Un’unica frase per reclutare un team AI: la piattaforma open source di Agent collaborativi ha azzerato le barriere per la one-man company

Il tuo costo più alto non è il salario, ma il fatto che tu abbia solo 16 ore di veglia al giorno.

Da solo riesci a fare il lavoro di una persona, e questo è il tuo limite massimo. Se vuoi gestire il carico di tre persone, o assumi qualcuno (pagando di tasca tua) o tagli metà degli ordini. Negli ultimi dieci anni, le one-man company si sono sempre arenate su questo scoglio.

La soluzione nel 2026 è diversa: sostituire i dipendenti con gli Agent. Un intero team AI in grado di dividersi i compiti autonomamente, consegnarsi il lavoro a vicenda e operare in locale 24/7. Un progetto open source chiamato LobeHub (con 81,5k Star su GitHub e oltre 340 contributor) ha già reso concreta questa strada: come configurarlo, come prendere ordini e come usarlo come se fosse il tuo dipendente. Lo analizziamo nel dettaglio qui sotto.

1. Prima guardiamo i numeri: 80k Star non nascono dal nulla

Inizialmente questo progetto si chiamava LobeChat, un client open source per ChatGPT. Nel giro di un anno si è completamente trasformato in LobeHub, evolvendosi da semplice tool di chat a piattaforma di collaborazione per Agent. Il repository è stato migrato da lobehub/lobe-chat a lobehub/lobehub, con un posizionamento rivisto su “Chief Agent Operator” (Chief Agent Officer — puoi considerarlo una sorta di “Direttore Operativo”, con la differenza che a essere gestiti non sono esseri umani, ma Agent AI).

Nell’interfaccia vedi un vero e proprio organigramma di Agent: ogni Agent ha un nome, un ruolo preciso e può ricevere task.

Su GitHub, un altro progetto, AutoGPT (186k Star), è partito prima, ma le tendenze nel 2026 sono già cambiate: il consenso del settore è netto — un singolo Agent non basta più, il futuro sono i team di Agent. Anche progetti complementari come Mem0 (62,9k Star, specializzato in memoria) e RAGFlow (86k Star, specializzato in knowledge base) sono esplosi quest’anno. L’intero ecosistema si sta muovendo in tre direzioni: “lavoro di squadra, memoria persistente, deployment privato”.

Il vero vantaggio competitivo di LobeHub è offrire tutto questo in un unico pacchetto: knowledge base integrata, un marketplace con oltre 10.000 skill (plug-in standard basati sul protocollo MCP), orchestrazione unificata di multi-modelli e deployment privato con Docker in un solo clic. Una volta installato, non devi più impazzire a mettere insieme quattro o cinque strumenti diversi: tutto gira da un’unica console.

2. Come lavora davvero: 4 modalità di collaborazione tra Agent

Gli Agent Groups sono la vera miniera d’oro: quando un singolo Agent non basta a portare a termine un lavoro, il sistema orchestra l’intero team. Ci sono 4 modalità di collaborazione ufficiali, ordinate per frequenza d’utilizzo:

① Modalità a catena di montaggio (Sequential) — usala per l’80% dei task: l’Agent A scrive e passa il testimone all’Agent B, che revisiona; poi si passa all’Agent C per impaginare e formattare. Consegna in serie: ogni step si può controllare e bloccare.
② Modalità parallela (Parallel) — per il 10% dei task massivi: un task viene spaccato in N parti, N Agent lavorano in simultanea e alla fine si fondono i risultati. Perfetta per il batch processing — ad esempio generare 30 titoli di prodotto in un colpo solo o scrivere 100 descrizioni di immagini e-commerce tutte insieme.
③ Modalità iterativa (Iterative) — per la minoranza di contenuti che richiedono limatura continua: un Agent scrive, un altro fa da editor e assegna un punteggio; se non si supera la soglia, si riscrive. È la modalità da usare per lavori “qualità prima della velocità”, come raffinare titoli virali su Pinterest o scrivere articoli approfonditi da pubblicare sul tuo blog.
④ Modalità dibattito (Debate) — per la minoranza di task che richiedono prospettive multiple: più Agent dibattono sullo stesso tema (ad esempio “questo prodotto vale davvero l’acquisto?”), e un Moderator raccoglie divergenze e punti d’incontro. L’ideale per recensioni di prodotto e report di ricerca.

Un caso d’uso reale: gestisci un sito di strumenti SaaS e devi aggiornare quotidianamente le descrizioni delle funzionalità, i prezzi e le recensioni di 50 prodotti. Con una modalità a pipeline, il primo Agent estrae i dati, il secondo scrive la versione in italiano, il terzo la versione in inglese, il quarto ottimizza le keyword SEO. Prima ci voleva una persona a tempo pieno per un’intera giornata; oggi un flusso di lavoro gira in 30 minuti.

