AnswersPublished19 sources
InAgent al 90,2% su OSWorld: perché conta l’ingegneria dell’harness
Intelligence Indeed ha dichiarato che InAgent, chiamato Z Agent nel proprio annuncio, ha raggiunto il 90,2% nella configurazione OSWorld da 361 attività: il primo risultato riportato oltre il 90%. OSWorld valuta agenti in ambienti desktop reali con verifiche basate sullo stato finale del sistema, non la sola capacit...
Pubblicato daModificato con GPT-5.6 TerraImmagini generate con GPT Image 2
Research answer
Key takeaways
- Intelligence Indeed ha dichiarato che InAgent, chiamato Z Agent nel proprio annuncio, ha raggiunto il 90,2% nella configurazione OSWorld da 361 attività: il primo risultato riportato oltre il 90%.
- OSWorld valuta agenti in ambienti desktop reali con verifiche basate sullo stato finale del sistema, non la sola capacità di produrre risposte testuali.
- Un tasso del 90,2% lascerebbe comunque incompleto il 9,8% di attività comparabili: per processi sensibili servono verifiche deterministiche, permessi limitati, gestione delle eccezioni e approvazioni umane.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How did Chinese company Intelligence Indeed’s InAgent become the first computer-use agent to exceed 90% on the OSWorld benchmark—achieving 9. Article summary: The reported result is best understood as a system-level achievement, not evidence that InAgent has a uniquely superior foundation model. InAgent reportedly combined model reasoning with an execution “harness” that plans. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
Intelligence Indeed ha comunicato nell’agosto 2026 che il suo prodotto per l’uso del computer — denominato Z-Agent nel comunicato aziendale e InAgent in altre ricostruzioni — ha ottenuto un tasso di successo del 90,2% su OSWorld, diventando il primo partecipante riportato oltre la soglia del 90%. L’azienda ha inoltre dichiarato il primo posto in una sotto-classifica dedicata ai framework agentici. 18
22
Il punto non è che un singolo modello abbia ormai risolto l’automazione del desktop. Il segnale più rilevante è un altro: le prestazioni di un agente dipendono sempre più dall’harness, cioè dal sistema software che trasforma il piano del modello in azioni controllate, controlla che abbiano prodotto l’effetto desiderato e gestisce gli imprevisti di un flusso operativo reale.
I risultati riportati per InAgent
Secondo la copertura disponibile, la valutazione OSWorld di InAgent ha prodotto questi valori:
- 90,2% di successo complessivo;
- 84,7% nelle attività che coinvolgono più applicazioni;
- 92,3% nelle attività su GIMP;
- 100% nelle attività a livello di sistema.
22
Sono risultati dichiarati, non conclusioni di una verifica indipendente. Le fonti fornite non includono un rapporto tecnico pubblico che separi con precisione il modello di base, gli strumenti d’azione, i prompt, le impostazioni della valutazione e le componenti dell’harness responsabili dei punteggi. È una distinzione essenziale: un benchmark per agenti misura una configurazione composta da modello e sistema, non l’intelligenza del solo modello.
Va poi distinta l’affermazione storica da una posizione permanente in classifica. Un’istantanea di una classifica di terze parti, pubblicata nel settembre 2026, indica infatti Qwen3.8 Max al 86,1% su OSWorld-Verified: graduatorie e configurazioni di valutazione possono cambiare nel tempo. 3
Che cosa misura OSWorld
OSWorld è stato progettato per mettere alla prova agenti che operano in veri ambienti informatici, non semplicemente che rispondono a domande su screenshot o pagine web simulate. Il benchmark originale comprende 369 attività reali su applicazioni come Chromium, LibreOffice, GIMP, Thunderbird, VLC e Visual Studio Code, oltre a operazioni sul sistema operativo e flussi che attraversano più programmi. La valutazione controlla, tramite esecuzione, lo stato finale dell’ambiente configurato. 2
14
La configurazione da 361 attività comunemente utilizzata esclude otto attività di Google Drive che possono richiedere una configurazione manuale. 14
Per questo OSWorld è più impegnativo di un test che predice soltanto dove cliccare. L’agente deve muoversi nell’interfaccia, mantenere il filo fra passaggi successivi, manipolare file e stato delle applicazioni, e lasciare il computer nella condizione richiesta.
