Agenti IA Mobili Testati in 65 Compiti del Mondo Reale
Abbiamo trascorso 3 giorni testando quattro agenti IA mobili (DroidRun, Mobile-Agent, AutoDroid e AppAgent) in 65 compiti del mondo reale utilizzando un emulatore Android con applicazioni come gestione del calendario, creazione di contatti, acquisizione di foto, registrazione audio e operazioni sui file.
Consulta i risultati del benchmark inclusi confronto delle prestazioni nel mondo reale, costi e tempi di esecuzione:
Confronto delle prestazioni degli agenti IA mobili
DroidRun
Tasso di successo più elevato (43%) con costo elevato per compito riuscito ($0.075, ~3.225 token)
DroidRun ha dimostrato le prestazioni migliori con un tasso di successo del 43% nei 65 compiti. Esaminando solo i compiti che tutti gli agenti hanno completato con successo, DroidRun ha consumato in media 3.225 token a un costo di $0.075 per compito.
Questo notevole consumo di risorse riflette l'architettura di ragionamento multi-step di DroidRun, in cui l'agente mantiene un tracciamento dettagliato degli stati, genera piani d'azione espliciti e fornisce spiegazioni per ogni decisione. Sebbene costoso, questo approccio completo offre il tasso di successo più elevato nel benchmark degli agenti IA mobili.
Mobile-Agent
Buone prestazioni (29%) ed economicità ($0.025, ~1.130 token)
Mobile-Agent ha raggiunto il secondo tasso di successo più alto con il 29% mantenendo al contempo una ragionevole economicità. Nei compiti completati con successo da tutti gli agenti, Mobile-Agent ha registrato una media di $0.025 e 1.130 token per compito.
Ciò rappresenta circa un terzo del costo per compito di DroidRun, raggiungendo circa due terzi del suo tasso di successo, rendendo Mobile-Agent un'opzione interessante per implementazioni in cui i vincoli di budget sono importanti.
Tuttavia, il divario di 14 punti percentuali nel tasso di successo suggerisce che le capacità di ragionamento aggiuntive di DroidRun offrono un valore significativo per le applicazioni in cui l'affidabilità è prioritaria, come i flussi di lavoro in ambito sanitario o bancario.
AutoDroid
Migliore economicità (14% di successo, $0.017, ~765 token) ma efficacia limitata
AutoDroid ha dimostrato il costo più basso nei compiti completati con successo da tutti, con soli $0.017 e 765 token per compito, rendendolo l'opzione più economica nel benchmark.
Tuttavia, il suo tasso di successo del 14%, meno della metà delle prestazioni di Mobile-Agent e circa un terzo di DroidRun, indica che questo vantaggio in termini di costo comporta compromessi significativi in termini di affidabilità.
Nonostante utilizzi un approccio basato sulle azioni simile a DroidRun, il sovraccarico di ragionamento minimo di AutoDroid comporta notevoli risparmi sui costi ma una capacità di completamento dei compiti limitata.
AppAgent
Peggiori prestazioni (7% di successo) con il costo più elevato ($0,90, ~2.346 token)
AppAgent ha registrato sia il tasso di successo più basso con il 7% sia il costo più alto nei compiti completati con successo da tutti, con $0,90 e 2.346 token per compito, dodici volte più costoso di DroidRun e oltre cinquanta volte più costoso di AutoDroid.
Questo scarso rapporto costo-prestazioni deriva dall'approccio basato sulla visione di AppAgent, che elabora screenshot etichettati tramite LLM multimodali per ogni interazione. Ogni screenshot inviato all'LLM multimodale consuma un numero considerevole di token di input per l'elaborazione delle immagini, mentre le risposte testuali effettive (token di completamento) rimangono relativamente modeste.
Ciò crea una distribuzione dei token altamente sbilanciata in cui il sovraccarico dell'elaborazione visiva domina il costo senza corrispondenti miglioramenti nel completamento dei compiti, poiché l'agente fatica con i calcoli delle coordinate e l'identificazione degli elementi dell'interfaccia utente su interfacce mobili.
Confronto dei tempi di esecuzione degli agenti IA mobili
Nell'unico compito che tutti gli agenti hanno completato con successo, AutoDroid è stato il più veloce con 57 secondi, seguito da vicino da Mobile-Agent con 66 secondi. DroidRun ha completato il compito in 78 secondi, dimostrando che la sua architettura di ragionamento multi-step consente comunque un'esecuzione efficiente nonostante il maggior consumo di token.
