Premium
Servizi
Premium

Large Action Models: hype o realtà?

Cem Dilmegani
Cem Dilmegani
aggiornato il 1 lug. 2026

Dopo il lancio di Rabbit, un dispositivo IA in grado di utilizzare app mobili, il termine large action models (LAM) sta diventando popolare. Questi modelli vanno oltre la conversazione trasformando gli LLM in «agenti» che possono connettere il mondo frammentato e guidato dalle app senza richiedere agli utenti di cliccare sulle app o integrare API.

Il confine tra hype e realtà dei LAM è labile, ma in breve, un LAM è un large language model (LLM) specificamente addestrato per compiere azioni (ad es. inviare richieste API).1

Che cos'è un large action model (LAM)?

Un Large Action Model (LAM) è un tipo avanzato di IA che si basa sui Large Language Models (LLM) non solo per comprendere e generare testo, ma anche per pianificare ed eseguire azioni in ambienti del mondo reale (digitali o fisici), consentendogli di automatizzare compiti e interagire direttamente con i sistemi in base all'intento dell'utente.

Le caratteristiche principali dei Large Action Models (LAM) includono la capacità di comprendere l'intento dell'utente da diversi input (testo, voce, immagini), trasformare tale intento in azioni eseguibili, pianificare e adattare i compiti passo dopo passo in ambienti mutevoli e operare in modo efficiente grazie alla specializzazione in domini specifici, consentendo loro di completare compiti complessi del mondo reale in modo autonomo.

Le caratteristiche principali dei Large Action Models (LAM) includono:

  • Interpretazione dell'intento dell'utente: Sanno comprendere le richieste degli utenti da testo, voce, immagini o video, anche quando l'istruzione non è chiara o è implicita.
  • Generazione di azioni: Trasformano gli obiettivi dell'utente in azioni concrete in ambienti digitali o fisici, ad esempio usando una GUI, chiamando API, controllando robot o generando codice.
  • Pianificazione dinamica e adattamento: Sanno scomporre compiti complessi in passaggi più piccoli, seguire un piano e adattarlo quando la situazione cambia o si verificano errori.
  • Specializzazione ed efficienza: Sono spesso costruiti per compiti o ambienti specifici, il che li rende più accurati ed efficienti rispetto ai modelli generici in quel dominio.

In breve, i LAM fanno più che comprendere il linguaggio: collegano la comprensione all'azione e possono svolgere compiti in più passaggi in contesti reali.

Come funzionano i large action models (LAM)?

I LAM interagiscono con le applicazioni tramite le loro interfacce utente o, più comunemente, tramite API. Ad esempio, possono elaborare le immagini e il codice di un sito web o di un'applicazione per decidere i passaggi successivi ed eseguire azioni.

Fonte: Salesforce2

Ciò consente ai LAM di navigare nelle interfacce utente e applicative. Ad esempio, se le informazioni esistono o sono accessibili tramite un'altra app, le recupererà da quell'app anziché chiederle all'utente.

All'interno dei LAM, tali gradi di autonomia e comprensione trasformano l'IA generativa in un assistente attivo in grado di svolgere compiti come:

  • amministrare le piattaforme di social media
  • ottenere informazioni meteo
  • effettuare prenotazioni
  • elaborare transazioni finanziarie
  • connettersi ai dispositivi IoT per consentirti di inviare loro comandi (ad es. chiamare un Uber)

I LAM e gli LLM: comprendere la differenza

Fonte: Large Action Models: da Inception all'implementazione3

I Large Action Model (LAM) estendono i Large Language Model (LLM) sia comprendendo le richieste degli utenti sia pianificando ed eseguendo azioni nel mondo reale, come completare attività sui siti web, rendendoli più efficienti, focalizzati sui compiti e pratici per le applicazioni del mondo reale, spesso con design più piccoli e specializzati.

Sebbene i LAM e i large language model condividano alcune somiglianze, come la capacità di cogliere le intenzioni umane, i loro scopi fondamentali differiscono notevolmente.

I LAM sono progettati per agire, mentre gli LLM eccellono nell'elaborare e generare linguaggio. Mentre un LLM può suggerire idee o generare testo in base al tuo input, un LAM fa un passo in più eseguendo autonomamente compiti come fissare appuntamenti, ordinare prodotti o compilare moduli.

Lascia che il nostro team automatizzi uno dei tuoi processi aziendali con agenti IA, gratuitamente.
Automatizza un processo

Large agentic models (LAM): hype o realtà?

