Il sito che ti spiega l'AI.
News, strumenti e guide in italiano.
Notizie del settore

Mirendil raccoglie 1 miliardo: la startup che vuole automatizzare la ricerca AI con gli agenti

Mirendil chiude una serie A da 1 miliardo di dollari: centinaia di agenti AI per fare ricerca per giorni, con Mirendil-Base, Fern e Lor.

Daniele Della Corte
Novembre 17, 2026
Lettura: 7 min
Ricercatori al lavoro davanti a computer in un laboratorio di ricerca
fonte: pexels 37951908

Mirendil ha annunciato un round di serie A da 1 miliardo di dollari, guidato da Kleiner Perkins e Clearlake Capital. La startup, fondata da ex ricercatori dei grandi laboratori, vuole costruire un sistema in cui pochi ricercatori affiancati da centinaia di agenti AI possano fare il lavoro che oggi richiede interi team. È una delle scommesse più nette sul tema dell’automazione della ricerca sull’intelligenza artificiale, e arriva a pochi mesi da un primo finanziamento già molto ricco.

Cosa ha annunciato Mirendil

Secondo quanto comunicato dall’azienda e ripreso dalla stampa di settore, il round da 1 miliardo di dollari vede come lead investor Kleiner Perkins e Clearlake Capital. Partecipano anche Battery Ventures, Doerr Capital, Gil & Co, Google, M13, Pear VC e S32, oltre ad altri investitori nuovi ed esistenti. Alcune fonti parlano di una valutazione intorno ai 5 miliardi di dollari, ma il dato non risulta confermato nel comunicato ufficiale, quindi va preso con cautela.

Per capire la portata dell’operazione basta guardare indietro. A giugno 2026 Mirendil aveva raccolto 200 milioni di dollari in un round seed a una valutazione di 1 miliardo, guidato da Andreessen Horowitz con la partecipazione di Kleiner Perkins, Nvidia e altri. In meno di cinque mesi, quindi, i capitali a disposizione sono cresciuti di cinque volte.

Una crescita così rapida dice molto sull’appetito del mercato per tutto ciò che promette di accelerare lo sviluppo dei modelli.

Chi c’è dietro la startup

Al momento del seed, i fondatori indicati erano Behnam Neyshabur, amministratore delegato, e Harsh Mehta, direttore tecnico. Neyshabur è noto come co-inventore di SAM, la Sharpness Aware Minimization, un algoritmo pensato per migliorare la qualità dell’output dei modelli. Mehta, secondo le cronache dell’epoca, aveva contribuito a lanciare le iniziative di Anthropic per automatizzare parti della ricerca interna con strumenti AI su misura. Il profilo del team spiega perché gli investitori guardino a Mirendil come a un candidato serio nel campo della ricerca assistita da agenti.

I prodotti: Mirendil-Base, Fern e Lor

Insieme al round, l’azienda ha presentato tre elementi che mostrano a che punto è il lavoro. Il primo è Mirendil-Base, un modello specializzato nel codice. Secondo la società, è stato pre-addestrato da zero da un solo ricercatore che lavorava con degli agenti, in tre mesi e mezzo e con meno di 10 milioni di dollari di risorse di calcolo. Si tratta di un’affermazione dell’azienda e, almeno per ora, non c’è una verifica indipendente.

Il secondo è Fern, un modello ottenuto con il post-addestramento a partire da Mirendil-Base. La caratteristica dichiarata è una finestra di contesto fino a 10 milioni di token, pensata per contenere, nelle parole dell’azienda, i giorni di lavoro di un agente.

Il terzo, forse il più interessante, è Lor, un ambiente di ricerca basato su agenti, oggi in beta privata. Lor fa lavorare centinaia di agenti che scrivono codice ed eseguono esperimenti per giorni di fila. Mirendil sostiene di usarlo ogni giorno per le proprie attività interne, una sorta di dogfooding applicato alla ricerca.

In sintesi, il messaggio è chiaro: il ricercatore umano diventa il regista, gli agenti diventano la squadra.

Perché l’automazione della ricerca AI è un tema caldo

L’idea di fondo non è nuova. Per anni i laboratori hanno usato modelli per scrivere codice, generare dati sintetici o fare debugging. Quello che cambia, con aziende come Mirendil, è il tentativo di chiudere il cerchio: far sì che il sistema contribuisca a progettare architetture, a scrivere gli esperimenti di apprendimento per rinforzo e a preparare i dati, riducendo il lavoro manuale dei team. Le offerte di lavoro dell’azienda, citate dalla stampa, parlano proprio di varianti dell’architettura transformer, di meccanismi di attenzione inediti e di sandbox per il reinforcement learning.

Gli investitori di a16z hanno descritto l’approccio con l’espressione “vibe research”, un modo di lavorare in cui si indica l’obiettivo e si lascia agli agenti il compito di esplorare. Il paragone con il vibe coding è immediato, ma la posta in gioco è più alta: qui l’oggetto prodotto sono i modelli stessi.

Se la promessa regge, le conseguenze sono concrete. Una squadra piccola potrebbe affrontare progetti che oggi richiedono centinaia di persone e budget enormi. È la stessa tesi che l’azienda indica come missione: rendere la ricerca e lo sviluppo avanzato accessibili a scienziati e ingegneri, non solo ai pochi laboratori con risorse sterminate.

