Pragmatik Labs è la nuova startup AI fondata a Shanghai da Lin Junyang, ex responsabile tecnico della famiglia di modelli Qwen di Alibaba. La società risulta registrata in Cina come Yuyong Technology e, secondo alcuni resoconti, sarebbe stata indicata internamente con il nome in codice “p7k”. L’obiettivo dichiarato è sviluppare agenti di nuova generazione in grado di operare sia negli ambienti digitali sia nel mondo fisico. 34

L’aspetto più sorprendente riguarda il momento della raccolta: Pragmatik avrebbe raggiunto una valutazione post-money di circa 2 miliardi di dollari in una fase ancora angel, prima di mostrare pubblicamente un prodotto, rilasciare un modello o comunicare clienti, utenti, ricavi o una tabella di marcia per il lancio. 813

In altre parole, non si tratta ancora di un’azienda valutata sulla base di un’attività commerciale dimostrata. È soprattutto una scommessa molto costosa su un fondatore, sulla sua capacità di costruire un team di ricerca e sull’ipotesi che la prossima fase dell’intelligenza artificiale sarà dominata da sistemi capaci di agire, non soltanto di rispondere.

Il finanziamento e la struttura proprietaria

Secondo i resoconti disponibili, Gaorong Ventures e HSG — il gruppo precedentemente noto come Sequoia China — avrebbero guidato congiuntamente il finanziamento. Alla raccolta avrebbero partecipato anche Tencent e lo Shanghai Future Industry Fund. 411

La ricostruzione più citata parla di un round da circa 220 milioni di dollari: approssimativamente 100 milioni ciascuno da Gaorong e HSG e circa 20 milioni da Tencent, con il coinvolgimento del fondo industriale di Shanghai. Queste ripartizioni dettagliate provengono però da resoconti della stampa e del settore, non da un annuncio pubblico completo della società; vanno quindi considerate cifre riportate, non dati ufficialmente documentati in ogni dettaglio. 1014

I dati societari riportati delineano inoltre una struttura insolitamente concentrata. Gli investitori istituzionali esterni deterrebbero complessivamente circa il 12% di Yuyong Technology, mentre Lin e le entità a lui collegate controllerebbero circa l’88%. 811

Il risultato è un forte controllo da parte del fondatore. Ma la struttura suggerisce anche che cosa gli investitori ritengano di acquistare: soprattutto l’accesso alla leadership e al giudizio tecnico di Lin, non la partecipazione a un’azienda che abbia già dimostrato risultati commerciali.

È importante distinguere tra valutazione e valore operativo. I 2 miliardi di dollari rappresentano il prezzo implicito stabilito in un’operazione privata di finanziamento. Non dimostrano che Pragmatik disponga già di un’attività capace di generare 2 miliardi di dollari. Nei resoconti disponibili non risultano ancora prodotti pubblici, utenti, clienti, prenotazioni commerciali o ricavi. 813

La strategia: agenti, non l’ennesimo modello fondazionale

La posizione pubblica di Pragmatik è diversa dal lavoro sui modelli fondazionali che Lin guidava in Alibaba. La startup afferma di voler sviluppare “agenti di nuova generazione” capaci di attraversare il mondo digitale e quello fisico. 418

Agenti digitali

La prima linea riguarda il lavoro della conoscenza, le operazioni aziendali e i flussi di lavoro industriali. Le capacità indicate dalla società comprendono:

• ragionare su un obiettivo;
• utilizzare software, strumenti e servizi esterni;
• apprendere dai feedback;
• coordinare azioni nell’arco di attività più lunghe. 1718

Il passaggio immaginato è quello da sistemi che generano una risposta a sistemi che portano avanti un lavoro: formulano un piano, eseguono un’azione, controllano il risultato e modificano il passo successivo quando qualcosa non funziona.

Per un’azienda, questo significherebbe non limitarsi a chiedere a un modello di riassumere un documento o scrivere una mail, ma affidargli una sequenza completa di attività: raccogliere informazioni, interagire con software gestionali, verificare gli esiti e correggere il piano lungo il percorso.

