Anthropic ha introdotto una funzionalità chiamata "dreaming" che permette ai suoi Claude Managed Agents di mettersi da parte dal lavoro attivo, rivedere le sessioni passate e riorganizzare le proprie memorie senza alcuna modifica al modello sottostante. L'azienda ha presentato la funzionalità il 6 maggio 2026, durante la conferenza per sviluppatori Code with Claude a San Francisco.

Il nome richiama la consolidazione della memoria durante il sonno, quando il cervello rielabora e riorganizza le esperienze della giornata. In questo caso il meccanismo è interamente software: nel modello non cambia nulla, cambiano solo le note che un agente conserva sul proprio lavoro.

Secondo Anthropic, il processo ordina le memorie, corregge gli errori e rende più facile per Claude individuare le informazioni giuste nelle sessioni successive. Nei test iniziali con l'azienda di AI legale Harvey, i tassi di completamento dei compiti su benchmark legali realistici sarebbero aumentati di sei volte dopo l'applicazione del dreaming.

Come funziona il dreaming

Un agente scrive note mentre lavora, in tempo reale, senza sapere in anticipo quali dettagli saranno importanti in seguito. Nel corso di molte sessioni, quelle note si accumulano con duplicati, contraddizioni, osservazioni meio utili e la occasionale lezione davvero preziosa sepolta sul fondo. Per gli agenti il cui lavoro si estende su giorni o settimane anziché su una singola conversazione, quel quaderno accumulato può diventare tanto un ostacolo quanto una risorsa.

Il dreaming funge da processo di pulizia. Viene eseguito in modo asincrono, operando in background senza interrompere un agente nel mezzo di un compito. Ogni esecuzione può elaborare da una a 100 trascrizioni di sessioni. Il sistema le legge, unisce le voci duplicate ed è progettato per eliminare le contraddizioni dalla memoria operativa dell'agente.

La funzionalità cerca anche pattern, evidenziando gli errori che l'agente continua a ripetere e i flussi di lavoro che ottengono costantemente risultati. Il risultato è un archivio di memorie pulito e riorganizzato. Un dettaglio cruciale: gli input originali restano intatti, quindi nulla viene sovrascritto sul posto.

Note, non neuroni

Un dettaglio conta più del nome accattivante: il dreaming non modifica i pesi del modello sottostante di Claude. Gli apprendimenti vengono invece salvati come note in testo normale e playbook strutturati. L'agente non sta diventando un modello diverso; si sta dotando di un quaderno meglio organizzato. Questa impostazione distingue inoltre la funzionalità dal riaddestramento: i miglioramenti si accumulano in file che un team può leggere e approvare, anziché in parametri bloccati all'interno della rete.

Gli utenti mantengono anche il controllo su come vengono applicati gli aggiornamenti. Possono scegliere se gli aggiornamenti dell'archivio di memorie avvengano automaticamente o attendano l'approvazione manuale prima di avere effetto.

Durante la research preview, il dreaming supporta tre modelli: claude-opus-4-8, claude-opus-4-7 e claude-sonnet-4-6. L'accesso è limitato: le organizzazioni devono richiedere l'accesso per utilizzare la funzionalità, quindi non è qualcosa che ogni sviluppatore Claude può attivare oggi.

Perché il risultato di Harvey è importante

Il risultato di Harvey è la metrica principale, e proviene da un settore esigente. Il lavoro legale premia la precisione e penalizza l'incoerenza, il che lo rende un test di stress ragionevole per la memoria di un agente.

Detto questo, si tratta di un solo partner e di una sola categoria di benchmark. I risultati di un unico tester iniziale in una research preview sono un segnale, non una garanzia di come la funzionalità si comporti in ogni settore. Prove più chiare dipenderanno da una disponibilità più ampia, che per ora richiede una richiesta approvata.

Il quadro più ampio per gli agenti AI

Il dreaming è arrivato insieme ad altre funzionalità complementari presentate alla conferenza. Quelle funzionalità sono da allora passate a una beta pubblica più ampia, mentre il dreaming resta dietro il suo sistema di accesso su richiesta.

Poiché gli apprendimenti vivono in testo normale e playbook strutturati, una persona può effettivamente leggere ciò che l'agente ha deciso di sapere.

Ci sono anche rischi da tenere d'occhio. Qualsiasi sistema che riassume e consolida informazioni può anche consolidare errori, decidendo che la lezione sbagliata è quella giusta e archiviandola ordinatamente. Le scelte di progettazione di Anthropic—mantenere intatti gli originali e offrire l'approvazione manuale—sembrano mirate esattamente a quel problema.

Per i team che valutano la funzionalità, gli indicatori da monitorare sono concreti: se l'accesso si allargherà oltre il sistema su richiesta, se Harvey o altri partner pubblicheranno risultati più completi e se l'approvazione manuale si rivelerà pratica su larga scala. Nessuna di queste domande è ancora stata risolta.

Disclosure: Il report originale è stato curato da Diego Almada Lopez.