18Come abbiamo scelto e ordinato gli esempi

La promessa del corso è mostrarti gli esempi «in ordine di diffusione». Qui ti spieghiamo da dove viene quell'ordine. Cominciamo con una cosa onesta: nessuno pubblica una statistica ufficiale su quali lavori si fanno di più con CrewAICrewAI: Framework open source in Python per costruire squadre di agenti AI che collaborano. Creato da João Moura, sviluppato da CrewAI Inc. glossario. Abbiamo quindi fatto come un giornalista che non trova il dato ufficiale: abbiamo raccolto più indizi indipendenti, li abbiamo pesati con una regola dichiarata e abbiamo controllato se l'ordine regge quando si cambiano i pesi.

Tutti i numeri di questa pagina sono stati letti o misurati il 15 settembre 2026. Il lavoro completo, con le interrogazioni ripetibili, è nella nota di ricerca del corso.

Il problema: il dato che manca#

CrewAI Inc. pubblica numeri complessivi. Nel suo blog del 24 gennaio 2026 parla di «2 miliardi di esecuzioni di sistemi agentici negli ultimi 12 mesi»; la home page del sito dichiara più di 450 milioni di workflow al mese e il 65% delle aziende Fortune 500 tra gli utenti. Sono numeri forniti dall'azienda e non sono divisi per caso d'uso: non dicono quante di quelle esecuzioni scrivono report e quante rispondono ai clienti.

Anche i sondaggi sugli agenti AIAgente AI: Programma che usa un LLM per decidere da solo i passi da fare verso un obiettivo: ragiona, usa strumenti, osserva il risultato e riprova finché ha finito. glossario non aiutano del tutto: parlano di agenti in generale, non di CrewAI, e ognuno usa categorie diverse (reparti aziendali in uno, tipi di attività in un altro). Per questo abbiamo messo insieme quattro segnali, ciascuno con i suoi difetti, sperando che i difetti di uno siano compensati dagli altri.

I quattro segnali e i loro pesi#

Siamo partiti da 15 casi d'uso candidati, presi dagli esempi ufficiali di CrewAI, dai due corsi di DeepLearning.AI dedicati a CrewAI, dalle storie dei clienti e dalle categorie dei sondaggi. Per ognuno abbiamo raccolto quattro misure.

I primi due segnali guardano chi costruisce con CrewAI in pubblico; gli ultimi due guardano cosa l'azienda mostra e cosa usano le imprese. S3 e S4 non sono misure ma giudizi: seguono una regola scritta, però un'altra persona potrebbe dare mezzo punto in più o in meno a una casella. Per questo pesano insieme la metà del totale, non di più.

Come si combinano#

I quattro segnali hanno scale diverse: S1 conta centinaia di repository, S3 va da 0 a 5. Per sommarli bisogna normalizzareNormalizzare: Riportare numeri con scale diverse su una scala comune, per esempio da 0 a 1 dividendo ogni valore per il più grande. Così si possono sommare misure che altrimenti non sarebbero confrontabili. glossario: ogni valore si divide per il valore più alto di quel segnale, così il migliore vale 1 e gli altri una frazione. Poi si fa la media pesata e si moltiplica per 100.

Un esempio con l'assistenza clienti. Su GitHub ha 173 repository contro i 1.704 della ricerca, quindi S1 vale 0,10; la sua quota di applicazioni è 1,8% contro il 28,3% della prima, quindi S2 vale 0,06. Nel materiale ufficiale prende 4 punti su un massimo di 5 (0,80) e nei sondaggi è la prima (1,00). Il conto è 0,25 × 0,10 + 0,25 × 0,06 + 0,30 × 0,80 + 0,20 × 1,00 = 0,48, cioè circa 48 punti (48,1 con i decimali completi).

La classifica finale#

Nel grafico vedi i punteggi dei 10 casi scelti e dei tre subito fuori. Guarda soprattutto le distanze: il primo stacca tutti, mentre dal quinto al decimo i valori sono vicini e basta poco per scambiare due posizioni.