Il filo che lega agenti, capitali e infrastruttura

Il round di Mirendil si inserisce in una settimana intensa per il finanziamento dell’ecosistema degli agenti. Abbiamo raccontato di recente il caso di LangChain, che ha raccolto 300 milioni di dollari puntando sul controllo e sul monitoraggio degli agenti in produzione, e quello di Fractile, che ha raccolto 720 milioni per i chip pensati per l’inferenza. Sono tre pezzi diversi dello stesso puzzle: software per costruire agenti, hardware per farli girare e, con Mirendil, agenti che migliorano il modo in cui si costruiscono i modelli.

Anche il tema dell’identità e della governance degli agenti sta emergendo con forza, come mostra l’iniziativa della Linux Foundation sull’Agent Name Service. Più gli agenti lavorano in autonomia per giorni, più servono regole, tracciabilità e controlli.

Cosa resta da dimostrare

Dietro i numeri impressionanti restano diversi punti aperti. Il primo riguarda le prestazioni reali: le cifre su costi e tempi di addestramento di Mirendil-Base provengono dall’azienda, e per valutare quanto valga il modello servono benchmark indipendenti. Un modello addestrato con meno di 10 milioni di dollari di calcolo può essere un risultato notevole, ma il suo valore dipende da come si comporta sui compiti di programmazione che interessano davvero a chi sviluppa.

Il secondo punto riguarda l’accesso. Lor è in beta privata e non è chiaro quando e a quali condizioni sarà disponibile a un pubblico più ampio. L’azienda dice che userà i fondi per far crescere l’approccio basato su agenti, assumere persone, valutare i primi modelli e portare Lor a più utenti, ma non ha fornito una tabella di marcia pubblica.

Il terzo riguarda il controllo. Sistemi che eseguono centinaia di agenti per giorni, scrivendo codice ed eseguendo esperimenti, pongono domande di sicurezza e di supervisione che il settore sta ancora imparando a gestire. Quanto lavoro si può delegare senza perdere il controllo del processo? La risposta non è scontata, ed è probabile che diventi uno dei temi centrali dei prossimi mesi.

Infine c’è la questione economica. Un round da 1 miliardo per un team che l’azienda stessa definisce ancora piccolo è una scommessa sulla capacità di trasformare un vantaggio tecnico in prodotti usati davvero. Gli investitori, tra cui Google, puntano evidentemente su un futuro in cui la produttività della ricerca non cresce più solo assumendo ricercatori, ma moltiplicando gli agenti che lavorano con loro.

Cosa cambia per professionisti e aziende

Se lavori con l’AI, che tu sia sviluppatore, consulente o responsabile di un team, il segnale è utile. Gli strumenti per orchestrare più agenti su compiti lunghi stanno diventando un’area di investimento primaria, e le pratiche che oggi sembrano sperimentali potrebbero entrare nei flussi di lavoro ordinari più in fretta del previsto.

Per chi si occupa di contenuti, SEO e marketing, il punto pratico è un altro: gli agenti capaci di lavorare per giorni su un obiettivo renderanno più rapidi analisi, test e produzione di materiali, ma renderanno anche più competitivo qualunque settore in cui la qualità non è ancora un vero filtro. Conviene imparare fin da ora a progettare processi in cui l’umano definisce l’obiettivo, verifica i risultati e si assume la responsabilità finale.

Vale anche per le piccole realtà. Se la promessa di Mirendil mantiene almeno in parte quanto annunciato, la distanza tra un grande laboratorio e una squadra snella potrebbe ridursi, almeno in alcuni ambiti della ricerca applicata.

Conclusioni

Il round da 1 miliardo di Mirendil è l’ennesima conferma che il capitale si sta spostando verso gli agenti e verso l’automazione della ricerca. Restano da verificare le prestazioni dei modelli e l’apertura reale di Lor, ma la direzione è chiara. Puoi leggere l’annuncio e i dettagli sul resoconto di Pulse 2.0. Intanto, tieni d’occhio i prossimi sviluppi e dimmi nei commenti se secondo te la ricerca guidata da agenti cambierà il modo di lavorare nel tuo settore: continueremo a seguire la storia su queste pagine.

Newsletter gratuita · ogni venerdì

Tutta l'AI della settimana, in 5 minuti, nella tua email

  • Le guide e le notizie della settimana, divise per rubrica
  • Solo ciò che conta, verificato e spiegato in italiano
  • Niente spam, ti cancelli con un clic

Daniele Della Corte
Rivisto e verificato da

Daniele Della Corte

Fondatore di IntelligenzaArtificiale.net · Consulente SEO e AI dal 2008

Prima della pubblicazione controlla fonti, numeri e nomi, e risponde personalmente di quello che leggi. Lavora con l'intelligenza artificiale da oltre 7 anni: ha fondato BeProud.ai e ha progettato la redazione di questo sito.

Consulenza AIVuoi applicare l'AI al tuo lavoro? Ti aiuto a scegliere cosa automatizzare e a realizzarlo.

Scopri la consulenza