3. La mossa più economica: deploy locale con Docker, modelli intercambiabili a piacimento

Molti si bloccano al pensiero: “Non riesco a far girare i modelli LLM sul mio computer”. La soluzione di LobeHub è cambiare solo il frontend, i modelli passano via API.

Una singola riga di comando in Docker avvia il servizio (docker run -d -p 3210:3210 --name lobehub lobehub/lobehub, una volta installato Docker Desktop ti basta incollarla nel terminale e il gioco è fatto), apri il browser su localhost:3210 e sei operativo. Tutta l’elaborazione avviene sui modelli cloud: in locale hai solo l’interfaccia utente. Anche se hai un MacBook Air con 8 GB di RAM, puoi farlo girare senza problemi.

I modelli si possono mixare. La combinazione consigliata negli esempi ufficiali è:

• Gemini 2.5 Pro: contesto lungo (livello milioni di token), perfetto per analizzare documenti corposi
• Kimi (2M di contesto): elaborazione del cinese di altissimo livello, ideale per l’analisi di materiali in lingua cinese
• DeepSeek V4 Flash: economico (al cambio attuale di agosto 2026 circa 1 RMB/M token in input, 2 RMB/M token in output; prezzo ufficiale in dollari $0.14/$0.28 per 1M), perfetto per task in batch

Un’operazione completa di “traduzione + riscrittura” ti costa meno di 3 centesimi. Fai girare 100 task al giorno? Sono 3 RMB. Questa è la vera struttura dei costi del “prendere lavori in outsourcing con l’AI”: al cliente fai pagare 1500 RMB, l’AI ti costa 30 RMB, i restanti 1470 RMB sono il tuo profitto lordo.

I lavori riguardano contratti clienti o dati interni? LobeHub supporta anche il deployment completamente on-premise: il knowledge base utilizza la ricerca vettoriale PGVector (recupera paragrafi per “significato simile”, non solo per corrispondenza esatta di parole chiave). Knowledge base e cronologia delle chat restano interamente in locale, i dati sensibili non escono mai dalla tua macchina, ma l’inferenza passa comunque tramite le API LLM sul cloud: questo è un limite che devi tenere a mente.

Quattro. I 3 tipi di commesse che puoi accettare, con tariffa mensile

Ecco le 3 tipologie di lavori che puoi iniziare a gestire oggi, strutturate con abbonamento mensile:

Scenario 1: Gestione e produzione di contenuti (canone mensile 3000-8000 RMB)

I tuoi clienti sono piccoli e medi brand di e-commerce: ogni settimana hanno bisogno di 5 post su Pinterest, 3 copioni per TikTok e 2 articoli per la newsletter aziendale. Monta una catena di montaggio con Agent Groups: Agente Selezione Topic → Agente Copywriting → Agente Formattazione → Agente Generazione Immagini (di solito integrato con API visive come Midjourney o Imagen, dove una singola immagine ti costa pochi centesimi). Un solo professionista può gestire 5 clienti: dedichi 2 ore al giorno al controllo qualità e per il resto del tempo gli Agent lavorano in autonomia. I costi delle API si aggirano tra 200 e 500 RMB al mese, e in teoria puoi spingere il margine lordo fino a 15.000 - 40.000 RMB.

Scenario 2: Report giornaliero di monitoraggio della concorrenza (canone mensile: 1.500 - 3.000 RMB)

Ogni giorno estrai prezzi, scorte e novità da 20 siti web dei concorrenti, inserendoli automaticamente in un foglio Google Sheets, per poi recapitare puntuale alle 9:00 un’email nella casella di posta del cliente. Utilizza la modalità parallela per estrarre i dati in batch e imposta alert dedicati per le variazioni chiave. Una sola persona riesce a gestire simultaneamente una dozzina di clienti.

Scenario 3: Outsourcing del customer care con AI (canone mensile: 2.000 - 5.000 RMB)

Il più grande mal di testa per i piccoli brand e i negozi su Amazon è il supporto clienti notturno. Sfrutta la funzione gateway IM di LobeHub (compatibile con Telegram, Discord, WeChat e WeChat Work) per intercettare le richieste dei clienti e smistarle automaticamente verso l’Agente competente in base al tipo di problema. Tu dormi, ma il tuo store continua a vendere.

Il filo conduttore di questi tre scenari: il prezzo di ogni commessa copre il costo delle API oltre 50 volte. Nel settore delle commissioni AI, ciò che vendi è tempo.

