Il 10 settembre 2026 OpenAI ha aperto a tutti gli sviluppatori la Agents API, in beta pubblica. In una riga: lo stesso motore che fa girare Codex, quello che gestisce il contesto, chiama gli strumenti e coordina i sottoagenti, diventa un servizio gestito che puoi usare con una sola chiamata API.
Per chi costruisce automazioni per le aziende, come faccio io ogni giorno con n8n, MCP e server su Hetzner, la domanda è una sola: conviene delegare l'agente al cloud di OpenAI o continuare a orchestrarlo in casa?
In questo articolo ti spiego cosa fa davvero la Agents API, cosa paghi, dove si incastra con la Agents SDK e la Responses API, e quando secondo me ha senso usarla.
Cos'è la Agents API di OpenAI
La Agents API è un servizio gestito che espone il cosiddetto harness di Codex: la parte di software che sta tra il modello e il mondo esterno. Il harness decide cosa tenere nel contesto, quali strumenti caricare, quando dividere il lavoro tra più agenti e come salvare i risultati intermedi.
Fino a ieri questa logica te la dovevi scrivere tu, oppure la trovavi nascosta dentro Codex e ChatGPT. Con la Agents API crei una sessione specificando quattro cose: il compito, il modello, gli strumenti e l'ambiente di esecuzione. OpenAI ospita e mantiene il harness, tu scegli dove gira il calcolo.
Le tre scelte di ambiente
- Sandbox ospitata da OpenAI: la stessa infrastruttura di Codex e ChatGPT, con file, pacchetti, skill e plugin configurabili. La via più rapida per partire.
- La tua infrastruttura: il harness resta da OpenAI, ma il codice e i file girano su macchine tue, anche dentro il tuo VPC.
- Partner sandbox: integrazioni pronte con Blaxel, Cloudflare, Daytona, DigitalOcean, E2B, Modal, Oracle, Runloop e Vercel, con profili diversi di CPU, GPU, memoria e cold start. Su Vercel avevo già visto la stessa direzione con Agent Browser per l'automazione web.
Cosa fa il harness che prima dovevi fare tu
Qui sta il valore vero. Chi ha provato a tenere in piedi un agente per ore sa che il problema non è il modello, è tutto quello che gli sta intorno. La Agents API porta in dote tre meccanismi che nel mio lavoro ho sempre dovuto costruire a mano.
Compattazione automatica del contesto
Quando la sessione si avvicina al limite di contesto, il harness comprime la parte vecchia della conversazione e conserva solo ciò che serve per andare avanti. Il risultato è un workflow che attraversa più finestre di contesto senza che tu scriva la logica di compattazione.
È la stessa idea che avevo descritto analizzando il ciclo operativo dell'agente Codex: ora è esposta come funzione della piattaforma.
Ricerca strumenti e chiamate programmatiche
Invece di caricare tutte le definizioni dei tool nel prompt, l'agente le cerca e le carica solo quando servono. Questo riduce i token, tiene viva la cache e alza il numero di strumenti che puoi collegare senza far esplodere i costi.
Con la chiamata programmatica, poi, l'agente esegue più tool in parallelo, concatena operazioni e filtra i risultati in codice, riportando nel contesto solo ciò che conta. Sono supportati server MCP, funzioni personalizzate e tool integrati come la ricerca web.
Sottoagenti in parallelo
Con il supporto multi-agente, il compito viene diviso in pezzi indipendenti affidati a sottoagenti, ognuno con il proprio contesto. L'agente principale coordina e ricompone i risultati. Nel payload basta impostare multi_agent con il numero massimo di sottoagenti concorrenti.
Agents API, Agents SDK e Responses API: quale usare
Le tre sigle confondono, quindi le metto in fila come le uso io.
- Responses API: la chiamata base al modello, con tool e output strutturati. Il ciclo lo gestisci tu.
- Agents SDK: libreria open source in Python e TypeScript per costruire agenti sul tuo server. Il harness lo esegui tu, con la tua logica di orchestrazione.
- Agents API: il harness lo esegue OpenAI, versionato e aggiornato a ogni modello nuovo. Tu porti strumenti, dati e ambiente.
La differenza pratica è dove vive la complessità. Con la SDK ogni nuovo modello può richiedere di rivedere il tuo harness; con la Agents API l'aggiornamento arriva dal lato di OpenAI e il tuo codice resta uguale.
Quanto costa la Agents API
Non ci sono costi aggiuntivi per il servizio: paghi i token e gli strumenti che i tuoi agenti consumano, secondo il listino API normale. Nell'esempio ufficiale il modello indicato è GPT-6 Astra, di cui ho già analizzato prezzi e comportamento.