Agenti fisici

La seconda linea estende la stessa ambizione agli ambienti reali. Questi sistemi dovrebbero percepire condizioni variabili, adattarsi, agire attraverso macchine e completare compiti di lunga durata. 1718

È un problema ingegneristico molto più difficile rispetto alla costruzione di un assistente software. Un agente digitale può sbagliare una risposta o usare male uno strumento. Un agente fisico deve inoltre affrontare percezione, ragionamento spaziale, controllo dei movimenti, affidabilità dell’hardware, sicurezza e conseguenze concrete delle proprie azioni.

La promessa è quindi ampia, ma anche il margine di errore è più costoso. Un sistema che si limita a produrre testo può essere corretto prima dell’utilizzo; un robot che agisce nel mondo deve essere affidabile mentre sta operando.

Dalla ricerca al prodotto e gli orizzonti lunghi

Pragmatik descrive anche un ciclo “Research to Product”: la ricerca di frontiera dovrebbe arrivare in contesti reali, mentre i feedback provenienti da quei contesti dovrebbero orientare i successivi obiettivi di ricerca. Il tema dei “Long Horizons” indica invece la volontà di andare oltre i miglioramenti incrementali degli attuali sistemi agentici. 1825

La descrizione pubblica resta comunque generale. Nei materiali disponibili non sono stati comunicati i parametri dei modelli, i benchmark, i dati di addestramento, partner hardware per la robotica o un calendario preciso per il rilascio. 232425

Perché gli investitori puntano su Lin Junyang

L’apparente tesi d’investimento ruota soprattutto attorno al talento e alla reputazione tecnica del fondatore. Lin ha contribuito a costruire il lato tecnico e l’ecosistema open source di Qwen presso Alibaba: un precedente che può aver convinto gli investitori della sua capacità di attirare ricercatori e lavorare ai limiti della ricerca AI. 48

Lin era entrato nella DAMO Academy di Alibaba nel 2019, dopo studi accademici in linguistica e linguistica computazionale. In seguito era diventato una figura tecnica di primo piano di Qwen, nel periodo di formazione del Tongyi Lab. I resoconti lo indicano come autore del rapporto tecnico originale di Qwen e tra i principali contributori del rapporto su Qwen2.5. 48

L’organizzazione Qwen di Alibaba ha pubblicato una famiglia ampia di modelli open source, con varianti dedicate a programmazione, matematica, visione e multimodalità, oltre a modelli di ragionamento. Secondo i dati riportati all’inizio del 2026, l’ecosistema comprendeva più di 400 modelli Qwen open source, oltre 200.000 modelli derivati e più di un miliardo di download globali. Questi numeri descrivono l’ecosistema Qwen, non l’attività di Pragmatik. 8

L’interesse di Lin per l’intelligenza artificiale incorporata nei sistemi fisici, inoltre, non sarebbe nato con la startup. Secondo i resoconti, nell’ottobre 2025 aveva creato all’interno di Qwen un team dedicato alla robotica e all’intelligenza embodied. La linea sugli agenti fisici appare quindi come la prosecuzione di una direzione di ricerca già avviata, non come un cambio di rotta improvviso. 1531

L’uscita da Alibaba e la teoria del “pensiero agentico”

Lin ha annunciato l’uscita dal progetto Qwen di Alibaba il 4 marzo 2026, scrivendo “Bye my beloved Qwen”. Alcuni resoconti hanno collegato la sua decisione ai cambiamenti nelle priorità organizzative e commerciali dell’azienda. Il materiale pubblico disponibile, tuttavia, non offre una ricostruzione completa e verificata in modo indipendente delle ragioni interne della sua partenza. 57

Il 26 marzo Lin ha pubblicato un saggio intitolato From “Reasoning” Thinking to “Agentic” Thinking. La sua tesi centrale è che lo sviluppo dell’AI debba passare dai modelli che ragionano all’interno di un prompt delimitato a sistemi capaci di agire senza interrompersi: pianificare, usare strumenti, entrare in un ambiente, osservare i feedback, rivedere la strategia e coordinare azioni nel tempo. 1719

La differenza può essere riassunta così: un modello di ragionamento cerca una buona risposta a un problema definito; un agente deve fare progressi verso un risultato, anche quando il contesto cambia o il primo tentativo fallisce.

