Cosa è successo
Cohere Labs ha rilasciato Agentic Task Ecosystem, un set di dati costruito da 696.291 strumenti elencati su 123.069 server pubblici Model Context Protocol. L’analisi di accompagnamento esamina quali compiti professionali gli sviluppatori stanno costruendo per eseguire agenti di intelligenza artificiale e rileva che gli strumenti degli agenti sono concentrati, distribuiti in modo non uniforme e non sono ancora prova di un’adozione diffusa.
Cohere Labs afferma di aver raccolto 696.291 strumenti da 123.069 elenchi di server MCP pubblici in sette directory nel maggio 2026 e di aver deduplicato server elencati in più posizioni. L'azienda descrive il risultante Agentic Task Ecosystem come il più grande set di dati aperto nel suo genere, ma la fonte non fornisce il percorso di download, la licenza o le condizioni di accesso. Il prezzo non è documentato.
Utilizzando un modello linguistico per abbinare gli strumenti con le istruzioni delle attività O*NET, i ricercatori hanno applicato un test rigoroso: uno strumento doveva eseguire un compito professionale riconosciuto dall’inizio alla fine, piuttosto che fornire informazioni o completare solo un passaggio che una persona ancora coordina. Nell'ambito di tale test, il 2,6% degli strumenti si è qualificato. Cohere riporta che 419 delle 923 occupazioni non avevano alcuna attività rappresentata da strumenti agenti.
L'analisi raggruppa gli strumenti più ineguagliabili in porzioni più piccole di lavoro esistente, combinazioni di più attività registrate o infrastrutture necessarie per far funzionare gli agenti. Cohere identifica 35 categorie – circa il 3% delle categorie esaminate – come lavoro apparentemente nuovo senza controparte professionale plausibile, che coinvolge principalmente la gestione degli agenti come la selezione di voci sintetiche, il cambio di personaggi dell'IA e la valutazione se ci si può fidare di un agente.
Cohere riporta che gli strumenti realizzati sono correlati all’esposizione teorica all’intelligenza artificiale in 178 occupazioni, ma l’esposizione non prevede se gli strumenti raggiungono compiti di routine o lavori specializzati. La fonte afferma che gli strumenti si estendono verso lavori specializzati nel settore sanitario e informatico, mentre si raggruppano verso i margini di routine nelle occupazioni legali, di produzione e di vendita. Questi sono i risultati riportati dagli autori; la fonte non stabilisce gli effetti economici a valle.
Dettagli della fonte: cohere.com ↗
Perché è importante
La ricerca offre una prima visione dell’automazione dell’intelligenza artificiale dal lato dell’offerta: ciò che gli sviluppatori hanno preparato affinché gli agenti possano farlo, piuttosto che ciò che le aziende hanno implementato o che i lavoratori utilizzano attualmente. L’analisi di Cohere suggerisce che le misure di esposizione complessiva non rivelano quali parti dei lavori sono interessate. Questa distinzione potrebbe avere importanza per i salari, le assunzioni, la formazione e il modo in cui i lavoratori acquisiscono competenze, soprattutto quando l’intelligenza artificiale raggiunge lavori specializzati basati su software.
Il set di dati misura la fornitura, non l’adozione, l’affidabilità o l’impatto economico. Uno strumento pubblico mostra che uno sviluppatore ha considerato un compito sufficientemente concreto da poterlo confezionare per un agente, ma non dimostra che un’azienda utilizzi lo strumento, che funzioni in modo affidabile in produzione o che i lavoratori siano stati spostati.
La fonte sostiene che la collocazione dell’automazione all’interno di un lavoro potrebbe essere più consequenziale della quota totale di lavoro esposta. L’eliminazione del lavoro di routine potrebbe lasciare ai dipendenti responsabilità più specializzate, mentre l’automazione del lavoro specializzato potrebbe ridurre le competenze richieste per il lavoro rimanente. Entrambi i modelli potrebbero influenzare diversamente i salari e l’occupazione.
Cohere riferisce inoltre che i giudizi degli esperti sulla fattibilità tecnica prevedevano quali occupazioni avrebbero ricevuto strumenti, mentre le preferenze dichiarate dai lavoratori su ciò che volevano automatizzare no. Questa constatazione solleva una questione pratica di governance: se lo sviluppo dell’intelligenza artificiale seguirà ciò che i lavoratori e le comunità interessate apprezzano, o principalmente ciò che gli sviluppatori giudicano tecnicamente trattabile.
La ricerca presenta una significativa limitazione di visibilità. Copre le directory pubbliche e omette i server MCP interni personalizzati, che secondo Cohere potrebbero essere concentrati nei processi di back-office. La quota riportata del 2,6% viene quindi presentata dagli autori come una soglia minima, non come una misura completa di automazione.
Meccanismo interattivo: come funziona realmente
Esplora la tecnologia alla base di questo sviluppo in modo interattivo.
crm_get_transaction(id='4092').An agent must create a draft calendar event for Tuesday at 2 p.m. Which evidence would establish the requested result?
Cosa guardare dopo
Ricercatori, datori di lavoro e responsabili politici dovranno confrontare il set di dati con i dati relativi all’implementazione delle imprese private, all’utilizzo effettivo, all’occupazione e ai salari. La questione irrisolta più importante è se gli strumenti che rimuovono le attività di routine di livello base riducono anche le opportunità per i lavoratori di sviluppare competenze.
L’utilità del set di dati dipenderà dalla possibilità che altri ricercatori possano accedervi e esaminarlo, riprodurre le classificazioni e testare la rapidità con cui cambia il panorama degli strumenti pubblici. La fonte non indica la licenza della versione, la documentazione oltre l'articolo o il programma di manutenzione.
Le prove future dovrebbero collegare gli strumenti pubblici con le implementazioni private, l’uso da parte dei lavoratori e i risultati misurabili del mercato del lavoro. Senza questi collegamenti, i risultati dell’ATE non possono mostrare se un’occupazione è economicamente minacciata o se uno strumento migliora la produttività.
La fonte evidenzia un rischio particolare legato al lavoro entry-level: se le attività di routine vengono automatizzate, i lavoratori potrebbero avere meno opportunità di apprendere attraverso tali attività prima di assumere responsabilità specializzate. Se le organizzazioni riprogettano la formazione e i percorsi di carriera è una questione aperta.
L’analisi merita anche un esame accurato perché le corrispondenze professionali e i raggruppamenti di categorie si basano in parte su giudizi basati sul modello linguistico. Cohere riporta un controllo umano cieco di 120 categorie che puntavano nella stessa direzione, ma la fonte non fornisce dettagli sufficienti per valutare l'intero processo di convalida o il tasso di errore.