Il confronto storico rende notevole la dichiarazione del 90,2%. Nel riferimento pubblicato originariamente per OSWorld, gli esseri umani completavano oltre il 72,36% delle attività, mentre il miglior modello arrivava al 12,24%. 14 Non è però una misura universale della competenza sul lavoro: i risultati dipendono dalla selezione delle attività, dalla configurazione dell’ambiente, dal budget di azioni, dagli strumenti e dall’harness dell’agente.
Dalle istruzioni all’ingegneria dell’harness
Il prompt indica al modello che cosa fare. Il context engineering stabilisce quali informazioni riceve. L’harness engineering progetta invece il sistema di esecuzione: come l’agente osserva, agisce, conserva lo stato, verifica il completamento e recupera da un errore.
Una rassegna sulla progettazione dei sistemi agentici descrive l’harness di esecuzione come l’infrastruttura che condiziona percezione, azioni e capacità di rilevare e correggere errori. Ne fanno parte, fra l’altro, la progettazione delle osservazioni, gli spazi d’azione, i sandbox di esecuzione, la gestione del contesto e i cicli di verifica. 28
Per un agente che usa un computer, un harness efficace deve normalmente svolgere sei funzioni.
- Scomporre il flusso di lavoro in sotto-obiettivi verificabili. Invece di chiedere «aggiorna un ordine», il sistema può imporre di trovare il record, validare i campi, applicare l’aggiornamento, allegare le evidenze e controllare che la modifica sia stata salvata.
- Instradare ogni azione verso l’interfaccia più adatta. Quando disponibile e autorizzata, un’API, un comando o uno strumento strutturato può essere preferibile a un clic; il controllo grafico resta utile per i passaggi privi di interfaccia leggibile dalla macchina.
- Conservare uno stato durevole. L’agente deve sapere che cosa ha completato, in quale stato si trova l’applicazione, quali entità o file sono selezionati e se è sicuro ripetere un’azione.
- Verificare il risultato nella fonte di verità. Dire di aver concluso non è una prova. L’harness può controllare una risposta API, un valore in un database, un file salvato o lo stato dell’applicazione.
- Recuperare in sicurezza. Servono regole per pagine non aggiornate, clic non riusciti, finestre pop-up, timeout, invii parziali e interruzioni dell’autenticazione.
- Applicare permessi e osservabilità. Log, tracce delle azioni, approvazioni e credenziali limitate rendono il lavoro più controllabile e verificabile.
Esistono evidenze empiriche del fatto che questo livello possa incidere materialmente sulle prestazioni. Uno studio ha riferito che dieci iterazioni di ingegneria dell’harness agentico hanno portato il pass@1 su Terminal-Bench 2 dal 69,7% al 77,0%, oltre il riferimento del 71,9% per un harness progettato da persone. È un benchmark diverso, dunque non convalida il punteggio OSWorld di InAgent; supporta però la tesi più generale secondo cui la progettazione del runtime può produrre miglioramenti significativi senza limitarsi a sostituire il modello. 29
Perché la combinazione di API e GUI interessa alle imprese
L’attrattiva strategica riportata per InAgent è un approccio ibrido: usare interfacce programmatiche affidabili dove esistono e mantenere il controllo della GUI, simile a quello umano, per applicazioni prive di API adeguate. 22
È una risposta a un problema concreto per molte organizzazioni. I processi spesso attraversano servizi moderni con API utilizzabili, ma anche software desktop datati, portali di fornitori o sistemi interni nei quali l’unico percorso praticabile è lo schermo che usa un dipendente.
In linea di principio, l’agente può scegliere il percorso più affidabile a ogni passaggio:
- usare API o comandi per recuperi e aggiornamenti strutturati;
- usare la GUI per un’interfaccia chiusa o legacy;
- verificare l’esito, quando possibile, in una fonte di verità deterministica.