In questo quadro, l’ambiente diventa parte del problema dell’intelligenza. Per valutare un modello che risponde a una domanda si può osservare la qualità della risposta. Per valutare un agente che svolge un lavoro reale bisogna capire se riesce a portare avanti il compito, recuperare dagli errori e raggiungere un esito utile dopo una lunga sequenza di azioni.

Gli agenti fisici portano la stessa idea oltre il software. Invece di interagire soltanto con file, siti web o strumenti aziendali, interagirebbero con oggetti, macchine e ambienti in continuo cambiamento. Il possibile vantaggio è un ciclo di feedback più ricco; il limite è che la complessità tecnica e operativa aumenta drasticamente. Per ora, si tratta dunque di un’ipotesi strategica di lungo periodo, non di un vantaggio commerciale già dimostrato. 1115

Il confronto con Thinking Machines Lab

Pragmatik rientra in una più ampia ondata di startup AI valutate sulla base del prestigio dei fondatori e del potenziale della loro ricerca, prima che siano disponibili metriche aziendali tradizionali.

Nel luglio 2025, Thinking Machines Lab, la startup fondata dall’ex dirigente di OpenAI Mira Murati, ha raccolto circa 2 miliardi di dollari a una valutazione riportata di 12 miliardi, in un round guidato da Andreessen Horowitz. Reuters riferì che all’epoca la società non aveva ancora ricavi né prodotti. 33

Il confronto è utile, ma non perfetto. La valutazione riportata di Pragmatik, pari a 2 miliardi di dollari, è circa un sesto dei 12 miliardi attribuiti a Thinking Machines Lab. Soprattutto, Pragmatik presenta una sfida esecutiva particolarmente ampia: sviluppare contemporaneamente agenti software e sistemi embodied, cioè capaci di operare nel mondo fisico. 433

Le due aziende mostrano lo stesso fenomeno finanziario: il capitale di rischio può attribuire un prezzo molto elevato a un team di ricerca e a una possibile svolta tecnica, ben prima che esistano ricavi verificabili. Ma l’assenza di metriche commerciali iniziali rende ancora più importante la validazione successiva. Un fondatore di grande talento può attirare capitali; deve poi trasformarli in sistemi affidabili e in un’attività sostenibile.

Che cosa dovrà dimostrare Pragmatik

La valutazione verrà messa alla prova fuori dai documenti del finanziamento. Pragmatik dovrà dimostrare che il suo approccio agli agenti offre capacità che clienti e sviluppatori non possono ottenere facilmente dai fornitori di modelli fondazionali o dalle piattaforme agentiche già esistenti.

I traguardi più importanti saranno probabilmente:

• completare in modo affidabile attività digitali utili e di lunga durata;
• dimostrare prestazioni misurabili in flussi di lavoro aziendali o industriali reali;
• acquisire clienti paganti e costruire un percorso credibile verso ricavi ricorrenti;
• garantire prestazioni sicure e ripetibili negli ambienti fisici, se la robotica resterà una priorità centrale;
• sostenere economicamente i costi di ricerca, calcolo, dati, hardware e distribuzione.

Per il momento, le informazioni disponibili descrivono una startup di ricerca fortemente finanziata, controllata dal fondatore e orientata a un mandato molto ampio: portare gli agenti dal software al mondo fisico. Non dimostrano ancora capacità di prodotto, adozione, ricavi o un vantaggio tecnico sufficiente a giustificare la valutazione riportata. 4813

La prossima fase sarà quindi decisiva: trasformare la reputazione costruita da Lin nell’era Qwen in un’azienda indipendente capace non solo di far agire gli agenti, ma di farlo in modo ripetibile, sicuro e abbastanza economico da creare un business duraturo. 4813