La tabella riporta i valori grezzi da cui nasce ogni punteggio. S1 è il numero di repository, S2 la quota tra le 562 applicazioni, S3 e S4 i punti su 5.

Due casi meritano un commento. L'assistenza clienti è quarta pur essendo quasi assente su GitHub: le aziende non pubblicano i sistemi che rispondono ai loro clienti, ma nei sondaggi e nelle storie dei clienti è in cima. L'analisi finanziaria fa il contrario: è molto presente su GitHub (spesso come esercizio o progetto personale) e assente dai sondaggi aziendali.

I numeri principali, con la fonte#

Questi sono i dati misurati più importanti tra quelli usati. Le cifre dei sondaggi riguardano gli agenti AI in generale, non solo CrewAI.

Per S3 abbiamo usato anche la raccolta di esempi ufficiali di CrewAI e i due corsi di DeepLearning.AI, Multi AI Agent Systems with crewAI e Practical Multi AI Agents and Advanced Use Cases with crewAI. Per S4 anche il rapporto McKinsey The State of AI di novembre 2025: la sua pagina non si è caricata durante la ricerca, quindi le sue indicazioni (agenti usati soprattutto nell'help desk informatico e nella ricerca di documenti) vengono da riassunti di seconda mano e pesano poco.

Quanto è solido l'ordine#

Un punteggio con pesi scelti da noi è credibile solo se non cambia tutto appena si toccano i pesi. Abbiamo quindi rifatto il calcolo in quattro modi diversi. Questo controllo si chiama analisi di sensibilità.

Che cosa resta stabile:

• I primi tre non si muovono mai: ricerca e report, domande sui documenti, contenuti. Qui puoi fidarti dell'ordine.
• Dal quarto al settimo l'ordine dipende da quanto credi ai progetti pubblici rispetto ai dati delle aziende. Con pesi uguali o con più peso a fonti ufficiali e sondaggi restano gli stessi quattro casi; senza sondaggi l'assistenza clienti scende all'8° posto, e guardando solo GitHub assistenza clienti e vendite escono proprio dalla top 10.
• Il decimo posto è conteso tra selezione del personale e preparazione delle riunioni.

I limiti, detti chiaramente#

1. Nessun dato diretto. Tutti e quattro i segnali sono indizi indiretti della diffusione, non la diffusione.
2. GitHub mostra chi costruisce, non chi usa. I progetti pubblici sono pieni di esercizi e portfolio (finanza, viaggi, curriculum) e vuoti di sistemi aziendali, che restano privati (assistenza, vendite).
3. Le parole chiave sono rumorose. «research» compare anche nei progetti universitari, «code» anche in «VS Code». Per ridurre il problema abbiamo cercato solo nel nome e nella descrizione, non nel testo completo dei progetti.
4. La classificazione automatica sbaglia. Controlli a campione indicano che assegna la categoria giusta tra il 60 e l'85% delle volte (stima).
5. Il campione non è completo. GitHub restituisce al massimo 1.000 risultati per ricerca: abbiamo analizzato 1.606 dei 2.420 repository con etichetta, i più popolari e i più aggiornati.
6. S3 e S4 sono giudizi. Seguono una regola scritta, ma restano opinioni ragionate.
7. I sondaggi non parlano di CrewAI e quelli fatti da aziende del settore (CrewAI, LangChain) risentono di chi sceglie di rispondere.
8. I risultati dei clienti citati nelle storie di CrewAI (per esempio «95% di accuratezza nelle risposte» o «75% più veloci nel primo contatto») sono dichiarazioni commerciali non verificate da terzi.
9. I numeri invecchiano. Le quantità su GitHub cambiano ogni giorno: se riusi questa classifica, ripeti le misure e aggiorna la data.

Adesso si passa alla pratica. Il primo esempio è anche il più diffuso: una crew che cerca sul web e scrive un report con le fonti.

Corso indipendente, non affiliato a CrewAI Inc. Contenuti verificati su CrewAI 1.15.21 il 15 settembre 2026.