Mentre alcune aziende presentano i LAM come una nuova architettura, le funzionalità loro attribuite sono state implementate già da tempo utilizzando LLM agenti.4

Inoltre, gli LLM agenti hanno già svolto in precedenza compiti che si dice i LAM svolgano. I due concetti condividono funzionalità comuni:

  • Analisi basata sul contesto
  • Prompt engineering
  • Sfruttamento degli strumenti
  • Ragionamento5

Figura: flusso di lavoro di un agente IA basato sul linguaggio

Fonte: ICLR6

Inoltre, i LAM possono essere descritti come progetti di agenti basati sul linguaggio, come (1) agenti IA basati su modelli di prompt; (2) agenti IA con prompt apprendibili; e (3) large action models (LAM); affermando che possiamo pensare a un LAM come a un LLM specificamente addestrato per eseguire azioni umane a partire dai dati.7

Esempi reali di LAM

1. Completamento automatico di moduli o fogli di calcolo sui siti web

Un LAM può riconoscere i campi necessari in un modulo, raccogliere i dati richiesti (ad es. indirizzi, nomi, password e numeri di carta di credito) da un database o dal profilo utente e inserirli nei campi appropriati.

Video: completamento automatico di moduli o fogli di calcolo con LAM

8

2. Completamento di transazioni online

Un LAM può interagire con pulsanti, link e menu a discesa. Può inoltre inserire testo specifico nei campi di testo e nelle barre di ricerca. È esattamente ciò che comporta ordinare una pizza online: compilare moduli di testo, cliccare pulsanti e selezionare le voci del menu.

Video: HyperWriteAI Assistant Studio utilizza il browser per effettuare un ordine online

Fonte: HyperWriteAI9

3. Risoluzione delle richieste di assistenza clienti end-to-end

Un Large Action Model (LAM) può gestire una richiesta completa del cliente dall'inizio alla fine comprendendo l'obiettivo dell'utente, decidendo i passaggi necessari ed eseguendoli su più sistemi (come CRM, fatturazione e piattaforme di supporto).

Il Genesys Cloud Agentic Virtual Agent è un esempio di questo caso d'uso: può comprendere il problema di un cliente (ad es. un problema di fatturazione), determinare cosa è necessario fare e completare le azioni richieste, come verificare i dati dell'account, aggiornare i record o avviare processi di servizio, senza intervento umano.10

Invece di fornire risposte, il sistema completa il compito da sé interagendo con diversi strumenti e flussi di lavoro, riducendo la necessità di spiegazioni ripetute o follow-up manuali.

4. Guida autonoma e processo decisionale

Un Large Action Model (LAM) può alimentare sistemi autonomi interpretando gli input del mondo reale, ragionando sulle situazioni ed eseguendo azioni in tempo reale.

Alpamayo di NVIDIA utilizza modelli Vision-Language-Action per elaborare il video della telecamera, comprendere l'ambiente di guida, ragionare su ciò che sta accadendo e generare azioni di guida come sterzare, frenare o accelerare.11

Invece di seguire regole fisse, il sistema decide cosa fare in base al contesto (ad es. traffico, ostacoli, condizioni stradali) e spiega il proprio ragionamento, consentendo una guida autonoma più sicura e trasparente.

5. Esecuzione di attività personali nelle app di uso quotidiano

Un Large Action Model (LAM) può trasformare l'obiettivo di un utente in azioni concrete su più strumenti, completando le attività senza istruzioni passo. Ad esempio, i sistemi di IA agentica come OpenClaw utilizzano principi simili: possono gestire email, calendari e prenotazioni di viaggio pianificando i passaggi ed eseguendoli in autonomia. Mentre OpenClaw rappresenta un sistema di IA agentica completo, i LAM forniscono il nucleo di azione che consente a tali sistemi di svolgere flussi di lavoro multi-fase in modo affidabile.

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.
GoogleAggiungi come fonte preferita

Tecnologie nei LAM

Un LAM può utilizzare le seguenti tecniche:

  • Connessioni: Si connette a diverse app e API.
  • Approccio neuro-simbolico: La programmazione neuro-simbolica è un metodo che consente ai LAM di combinare reti neurali addestrate su grandi set di dati con capacità di ragionamento logico simbolico integrate. Ciò consente loro di notare schemi e allo stesso tempo comprendere il ragionamento sottostante, rendendoli più adattivi e capaci di dare risposte significative in base al "perché" delle richieste degli utenti.
  • Astrazione delle istruzioni: Crea istruzioni che forniscono un'astrazione modulare e gerarchica per la modellazione tramite un'interfaccia.
  • Modellazione umana diretta: Identifica intenti, abitudini e routine dell'utente tra le applicazioni per sviluppare un modello per agire.
  • Ragionamento sui compiti: Analizza le relazioni tra i compiti, identificando le dipendenze e determinando l'ordine ottimale di esecuzione. Garantisce che i compiti preliminari vengano completati prima che inizino quelli dipendenti. Ciò consente al LAM di migliorare i flussi di lavoro in base alle interazioni passate.
  • Apprendimento continuo: I LAM eseguono compiti e migliorano le proprie prestazioni attraverso l'apprendimento continuo. Ad esempio, un LAM potrebbe gestire le richieste dei clienti su ordini, resi e informazioni sui prodotti. Diventerebbe più abile nel risolvere rapidamente i problemi, persino prevedendo e affrontando potenziali problemi prima che i clienti li contattino.