Pragmatik Labs è la nuova startup AI fondata a Shanghai da Lin Junyang, ex responsabile tecnico della famiglia di modelli Qwen di Alibaba. La società risulta registrata in Cina come Yuyong Technology e, secondo alcuni resoconti, sarebbe stata indicata internamente con il nome in codice “p7k”. L’obiettivo dichiarato è sviluppare agenti di nuova generazione in grado di operare sia negli ambienti digitali sia nel mondo fisico. 34

L’aspetto più sorprendente riguarda il momento della raccolta: Pragmatik avrebbe raggiunto una valutazione post-money di circa 2 miliardi di dollari in una fase ancora angel, prima di mostrare pubblicamente un prodotto, rilasciare un modello o comunicare clienti, utenti, ricavi o una tabella di marcia per il lancio. 813

In altre parole, non si tratta ancora di un’azienda valutata sulla base di un’attività commerciale dimostrata. È soprattutto una scommessa molto costosa su un fondatore, sulla sua capacità di costruire un team di ricerca e sull’ipotesi che la prossima fase dell’intelligenza artificiale sarà dominata da sistemi capaci di agire, non soltanto di rispondere.

Il finanziamento e la struttura proprietaria

Secondo i resoconti disponibili, Gaorong Ventures e HSG — il gruppo precedentemente noto come Sequoia China — avrebbero guidato congiuntamente il finanziamento. Alla raccolta avrebbero partecipato anche Tencent e lo Shanghai Future Industry Fund. 411

La ricostruzione più citata parla di un round da circa 220 milioni di dollari: approssimativamente 100 milioni ciascuno da Gaorong e HSG e circa 20 milioni da Tencent, con il coinvolgimento del fondo industriale di Shanghai. Queste ripartizioni dettagliate provengono però da resoconti della stampa e del settore, non da un annuncio pubblico completo della società; vanno quindi considerate cifre riportate, non dati ufficialmente documentati in ogni dettaglio. 1014

I dati societari riportati delineano inoltre una struttura insolitamente concentrata. Gli investitori istituzionali esterni deterrebbero complessivamente circa il 12% di Yuyong Technology, mentre Lin e le entità a lui collegate controllerebbero circa l’88%. 811

Il risultato è un forte controllo da parte del fondatore. Ma la struttura suggerisce anche che cosa gli investitori ritengano di acquistare: soprattutto l’accesso alla leadership e al giudizio tecnico di Lin, non la partecipazione a un’azienda che abbia già dimostrato risultati commerciali.

È importante distinguere tra valutazione e valore operativo. I 2 miliardi di dollari rappresentano il prezzo implicito stabilito in un’operazione privata di finanziamento. Non dimostrano che Pragmatik disponga già di un’attività capace di generare 2 miliardi di dollari. Nei resoconti disponibili non risultano ancora prodotti pubblici, utenti, clienti, prenotazioni commerciali o ricavi. 813

La strategia: agenti, non l’ennesimo modello fondazionale

La posizione pubblica di Pragmatik è diversa dal lavoro sui modelli fondazionali che Lin guidava in Alibaba. La startup afferma di voler sviluppare “agenti di nuova generazione” capaci di attraversare il mondo digitale e quello fisico. 418

Agenti digitali

La prima linea riguarda il lavoro della conoscenza, le operazioni aziendali e i flussi di lavoro industriali. Le capacità indicate dalla società comprendono:

• ragionare su un obiettivo;
• utilizzare software, strumenti e servizi esterni;
• apprendere dai feedback;
• coordinare azioni nell’arco di attività più lunghe. 1718

Il passaggio immaginato è quello da sistemi che generano una risposta a sistemi che portano avanti un lavoro: formulano un piano, eseguono un’azione, controllano il risultato e modificano il passo successivo quando qualcosa non funziona.

Per un’azienda, questo significherebbe non limitarsi a chiedere a un modello di riassumere un documento o scrivere una mail, ma affidargli una sequenza completa di attività: raccogliere informazioni, interagire con software gestionali, verificare gli esiti e correggere il piano lungo il percorso.