AppAgent ha mostrato una latenza significativamente più elevata con 180 secondi, a causa del suo approccio basato sulla visione che richiede un'estesa elaborazione degli screenshot tramite LLM multimodali per ogni interazione.
Puoi consultare la nostra metodologia di benchmark qui.
Panoramica degli agenti IA mobili
DroidRun
DroidRun è un framework open-source che realizza agenti IA nativi per dispositivi mobili in grado di controllare autonomamente app e telefoni mobile. È un framework fondamentale che converte le interfacce utente in dati strutturati con cui i large language model possono interagire, consentendo un'automazione complessa direttamente sui dispositivi mobili.
Guardalo in azione:
AutoDroid
AutoDroid è un sistema di automazione dei compiti mobili progettato per eseguire compiti arbitrari su qualsiasi app Android senza configurazione manuale. Sfrutta il ragionamento di buon senso dei large language model come GPT‑4 e Vicuna, combinato con un'analisi automatizzata specifica per ogni app.
AutoDroid introduce una rappresentazione dell'interfaccia utente sensibile alle funzionalità per collegare le interfacce delle app con gli LLM, utilizza l'iniezione di memoria basata sull'esplorazione per insegnare al modello comportamenti specifici delle app e include l'ottimizzazione delle query per ridurre i costi di inferenza. Valutato su un benchmark di 158 compiti, ha raggiunto un'accuratezza delle azioni del 90,9% e un successo nei compiti del 71,3%, superando le baseline basate solo su GPT‑4.1
Mobile-Agent
Il repository GitHub X-PLUG/MobileAgent è l'implementazione ufficiale di Mobile-Agent, un framework per agenti IA progettato per controllare autonomamente le applicazioni mobili percependo e ragionando sulle loro rappresentazioni visive dell'interfaccia utente.
Questo progetto proviene dal gruppo X-PLUG dell'Università Tsinghua ed è stato presentato a ICLR 2024, con l'obiettivo di ampliare i confini degli agenti mobili utilizzando l'apprendimento multimodale, in particolare la percezione visiva e l'esecuzione di istruzioni. Guarda il video per vederlo in azione.
AppAgent
Il repository GitHub TencentQQGYLab/AppAgent è un progetto di ricerca open-source del Tencent QQG Y-Lab. Introduce AppAgent, un framework per agenti IA mobili progettato per operare e ragionare autonomamente attraverso le app Android senza codice scritto dall'uomo per ogni singola app.
Fonte: AppAgent2
Tecno EllaClaw
Tecno ha integrato la tecnologia OpenClaw nel suo assistente IA Ella, marchiando la combinazione come "EllaClaw".3
EllaClaw funziona su HIOS, il sistema operativo mobile di Tecno basato su Android, e viene fornito con due competenze iniziali: un Riepilogo Intelligente degli SMS che segnala i messaggi importanti come notifiche bancarie e bollette, e un Programma Giornaliero che raccoglie eventi del calendario, meteo e notizie in un briefing quotidiano.
Il sistema utilizza una memoria persistente per apprendere le preferenze dell'utente ed è in fase di rollout in beta su dispositivi Tecno selezionati, a partire dal flagship Camon 50 Ultra.4
Samsung Galaxy S26
La serie Galaxy S26 ha introdotto una configurazione multi-agente che consente agli utenti di passare tra tre assistenti IA:5
- Bixby, rinnovato per utilizzare l'assistenza di Perplexity per il controllo del dispositivo tramite linguaggio naturale, come la regolazione delle impostazioni per evitare il timeout dello schermo durante la visualizzazione di contenuti.
- Google Gemini, con una nuova funzionalità beta per l'esecuzione di compiti in background come prenotare corse o riordinare pasti mentre l'utente continua altre attività sul telefono.
- Perplexity, integrato a livello di sistema tramite la sua Sonar API, disponibile nelle app native tra cui Note, Calendario e Galleria, e richiamabile a mani gratuito tramite una frase di attivazione o la pressione del tasto laterale.
Perplexity è stato inizialmente lanciato con la frase di attivazione "Hey, Plex", ma un successivo aggiornamento software l'ha cambiata in "Hey, Perplexity" per evitare confusione con lo streamer multimediale Plex.6
Google Gemini Intelligence e Android 17
Google ha annunciato Gemini Intelligence, una suite di funzionalità il cui punto di forza è l'esecuzione di compiti multi-step e cross-app con approvazione dell'utente.7
I casi d'uso dimostrati includono l'identificazione degli ingredienti da un video di cucina di YouTube e il loro ordinazione automatica, la prenotazione di una lezione di spinning e l'estrazione del programma di un corso da Gmail per popolare un carrello della spesa con i libri richiesti.
