quindi l'agente fornisce il proprio output come segue:

Questo output mostra come un agente, se ben definito, possa fornire risposte strutturate, pertinenti e di alta qualità da integrare in strumenti o flussi di lavoro reali.

Non perderti i nostri benchmark e approfondimenti basati sui dati. Il pulsante apre Google; selezionare AIMultiple conferma che desideri vedere AIMultiple più spesso nei risultati di ricerca di Google.

Aggiungi come fonte preferita

Cosa rende diversi i costruttori di agenti IA

Scegliere tra i costruttori di agenti IA non significa trovare lo strumento “migliore”, ma abbinare i compromessi architetturali alle competenze del tuo team e alle esigenze del progetto. Ecco cosa distingue realmente queste piattaforme.

Controllo vs Comodità

Piattaforme low-code (Microsoft Copilot Studio, Beam IA) ti permettono di trascinare e rilasciare componenti per costruire agenti. Nessuna codifica richiesta. La piattaforma gestisce automaticamente l'orchestrazione, la gestione dello stato e la gestione degli errori.

Il vantaggio: I team non tecnici possono costruire agenti funzionanti in poche ore. Perfetto per flussi di lavoro aziendali standard come l'elaborazione degli ordini, l'instradamento del servizio clienti o l'automazione dell'inserimento dati.

La limitazione: Non puoi personalizzare la logica di base. Hai bisogno di un nuovo schema di coordinamento o di un'ottimizzazione specifica? Sei vincolato a ciò che offre la piattaforma. Questi strumenti funzionano alla grande finché il tuo caso d'uso non si discosta dai loro modelli.

Framework open-source (LangGraph, Atomic Agents) ti danno il controllo completo. Scrivi codice che definisce esattamente come gli agenti pensano, si coordinano ed eseguono.

Il vantaggio: Personalizzazione illimitata. Costruisci qualsiasi schema di coordinamento, ottimizza per i casi limite, implementa cicli di ragionamento personalizzati. La gestione esplicita dello stato di LangGraph funziona per processi complessi a più fasi. Atomic Agents ti consente di controllare la gestione degli input, l'integrazione degli strumenti e la memoria a livello granulare.

La limitazione: Richiede competenze di sviluppo serie e tempo. Ciò che richiede ore in una piattaforma low-code richiede settimane in un framework.

Opzioni ibride come CrewAI cercano di trovare un compromesso: modelli per un avvio rapido, personalizzazione a livello di codice quando necessario. Ma la rigida struttura dei ruoli di CrewAI rende difficili i cambiamenti dinamici durante il flusso di lavoro. Ottieni uno sviluppo iniziale più semplice a scapito dell'adattabilità.

Ulteriori letture

• Confronta 20 LLM strumenti di sicurezza e framework open-source
• Confronta oltre 50 strumenti per agenti IA

Cita questa ricerca

Scegli il formato adatto a dove pubblicherai. Incollare la versione con link nel tuo CMS preserva il backlink.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Sezer, Sena},
  title  = {{20+ Costruttori di Agenti IA: Microsoft, CrewAI, LangGraph e altro}},
  year   = {2026},
  month  = mar,
  howpublished    = {\url{https://aimultiple.com/ai-agent-builders}},
  note   = {AIMultiple. Consultato il 27 Marzo 2026}
}

Collegamenti di riferimento

1.

January 2026: LangChain Newsletter

LangChain Blog

2.

What's new in Copilot Studio - Microsoft Copilot Studio | Microsoft Learn

3.

LangChain - Changelog | LangGraph 1.0 is now generally available

Docs by LangChain

4.

Changelog - Docs by LangChain

Docs by LangChain

5.

LangChain vs LangGraph: When to Use Each & Migration Tutorial

ClickIT DevOps & Software Development

6.

AutoGen Update · microsoft/autogen · Discussion #7066 · GitHub

7.

Introducing Microsoft Agent Framework | Microsoft Azure Blog

Microsoft Azure Blog

8.

crewai · PyPI

9.

GitHub - crewAIInc/crewAI: Framework for orchestrating role-playing, autonomous AI agents. By fostering collaborative intelligence, CrewAI empowers agents to work together seamlessly, tackling complex tasks. · GitHub

10.

Solving Scalability and Management Woes: Integrating CrewAI with an MCP Server · Technical news about AI, coding and all

11.

Multi-Agent Collaboration Mechanisms: A Survey of LLMs

12.

AI Agents: What They Are and Their Business Impact | BCG

Boston Consulting Group

13.

AI Agents — Introduction, Workflows and Application | by Sulbha Jain | Medium

Medium

Cem Dilmegani

Analista principale

Segui

Cem è l'analista principale di AIMultiple dal 2017. AIMultiple informa centinaia di migliaia di aziende (secondo SimilarWeb) compreso il 60% delle Fortune 500 ogni mese. Il lavoro di Cem è stato citato da importanti pubblicazioni globali tra cui Business Insider, Forbes, Washington Post, aziende globali come Deloitte, HPE e ONG come il World Economic Forum e organizzazioni sovranazionali come la Commissione europea. Nel corso della sua carriera, Cem ha lavorato come consulente tecnologico, acquirente di tecnologia e imprenditore tecnologico. Ha consigliato aziende sulle loro decisioni tecnologiche presso McKinsey & Company e Altman Solon per oltre un decennio. Ha anche pubblicato un rapporto McKinsey sulla digitalizzazione. Ha guidato la strategia tecnologica e gli approvvigionamenti di una società di telecomunicazioni rispondendo direttamente al CEO. Ha anche guidato la crescita commerciale dell'azienda deep tech Hypatos che ha raggiunto un fatturato annuo ricorrente a 7 cifre e una valutazione a 9 cifre partendo da 0 in 2 anni. Il lavoro di Cem in Hypatos è stato trattato da importanti pubblicazioni tecnologiche come TechCrunch e Business Insider. Cem interviene regolarmente a conferenze tecnologiche internazionali. Si è laureato in ingegneria informatica all'Università Bogazici e ha conseguito un MBA presso la Columbia Business School.

Visualizza il profilo completo

Ricercato da

Sena Sezer

Analista di settore

Segui

Sena è un'analista di settore presso AIMultiple. Ha conseguito la laurea triennale presso l'Università di Bogazici.

Visualizza il profilo completo

Sii il primo a commentare

Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori. I commenti vengono lasciati nella loro lingua originale.

Nome

Indirizzo e-mail

Commento

0/450

Pubblica un commento