Esempi di large action model

Il termine LAM copre un mix di prodotti di consumo, modelli orientati all'azione e sistemi di ricerca che cercano di trasformare l'intento dell'utente in azioni software.

  • Rabbit R1: Rabbit commercializza l'R1 attorno alla sua idea di LAM, e i suoi materiali ufficiali ora indirizzano gli utenti a funzionalità come LAM Playground e la modalità di insegnamento per le attività sui siti web. Allo stesso tempo, le prime recensioni sono state fortemente critiche; The Verge ha definito il dispositivo "incompiuto" e "inutile", affermando che c'erano poche prove di un LAM funzionante in modo affidabile nel prodotto al momento del lancio.
  • Adept ACT-1: Adept ha descritto ACT-1 come un "modello di base per le azioni" addestrato a utilizzare strumenti software, API e app web. È meglio inteso come un sistema agente avanzato orientato all'azione, piuttosto che come una categoria IA completamente separata di per sé.
  • Salesforce xLAM: Salesforce ha rilasciato xLAM come famiglia di modelli ottimizzati per il function calling e gli agenti IA, e in seguito l'ha ampliata con un supporto multi-turn più robusto. Ciò rende xLAM uno degli esempi ufficiali più chiari di una famiglia di modelli in stile LAM.
  • Microsoft TaskMatrix.IA: TaskMatrix.IA è un documento di visione di Microsoft Research che propone di collegare i modelli di base con milioni di API per completare le attività. Poiché è inquadrato come documento di visione e presa di posizione di ricerca, è meglio descritto come un framework accademico di tipo LAM piuttosto che come prodotto distribuibile.

Cita questa ricerca

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

Cem Dilmegani and Ezgi Arslan (2026) - "Large Action Models: hype o realtà?". Pubblicato online su AIMultiple.com. Consultato il 1 luglio 2026, da: https://aimultiple.com/large-action-models [Risorsa online]

Dilmegani, C., & Arslan, E. (2026, 1 luglio). Large Action Models: hype o realtà? AIMultiple. https://aimultiple.com/large-action-models

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Arslan, Ezgi},
  title  = {{Large Action Models: hype o realtà?}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/large-action-models}},
  note   = {AIMultiple. Consultato il 1 luglio 2026}
}
Scarica tutti i dati

Risultati e timestamp di 5 punti dati. Scarica i dati di sintesi mostrati nei grafici e nelle tabelle di questo articolo come file ZIP contenente un file CSV.

Ultimo aggiornamento: 9 settembre 2024
Scarica

Vuoi i dati granulari che ci stanno dietro? Passa a Premium

Registro delle modifiche

5 aggiornamenti
  1. Aggiunta una sezione di esempi di large action model su Rabbit R1, Adept ACT-1, Salesforce xLAM e Microsoft TaskMatrix.AI.

Cem Dilmegani
Cem Dilmegani
Analista principale
Cem è analista principale presso AIMultiple dal 2017.

Il lavoro di Cem presso AIMultiple è stato citato da importanti testate internazionali tra cui Business Insider, Forbes, Morning Brew e Washington Post, da aziende globali come Deloitte e HPE, da ONG come il World Economic Forum e da organizzazioni sovranazionali come la Commissione europea. [1], [2], [3], [4], [5]

Nel corso della sua carriera, Cem ha lavorato come consulente tecnologico, acquirente tecnologico e imprenditore tecnologico. Ha consigliato le aziende sulle loro decisioni tecnologiche presso McKinsey & Company e Altman Solon per più di un decennio. Ha inoltre pubblicato un report McKinsey sulla digitalizzazione.

Ha guidato la strategia tecnologica e gli approvvigionamenti di una società di telecomunicazioni rispondendo direttamente al CEO. Ha inoltre guidato la crescita commerciale dell'azienda deep tech Hypatos, che ha raggiunto ricavi ricorrenti annuali a 7 cifre e una valutazione a 9 cifre partendo da zero in 2 anni. Il lavoro di Cem in Hypatos è stato ripreso da importanti testate tecnologiche come TechCrunch e Business Insider.

Cem interviene regolarmente a conferenze tecnologiche internazionali. Si è laureato come ingegnere informatico presso l'Università di Bogazici e possiede un MBA della Columbia Business School.
Visualizza il profilo completo
Ricercato da
Ezgi Arslan, PhD.
Ezgi Arslan, PhD.
Analista di settore
Ezgi ha conseguito un PhD in Economia aziendale con specializzazione in finanza e ricopre il ruolo di analista di settore presso AIMultiple. Conduce ricerche e approfondimenti all'intersezione tra tecnologia e business, con competenze che spaziano dalla sostenibilità alle indagini e all'analisi del sentiment, dalle applicazioni di agenti IA nella finanza all'ottimizzazione dei motori di risposta, dalla gestione dei firewall alle tecnologie di procurement.
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.

0/450