Queste capacità agentiche saranno lanciate per prime sulla serie Samsung Galaxy S26 e sui Google Pixel 10 e Pixel 10 Pro, tramite l'app Gemini, con un successivo rollout pianificato per orologi, auto, occhiali e laptop. La parte on-device richiede hardware in grado di eseguire i modelli Gemini Nano, con Google che specifica almeno 12GB di RAM e processori qualificati come requisiti minimi.8
Il responsabile Android Sameer Samat ha descritto Android 17 come il punto di svolta in cui la piattaforma passa "da sistema operativo a sistema intelligente", e ha osservato che Android 17 segnerà "il punto in cui le prime capacità agentiche inizieranno a essere distribuite più ampiamente", inizialmente con un supporto limitato delle app.9
AGI, Inc. e Qualcomm
AGI, Inc. ha annunciato una collaborazione con Qualcomm per portare il suo agente mobile on-device, AGI-0, sui dispositivi Snapdragon.10
AGI-0 viene eseguito localmente, utilizza modelli visione-linguaggio-azione per vedere lo schermo e agire su qualsiasi app senza richiedere integrazioni specifiche per app, e pone l'accento sulla privacy mantenendo l'elaborazione dei dati sul dispositivo invece di instradarli attraverso API cloud.
Funzionalità degli agenti IA mobili
Gestione dei comandi orientata agli obiettivi
Gli utenti specificano ciò che desiderano ("Prenota una corsa per l'aeroporto") e l'agente decide quali app aprire, quali azioni intraprendere e in quale ordine. All'utente non viene chiesto di tradurre l'obiettivo in singoli tocchi e scorrimenti.
Ragionamento basato su LLM
Gli agenti IA mobili si affidano ai large language model per identificare l'intento dell'utente dalle richieste in linguaggio naturale, interpretare il contenuto sullo schermo, generare piani d'azione passo-passo e adattarsi quando l'interfaccia utente cambia tra gli stati dell'app come schermate di caricamento, pop-up di dialogo o transizioni di navigazione.
Controllo strutturato e nativo delle app
Invece di estrarre pixel dallo schermo, gli agenti IA mobili estraggono gerarchie strutturate dell'interfaccia utente, tipicamente alberi basati su XML che descrivono pulsanti, campi e altri elementi interattivi, e operano direttamente su tali elementi. DroidRun, ad esempio, utilizza le API di Accessibilità Android per leggere e agire sugli elementi reali dell'interfaccia utente anziché indovinare le coordinate da uno screenshot.
Esecuzione cloud e on-device per agenti IA mobili
Gli agenti basati su cloud si connettono ai modelli tramite chiamate API. Gestiscono bene il ragionamento complesso, ma richiedono la trasmissione dei dati dello schermo e del contesto utente a server esterni, sollevando problemi di privacy per le applicazioni sensibili. Le prestazioni dipendono anche da una connettività di rete stabile.
Gli agenti on-device eseguono i modelli direttamente sull'hardware mobile, mantenendo tutti i dati in locale. Ciò elimina i rischi di trasmissione e consente la funzionalità offline. Le attuali NPU e GPU mobili limitano le dimensioni del modello, il che può ridurre l'accuratezza nei compiti che richiedono un ragionamento più profondo o finestre di contesto più lunghe.
Le architetture ibride combinano entrambi gli approcci. I modelli leggeri on-device gestiscono i compiti di routine e la classificazione iniziale degli intenti, mentre le operazioni complesse vengono instradate agli LLM cloud. Apple Intelligence e Gemini Nano seguono questo schema, elaborando le richieste semplici localmente e passando al cloud quando necessario.
Rischi di sicurezza e privacy negli agenti IA mobili
Le stesse capacità che rendono utili gli agenti IA mobili creano anche nuove superfici di attacco:
- Esposizione del contenuto dello schermo: Gli agenti possono trasmettere password, messaggi e dati finanziari agli LLM cloud per l'elaborazione.
- Perdita di credenziali: I flussi di lavoro di accesso automatico possono esporre involontariamente password salvate e token di autenticazione.