La ricerca su OSWorld-MCP indica analogamente che l’invocazione di strumenti può migliorare il successo delle attività di uso del computer in alcuni contesti. Negli esperimenti riportati, l’aggiunta di strumenti MCP ha fatto salire OpenAI o3 dall’8,3% al 17,6% con 15 passaggi e Claude 4 Sonnet dal 38,9% al 45,0% con 50 passaggi. 24
Resta un limite importante: l’automazione grafica è esposta a modifiche dell’interfaccia, latenza, pop-up, obiettivi ambigui, controlli di accesso, autenticazione multifattore e azioni irreversibili. L’esecuzione ibrida può ridurre questi rischi, non eliminarli.
Che cosa implica un 90,2% per l’impiego reale
Un tasso di completamento del 90,2% implica che il 9,8% delle attività del benchmark non si è concluso con successo. Su 10.000 attività ipotetiche e comparabili, si tratterebbe di circa 980 eccezioni, prima ancora di considerare gli errori che sembrano riusciti ma generano un risultato aziendale scorretto.
Questo non rende irrilevante il punteggio. Suggerisce piuttosto che gli agenti per l’uso del computer possano avvicinarsi a un impiego utile nei flussi ripetibili, circoscritti e dotati di controlli solidi. Non è, invece, un’autorizzazione ad automatizzare senza supervisione pagamenti, adempimenti legali, operazioni critiche per la sicurezza o modifiche con impatto sui clienti.
In produzione, un team dovrebbe valutare più del tasso di successo in evidenza:
- completamento e correttezza sui propri flussi di lavoro;
- modalità di guasto e capacità di recupero;
- costi, latenza e volume di azioni;
- limiti dei permessi e punti di approvazione;
- evidenze che ogni azione completata abbia davvero modificato lo stato previsto;
- dimensione della coda di eccezioni e processo di gestione.
Il benchmark OSWorld 2.0, più recente e difficile, invita alla prudenza. Comprende 108 flussi a lungo orizzonte e il miglior risultato riportato per il completamento binario è stato il 20,6% con la metrica primaria a 500 passaggi: un’indicazione che gli agenti sono ancora lontani da un uso del computer ampiamente professionale quando le attività diventano più lunghe e realistiche. 17
Il traguardo reale è l’ingegneria dell’esecuzione
Il 90,2% riportato per InAgent va letto soprattutto come un traguardo dell’ingegneria dei sistemi agentici. Prompt migliori e contesto più ricco restano importanti, ma l’automazione affidabile dipende sempre di più da ciò che circonda il modello: scomposizione dei compiti, selezione degli strumenti, stato persistente, completamento verificabile, autorità limitata e percorsi di recupero.
Per le imprese, la domanda utile non è solo quale modello guida una classifica. È se un agente riesca a eseguire uno specifico flusso con correttezza misurabile, effetti collaterali controllati e un passaggio sicuro a un operatore umano quando non può proseguire. Un punteggio elevato su OSWorld può contribuire a informare questa valutazione, ma da solo non può dimostrarla.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "InAgent al 90,2% su OSWorld: perché conta l’ingegneria dell’harness"?
Intelligence Indeed ha dichiarato che InAgent, chiamato Z Agent nel proprio annuncio, ha raggiunto il 90,2% nella configurazione OSWorld da 361 attività: il primo risultato riportato oltre il 90%.
What are the key points to validate first?
Intelligence Indeed ha dichiarato che InAgent, chiamato Z Agent nel proprio annuncio, ha raggiunto il 90,2% nella configurazione OSWorld da 361 attività: il primo risultato riportato oltre il 90%. OSWorld valuta agenti in ambienti desktop reali con verifiche basate sullo stato finale del sistema, non la sola capacità di produrre risposte testuali.
What should I do next in practice?
Un tasso del 90,2% lascerebbe comunque incompleto il 9,8% di attività comparabili: per processi sensibili servono verifiche deterministiche, permessi limitati, gestione delle eccezioni e approvazioni umane.
Sources
globenewswire.comIntelligence Indeed's Z-Agent Becomes OSWorld's First 90%+
benchlm.aiOSWorld-Verified Leaderboard & Scores — August 2026
arxiv.orgOSWorld-Human: Benchmarking the Efficiency of Computer-Use ...
osworld-v1.xlang.aiOSWorld: Benchmarking Multimodal Agents for Open-Ended ...