Il punto da tenere d'occhio non è la tariffa del harness, che è zero, ma il consumo di una sessione lunga con sottoagenti: ogni sottoagente ha il suo contesto, quindi i token si moltiplicano. La compattazione automatica e la ricerca strumenti servono proprio a contenere questo effetto.
Se usi la sandbox ospitata o un partner, a questo si aggiunge il costo del calcolo, che dipende dal fornitore scelto.
Quando la userei e quando no
Il mio stack per i clienti oggi è n8n con server MCP e modelli diversi a seconda del compito, tutto su macchine che controllo. Ragiono così.
Ha senso quando
- Il compito dura ore o giorni: revisione di repository, analisi di incidenti, ricerche lunghe. Gestire contesto e ripresa da soli qui costa più della piattaforma.
- Il carico è a raffica: centinaia di agenti in parallelo per un picco, poi nulla. Non tieni infrastruttura ferma tra un picco e l'altro.
- Hai già server MCP: si collegano come tool senza riscrivere nulla, e questo per me è il pezzo più interessante.
Non ha senso quando
- Il flusso è breve e deterministico: una richiesta, una risposta, un salvataggio. Un workflow n8n con una chiamata alla Responses API costa meno e si debugga meglio.
- I dati non possono uscire: la variante su infrastruttura propria aiuta, ma il harness resta da OpenAI e va valutato con il cliente, anche alla luce di quello che spiego sui controlli AI Act.
- Vuoi indipendenza dal fornitore: il harness è open source, ma il servizio gestito lega il tuo prodotto al modello e all'infrastruttura di OpenAI.
Come si confronta con Claude Code e gli altri agenti
Claude Code, Copilot CLI e Codex sono agenti che girano sul tuo computer, con limiti di utilizzo legati all'abbonamento. Nel confronto tra Copilot CLI e Claude Code ho spiegato perché il modo in cui si pagano cambia il modo in cui li usi.
La Agents API è un'altra categoria: non è uno strumento da terminale ma un componente da mettere dentro il tuo software, e si paga a consumo. Anche i limiti delle 5 ore di Codex non c'entrano: qui non ci sono finestre, c'è un contatore di token.
Il parallelo più vicino è DeepSeek Harness, che trasforma Claude Code in un plugin: stessa idea di harness riutilizzabile, ma da eseguire in casa. OpenAI ha scelto la strada opposta e lo offre come servizio.
Cosa controllare prima di metterla in produzione
- È una beta: OpenAI dichiara che iterrà in fretta verso la disponibilità generale. Aspettati cambi di API.
- Permessi degli strumenti: un agente che gira per ore con accesso a server MCP e sandbox ha bisogno di credenziali con il minimo privilegio. Le sette regole che ho scritto dopo il quarto incidente di Claude valgono uguali qui.
- Budget per sessione: imposta un tetto di token e di sottoagenti per ogni sessione, altrimenti una ricerca mal posta ti brucia il credito in una notte.
- Osservabilità: l'API restituisce eventi durante l'esecuzione. Salvali, ti servono per capire cosa ha fatto l'agente e perché.
Domande frequenti sulla Agents API
La Agents API è gratuita?
Il servizio non ha un costo a sé: paghi i token del modello e gli strumenti usati, più l'eventuale sandbox ospitata o del partner.
Che differenza c'è tra Agents API e Agents SDK?
Con la SDK il harness gira sul tuo server e lo mantieni tu; con la Agents API il harness lo esegue e lo aggiorna OpenAI.
Posso usare i miei server MCP?
Sì, i server MCP si collegano come tool nella definizione dell'agente, insieme a funzioni personalizzate e tool integrati.
L'agente può girare sui miei server?
Sì, puoi scegliere la tua infrastruttura o un partner sandbox come Cloudflare, Vercel, Modal o DigitalOcean; il harness resta comunque gestito da OpenAI.
Serve GPT-6 Astra?
Nell'esempio ufficiale il modello è gpt-6-astra, ma il campo model è un parametro della sessione: la scelta dipende dal compito e dal costo per token.
Leggi anche
- Codex Agent Loop di OpenAI: Guida Tecnica Completa 2026
- GPT-6 Astra vs Claude Fable 5.1: quale scegliere e quando
- OpenClaw 2.0: cosa cambia quando l'agente AI è di tutti
- DeepSeek V4.1 Flash: benchmark, prezzi e cosa cambia davvero
In conclusione
La Agents API non rende inutile n8n né gli agenti da terminale. Toglie di mezzo il lavoro noioso che serve a tenere vivo un agente per ore: contesto, strumenti, sottoagenti. Se stai valutando un agente di lunga durata per la tua azienda, con server MCP già pronti, è la prima cosa che proverei.
Se vuoi capire se ha senso nel tuo caso, scrivimi dal form oppure a info@cosimo.dev: ti dico in modo onesto se conviene il cloud gestito o un flusso di automazione AI costruito su misura.