- Conservazione dei dati poco chiara: Molti fornitori di agenti non pubblicano per quanto tempo vengono conservati screenshot, registri delle azioni e registrazioni dello schermo catturati, né se vengono utilizzati per addestrare modelli futuri.
- Rischio di prompt injection: Contenuti dannosi nelle app potrebbero manipolare il comportamento dell'agente tramite testo dell'interfaccia utente creato ad arte, come un'etichetta di pulsante falso che recita "Ignora le istruzioni precedenti".
Le mitigazioni coprono l'intero stack:
- Elaborazione on-device mantiene i dati sensibili dello schermo completamente fuori dai server esterni, rappresentando il controllo più forte dove le dimensioni del modello lo consentono.
- Oscuramento delle informazioni di identificazione personale (PII) rileva e rimuove automaticamente dati come nomi, numeri di telefono e ID account prima di qualsiasi chiamata API cloud.
- Confini di autorizzazione limitano l'ambito del servizio di accessibilità dell'agente in modo che non possa leggere o agire all'interno di categorie di app specifiche come quelle bancarie, sanitarie o di messaggistica.
- Politiche dei fornitori trasparenti significano periodi di conservazione pubblicati, giurisdizioni di elaborazione e dichiarazioni esplicite sull'uso dei dati di addestramento, anziché un linguaggio generico sulla privacy.
Aggiungi come fonte preferitaPerché le prestazioni differiscono tra gli agenti IA mobili
Le differenze osservate derivano principalmente dalle scelte architetturali e dai metodi di interazione.
DroidRun privilegia l'affidabilità attraverso il ragionamento multi-step, la pianificazione esplicita e il tracciamento degli stati. Ciò migliora il successo nei compiti ma aumenta l'uso di token e il costo.
Mobile-Agent bilancia prestazioni ed efficienza. Il suo ragionamento più leggero e la comprensione visiva riducono i costi mantenendo tassi di successo moderati, rendendolo adatto a casi d'uso con budget limitato.
AutoDroid si concentra sull'esecuzione basata sulle azioni con un sovraccarico di ragionamento minimo. Ciò si traduce nel costo più basso e nei tempi di esecuzione più rapidi, ma limita anche la sua capacità di gestire compiti complessi o ambigui.
AppAgent si basa fortemente sull'interazione basata sulla visione utilizzando LLM multimodali. L'elaborazione frequente degli screenshot aumenta la latenza e i costi, mentre le difficoltà con le coordinate dell'interfaccia utente riducono il successo nei compiti.
Metodologia del benchmark degli agenti IA mobili
Abbiamo condotto una valutazione benchmark per valutare le prestazioni degli agenti IA mobili che operano sul sistema operativo Android in compiti del mondo reale. Abbiamo utilizzato il framework AndroidWorld e testato tutti gli agenti sugli stessi compiti standard.
Framework AndroidWorld
AndroidWorld è una piattaforma di benchmark open-source sviluppata specificamente da Google Research per la valutazione degli agenti mobili. Questa piattaforma mira a misurare le prestazioni degli agenti che lavorano in applicazioni Android reali attraverso compiti standardizzati.
La caratteristica più importante di AndroidWorld è che utilizza applicazioni Android reali invece di ambienti di test artificiali e può valutare automaticamente le prestazioni degli agenti. Abbiamo utilizzato 65 compiti in questo studio. Questi compiti coprono scenari di utilizzo quotidiano del dispositivo mobile come la gestione del calendario, l'aggiunta di contatti, la registrazione vocale, lo scatto di foto e le operazioni sui file.
Configurazione dell'ambiente
Configurazione del sistema: Per configurare l'ambiente di benchmark, abbiamo prima installato Android Studio sul sistema operativo Windows 11 e configurato l'emulatore Android ufficiale di Google.
Configurazione del dispositivo virtuale: Abbiamo creato un dispositivo virtuale che simula un Pixel 6. Le specifiche di questo dispositivo virtuale sono state impostate con sistema operativo Android 13 (API Livello 33), risoluzione 1080×2400, 8GB di RAM e 20GB di spazio di archiviazione.
Configurazione dell'emulatore: Per integrare l'emulatore con AndroidWorld, abbiamo configurato la porta gRPC come 8554 perché AndroidWorld comunica con l'emulatore attraverso questa porta.
Configurazione dell'ambiente Python: Per preparare l'ambiente Python, abbiamo creato un nuovo ambiente conda con Python 3.11 utilizzando Miniconda. Dopo aver clonato il repository AndroidWorld da GitHub, abbiamo installato tutte le dipendenze usando pip. Uno dei passaggi più critici di AndroidWorld è il processo di configurazione dell'emulatore.