Cinque. Puoi costruirlo già stasera

Se vuoi solo la versione minimale in grado di funzionare, segui questi tre passaggi:

Primo passaggio: avvia il servizio. Installa Docker Desktop (disponibile per Mac/Win, con installazione in un clic dal sito ufficiale), poi esegui docker run -d -p 3210:3210 --name lobehub lobehub/lobehub. Apri il browser su http://localhost:3210. Se la porta 3210 è occupata, cambiala con -p 3211:3210.

Secondo passaggio: crea tre Agent. Un “Ricercatore” (collegato a Gemini 2.5 Pro, si occupa di leggere i documenti lunghi), un “Redattore” (collegato a Claude o GPT, si occupa di generare i contenuti) e un “Revisore” (collegato a un modello economico come DeepSeek V4 Flash, si occupa di correggere gli errori di battitura e verificare i fatti). La divisione dei ruoli tra tre modelli evita di far fare tutto il lavoro a un unico modello costoso. Le chiavi API dei modelli si richiedono sui siti ufficiali dei rispettivi provider: Google AI Studio per Gemini, OpenAI per GPT e DeepSeek Platform per DeepSeek; offrono tutti un credito gratuito per partire.

Terzo passo: avvia il tuo primo workflow. Crea un Agent Group e usa la modalità pipeline per collegare in serie tre Agent. Descrivi il task con il linguaggio naturale: “Leggi questo PDF che ho caricato, scrivi un riassunto in cinese di 800 parole, elenca 3 punti chiave e alla fine dammi 5 titoli in stile Pinterest.”

A flusso completato, vedrai i tre Agent lavorare ognuno per conto proprio, passarsi i dati in consegna e produrre il risultato finale. Se l’output ti soddisfa, salva questo workflow: la prossima volta potrai riutilizzarlo al volo.

Superando questo step, sei già un passo avanti rispetto al 90% delle persone — la maggioranza si blocca sul “ho installato tutto, ma ora cosa ci faccio?”. Prima fai funzionare un workflow, poi pensa a prendere clienti.

I confini di questa strada: l’AI non è umana, non trattarla come un dipendente

Spiegato il percorso, bisogna definire i limiti. Ci sono 3 linee da non oltrepassare — i lavori che l’AI può prendere in carico sono esclusivamente quelli procedurabili; superare questo confine significa solo accumulate richieste di revisione.

Primo: non può sostituire del tutto il tuo giudizio. Gli Agent sono bravissimi a “seguire un processo”, ma fanno schifo nel capire “se questa cosa si debba fare o meno”. La direzione dei clienti da prendere, i preventivi da fare e la valutazione dei rischi restano sempre e comunque una tua esclusiva responsabilità.

Secondo, niente integrazione out-of-the-box tra sistemi diversi. LobeHub ha gateway IM, email e database, ma non si integra nativamente con l’ERP interno del cliente, WeChat Work o Salesforce. Le integrazioni complesse richiedono sviluppo secondario. Ho preso io stesso un appalto di customer service per una catena di ristorazione: volevano l’integrazione con un CRM sviluppato in-house e alla fine ho dovuto rinunciare al progetto — le 3 settimane di sviluppo previste si sono trascinate fino a 8.

Terzo, l’AI “sparla con aria serissima”. I contenuti fattuali che l’Agent ti consegna vanno revisionati da un umano prima di passarli al cliente. Scrive nomi di clienti inesistenti e prezzi inventati con la stessa sicurezza di quelli veri — la prima volta che ho usato la modalità chat di gruppo di Agent per fare recensioni di prodotto, 3 Agent si sono “trovati d’accordo a vicenda” e i 5 consigli generati erano tutti dello stesso brand: niente vero multi-punto di vista. Quei 5-10 minuti di copertura umana non si possono tagliare: se li tagli, sono ritocchi e reputazione che va a rotoli.

Messo a fuoco questo, puoi prendere commesse che gli altri non osano prendere — in questo settore degli appalti AI ciò che manca davvero sono fornitori che conoscono i propri limiti; di chi fa solo slogan ne è pieno il mercato.

Una cosa che puoi fare già oggi: vai su GitHub, cerca lobehub/lobehub e metti una Star. Poi torna in locale, lancia il comando Docker, costruisci il tuo primo Agent Group, passagli l’ultimo documento che hai scritto e fagli generare 5 titoli per piattaforme diverse — in 10 minuti vedrai se questo tool vale davvero la pena usarlo. Molto più concreto che rincorrere la prossima “nuova rivoluzione dell’AI”.