Agenti fisici

La seconda linea estende la stessa ambizione agli ambienti reali. Questi sistemi dovrebbero percepire condizioni variabili, adattarsi, agire attraverso macchine e completare compiti di lunga durata. 1718

È un problema ingegneristico molto più difficile rispetto alla costruzione di un assistente software. Un agente digitale può sbagliare una risposta o usare male uno strumento. Un agente fisico deve inoltre affrontare percezione, ragionamento spaziale, controllo dei movimenti, affidabilità dell’hardware, sicurezza e conseguenze concrete delle proprie azioni.

La promessa è quindi ampia, ma anche il margine di errore è più costoso. Un sistema che si limita a produrre testo può essere corretto prima dell’utilizzo; un robot che agisce nel mondo deve essere affidabile mentre sta operando.

Dalla ricerca al prodotto e gli orizzonti lunghi

Pragmatik descrive anche un ciclo “Research to Product”: la ricerca di frontiera dovrebbe arrivare in contesti reali, mentre i feedback provenienti da quei contesti dovrebbero orientare i successivi obiettivi di ricerca. Il tema dei “Long Horizons” indica invece la volontà di andare oltre i miglioramenti incrementali degli attuali sistemi agentici. 1825

La descrizione pubblica resta comunque generale. Nei materiali disponibili non sono stati comunicati i parametri dei modelli, i benchmark, i dati di addestramento, partner hardware per la robotica o un calendario preciso per il rilascio. 232425

Perché gli investitori puntano su Lin Junyang

L’apparente tesi d’investimento ruota soprattutto attorno al talento e alla reputazione tecnica del fondatore. Lin ha contribuito a costruire il lato tecnico e l’ecosistema open source di Qwen presso Alibaba: un precedente che può aver convinto gli investitori della sua capacità di attirare ricercatori e lavorare ai limiti della ricerca AI. 48

Lin era entrato nella DAMO Academy di Alibaba nel 2019, dopo studi accademici in linguistica e linguistica computazionale. In seguito era diventato una figura tecnica di primo piano di Qwen, nel periodo di formazione del Tongyi Lab. I resoconti lo indicano come autore del rapporto tecnico originale di Qwen e tra i principali contributori del rapporto su Qwen2.5. 48

L’organizzazione Qwen di Alibaba ha pubblicato una famiglia ampia di modelli open source, con varianti dedicate a programmazione, matematica, visione e multimodalità, oltre a modelli di ragionamento. Secondo i dati riportati all’inizio del 2026, l’ecosistema comprendeva più di 400 modelli Qwen open source, oltre 200.000 modelli derivati e più di un miliardo di download globali. Questi numeri descrivono l’ecosistema Qwen, non l’attività di Pragmatik. 8

L’interesse di Lin per l’intelligenza artificiale incorporata nei sistemi fisici, inoltre, non sarebbe nato con la startup. Secondo i resoconti, nell’ottobre 2025 aveva creato all’interno di Qwen un team dedicato alla robotica e all’intelligenza embodied. La linea sugli agenti fisici appare quindi come la prosecuzione di una direzione di ricerca già avviata, non come un cambio di rotta improvviso. 1531

L’uscita da Alibaba e la teoria del “pensiero agentico”

Lin ha annunciato l’uscita dal progetto Qwen di Alibaba il 4 marzo 2026, scrivendo “Bye my beloved Qwen”. Alcuni resoconti hanno collegato la sua decisione ai cambiamenti nelle priorità organizzative e commerciali dell’azienda. Il materiale pubblico disponibile, tuttavia, non offre una ricostruzione completa e verificata in modo indipendente delle ragioni interne della sua partenza. 57

Il 26 marzo Lin ha pubblicato un saggio intitolato From “Reasoning” Thinking to “Agentic” Thinking. La sua tesi centrale è che lo sviluppo dell’AI debba passare dai modelli che ragionano all’interno di un prompt delimitato a sistemi capaci di agire senza interrompersi: pianificare, usare strumenti, entrare in un ambiente, osservare i feedback, rivedere la strategia e coordinare azioni nel tempo. 1719

La differenza può essere riassunta così: un modello di ragionamento cerca una buona risposta a un problema definito; un agente deve fare progressi verso un risultato, anche quando il contesto cambia o il primo tentativo fallisce.