Il comando di configurazione ha richiesto circa 45-60 minuti. Durante questo processo, AndroidWorld ha installato automaticamente tutte le applicazioni Android da testare sull'emulatore.
Creazione dei dati dello stato iniziale: Ha creato dati dello stato iniziale per ogni applicazione, ad esempio, ha aggiunto alcuni eventi all'applicazione calendario, ha aggiunto contatti all'applicazione contatti e ha aggiunto un podcast chiamato "banana" all'applicazione podcast. Ha anche salvato snapshot per ogni compito, in modo che ogni compito possa partire da uno stato iniziale pulito.
Integrazioni degli agenti
AutoDroid
Integrazione AutoDroid: Per integrare AutoDroid, abbiamo prima clonato il repository da GitHub e installato i pacchetti Python richiesti. La caratteristica principale di AutoDroid è l'identificazione degli elementi dell'interfaccia utente tramite l'analisi XML e il completamento dei compiti con un approccio basato sulle azioni.
L'agente assegna un numero indice a ogni elemento cliccabile o focalizzabile sullo schermo e riceve comandi dall'LLM come "tap(5)" o "text('hello')".
Wrapper AutoDroid: Per l'integrazione con AndroidWorld, abbiamo creato una classe wrapper chiamata autodroid_agent.py. Questo wrapper esegue le configurazioni necessarie nel metodo di inizializzazione di AutoDroid, converte l'obiettivo del compito proveniente da AndroidWorld in un formato di prompt che AutoDroid può trasformare in azioni generate da AutoDroid in comandi ADB reali utilizzando le funzioni execute_adb_call di AndroidWorld.
Flusso di esecuzione: Nel metodo step di AutoDroid, l'agente acquisisce prima uno screenshot e un dump XML dello schermo, analizza gli elementi dell'interfaccia utente, invia queste informazioni all'LLM ed esegue azioni di tocco, scorrimento o immissione di testo in base alla risposta ricevuta.
DroidRun
Integrazione DroidRun: Abbiamo seguito un processo di integrazione simile per DroidRun. Dopo aver clonato il repository DroidRun da GitHub, abbiamo installato le dipendenze in requirements.txt.
La struttura architetturale di DroidRun è più complessa perché dispone di un sistema di ragionamento multi-step e di tracciamento degli stati. DroidRun può spiegare non solo cosa farà a ogni passaggio ma anche il perché, e può utilizzare i risultati dei passaggi precedenti nel passaggio successivo.
Wrapper DroidRun: Abbiamo creato il wrapper droidrun_agent.py per l'integrazione con AndroidWorld. La parte più importante di questo wrapper è stata rendere la classe CodeActAgent di DroidRun compatibile con l'interfaccia dell'agente base di AndroidWorld.
Processo di esecuzione: Quando abbiamo chiamato il metodo execute_task di DroidRun, l'agente passa attraverso una fase di pianificazione del compito, quindi esegue ogni passaggio e valuta i risultati. Abbiamo adattato questo processo al modello di esecuzione passo-passo di AndroidWorld. Abbiamo anche implementato gli strumenti utilizzati da DroidRun (tap_by_index, start_app, list_packages, ecc.) con i comandi ADB di AndroidWorld.
AppAgent
Integrazione AppAgent: L'integrazione di AppAgent è stata diversa dalle altre perché utilizza un approccio basato sulla visione. Dopo aver clonato il repository AppAgent, abbiamo integrato i file Python nella cartella scripts in AndroidWorld.
Approccio basato sulla visione: Il principio di funzionamento di AppAgent è il seguente: acquisisce prima uno screenshot dello schermo, quindi calcola i riquadri di delimitazione degli elementi dell'interfaccia utente, disegna questi riquadri sullo screenshot, assegna un numero a ciascuno e invia questo screenshot etichettato a un LLM multimodale. L'LLM determina visivamente quale elemento deve essere cliccato.
Configurazione del wrapper: Il passaggio più importante nell'integrazione di AppAgent è stato reindirizzare la parte che comunica con il dispositivo Android utilizzando il modulo and_controller.py di AppAgent all'emulatore di AndroidWorld. Nel wrapper appagent_agent.py, abbiamo reimplementato i metodi get_screenshot e get_xml di AppAgent per funzionare con le API di AndroidWorld. Abbiamo anche reso il file model.py di AppAgent, che utilizza il formato OpenAI API, compatibile con l'OpenRouter API.
Mobile-Agent (M3A)
Integrazione Mobile-Agent (M3A): L'integrazione di M3A è stato il processo più completo perché funziona completamente su base visiva e dispone di un sistema di analisi dell'interfaccia utente molto dettagliato. Dopo aver clonato il repository M3A, abbiamo anche installato il framework di interazione Android Mobile-Env perché M3A dipende da questo framework.
Analisi multi-step: Il principio di funzionamento di M3A si basa sulla divisione dello schermo in griglie, sull'analisi separata di ciascuna griglia e sulla pianificazione multi-step. Durante la creazione del wrapper m3a_agent.py, abbiamo dovuto integrare il sistema di ambiente proprio di M3A con l'ambiente di AndroidWorld. M3A normalmente utilizza il proprio Mobile-Env, ma l'abbiamo reindirizzato all'env di AndroidWorld.
Chiamate multiple agli LLM: Abbiamo osservato che M3A effettua più chiamate agli LLM a ogni passaggio (come pianificazione, selezione dell'azione, verifica) e le abbiamo rese compatibili con i limiti di passaggio di AndroidWorld.
Procedura di test e raccolta dati
Flusso di test: La procedura di test per ogni agente ha funzionato come segue: per prima cosa, abbiamo avviato l'emulatore con uno snapshot pulito. Dopo che l'emulatore era completamente aperto, abbiamo eseguito run.py di AndroidWorld. Abbiamo eseguito 65 compiti in sequenza per ogni agente e utilizzato Claude 4.5 Sonnet per tutti gli agenti.
Esecuzione del compito: AndroidWorld ha eseguito automaticamente i seguenti passaggi per ogni compito: caricare lo stato iniziale del compito, avviare l'agente, inviare l'obiettivo del compito all'agente, tracciare i passaggi dell'agente, fermarsi quando viene raggiunto il numero massimo di passaggi o quando l'agente dice "compito completato", e verificare se il compito è stato completato con successo.
Criteri di successo: Il sistema di valutazione dei compiti di AndroidWorld include criteri di successo predefiniti. Ad esempio, per il compito "Aggiungi contatto di nome John Doe", AndroidWorld interroga il database dei contatti per confermare che il contatto è stato aggiunto.
Per i compiti del calendario, verifica dal database se l'evento è stato creato con data, ora, titolo e descrizione corretti. Al termine di ogni esecuzione del compito, AndroidWorld ci ha fornito il tempo di esecuzione e lo stato di successo (True/False). Questi dati sono stati registrati automaticamente e utilizzati per l'analisi.
Raccolta dati: Dopo aver completato l'intero benchmark, abbiamo identificato il compito che tutti gli agenti hanno completato con successo. Questo compito è stato quindi eseguito 10 volte da ciascun agente, e sono stati calcolati il tempo medio di esecuzione, il costo e il consumo di token per metriche prestazionali più affidabili.
FAQ
Gli agenti IA mobili sono sistemi software che interagiscono autonomamente con utenti e applicazioni mobili utilizzando input in linguaggio naturale e ragionamento orientato agli obiettivi per completare compiti per conto degli utenti. A differenza degli strumenti di automazione tradizionali o dei primi assistenti personali, questi agenti sono alimentati dall'IA. Alcuni dei loro casi d'uso includono:
Automazione QA mobile senza script di test
Automazione dei flussi di lavoro mobili come il caricamento di documenti d'identità o la modifica delle impostazioni del profilo
Assistenti IA che gestiscono app per non vedenti, anziani o chiunque altro.
Compiti generali quotidiani come creare eventi sul calendario o persino completare lezioni di Duolingo.
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},
title = {{Agenti IA Mobili Testati in 65 Compiti del Mondo Reale}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/mobile-ai-agent}},
note = {AIMultiple. Consultato il 9 Giugno 2026}
}Collegamenti di riferimento
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.
Prossimo da leggere
Best AliExpress Scrapers: Decodo, Nimble & Zyte
Web Archive API: 4 migliori provider testati e confrontati
I 4 migliori Google Play Scraping Providers a confronto
I migliori 6 scraper per l'Apple App Store: Bright Data, SerpAPI e Zyte
Le 5 Migliori API per lo Scraping di Annunci di Lavoro a Confronto
Migliori Scraper per Glassdoor: Bright Data, Oxylabs & Decodo
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.