In questo quadro, l’ambiente diventa parte del problema dell’intelligenza. Per valutare un modello che risponde a una domanda si può osservare la qualità della risposta. Per valutare un agente che svolge un lavoro reale bisogna capire se riesce a portare avanti il compito, recuperare dagli errori e raggiungere un esito utile dopo una lunga sequenza di azioni.

Gli agenti fisici portano la stessa idea oltre il software. Invece di interagire soltanto con file, siti web o strumenti aziendali, interagirebbero con oggetti, macchine e ambienti in continuo cambiamento. Il possibile vantaggio è un ciclo di feedback più ricco; il limite è che la complessità tecnica e operativa aumenta drasticamente. Per ora, si tratta dunque di un’ipotesi strategica di lungo periodo, non di un vantaggio commerciale già dimostrato. 1115

Il confronto con Thinking Machines Lab

Pragmatik rientra in una più ampia ondata di startup AI valutate sulla base del prestigio dei fondatori e del potenziale della loro ricerca, prima che siano disponibili metriche aziendali tradizionali.

Nel luglio 2025, Thinking Machines Lab, la startup fondata dall’ex dirigente di OpenAI Mira Murati, ha raccolto circa 2 miliardi di dollari a una valutazione riportata di 12 miliardi, in un round guidato da Andreessen Horowitz. Reuters riferì che all’epoca la società non aveva ancora ricavi né prodotti. 33

Il confronto è utile, ma non perfetto. La valutazione riportata di Pragmatik, pari a 2 miliardi di dollari, è circa un sesto dei 12 miliardi attribuiti a Thinking Machines Lab. Soprattutto, Pragmatik presenta una sfida esecutiva particolarmente ampia: sviluppare contemporaneamente agenti software e sistemi embodied, cioè capaci di operare nel mondo fisico. 433

Le due aziende mostrano lo stesso fenomeno finanziario: il capitale di rischio può attribuire un prezzo molto elevato a un team di ricerca e a una possibile svolta tecnica, ben prima che esistano ricavi verificabili. Ma l’assenza di metriche commerciali iniziali rende ancora più importante la validazione successiva. Un fondatore di grande talento può attirare capitali; deve poi trasformarli in sistemi affidabili e in un’attività sostenibile.

Che cosa dovrà dimostrare Pragmatik

La valutazione verrà messa alla prova fuori dai documenti del finanziamento. Pragmatik dovrà dimostrare che il suo approccio agli agenti offre capacità che clienti e sviluppatori non possono ottenere facilmente dai fornitori di modelli fondazionali o dalle piattaforme agentiche già esistenti.

I traguardi più importanti saranno probabilmente:

• completare in modo affidabile attività digitali utili e di lunga durata;
• dimostrare prestazioni misurabili in flussi di lavoro aziendali o industriali reali;
• acquisire clienti paganti e costruire un percorso credibile verso ricavi ricorrenti;
• garantire prestazioni sicure e ripetibili negli ambienti fisici, se la robotica resterà una priorità centrale;
• sostenere economicamente i costi di ricerca, calcolo, dati, hardware e distribuzione.

Per il momento, le informazioni disponibili descrivono una startup di ricerca fortemente finanziata, controllata dal fondatore e orientata a un mandato molto ampio: portare gli agenti dal software al mondo fisico. Non dimostrano ancora capacità di prodotto, adozione, ricavi o un vantaggio tecnico sufficiente a giustificare la valutazione riportata. 4813

La prossima fase sarà quindi decisiva: trasformare la reputazione costruita da Lin nell’era Qwen in un’azienda indipendente capace non solo di far agire gli agenti, ma di farlo in modo ripetibile, sicuro e abbastanza economico da creare un business duraturo. 4813