HighLevel amplia AI Agent Action: arrivano modelli Anthropic e Google nei workflow

TL;DR: HighLevel ha annunciato l’estensione della AI Agent Action nei workflow: oltre a OpenAI, l’azione supporta ora modelli di Anthropic e Google. Il selettore dei modelli è stato ridisegnato per raggruppare le opzioni per provider, mostrare una breve descrizione del loro impiego previsto e identificare con un indicatore i modelli che supportano il ragionamento. Per questi ultimi è disponibile anche un controllo dell’effort su tre livelli — Low, Medium e High — per bilanciare profondità dell’elaborazione, velocità e consumo di token a livello della singola azione. Secondo HighLevel, la novità si combina con l’ottimizzazione token introdotta in precedenza, con attività che possono risultare fino al 50% meno costose. Il risultato dipende però dal task, dal modello selezionato e dalla configurazione del workflow.

In sintesi

HighLevel prosegue l’evoluzione delle automazioni AI nei workflow introducendo il supporto a più provider direttamente nella AI Agent Action. La novità, comunicata nel changelog ufficiale del 20 agosto 2026, permette di scegliere tra modelli Anthropic, Google e OpenAI senza dover limitare ogni azione dell’agente a un solo ecosistema.

La modifica non riguarda soltanto l’elenco dei modelli disponibili. HighLevel descrive un nuovo model picker, cioè l’interfaccia di selezione, che organizza i modelli per provider. Per aiutare l’utente a orientarsi prima della scelta, ogni modello include una breve descrizione della finalità per cui è stato progettato; quelli in grado di utilizzare il ragionamento sono segnalati con un apposito thinking chip.

Un altro elemento centrale è il controllo dello sforzo di ragionamento (reasoning effort). Nei modelli che supportano il thinking, dalla stessa area di selezione è possibile impostare un livello Low, Medium o High. In base alla documentazione ufficiale, un effort più elevato punta a un ragionamento più approfondito sui compiti complessi, mentre un livello inferiore restituisce risposte più rapide per richieste semplici. HighLevel lega quindi la scelta non solo al modello, ma anche all’intensità con cui quel modello deve affrontare uno specifico compito nel workflow.

La fonte primaria è il changelog di HighLevel, “Anthropic & Google models now available in AI agent action”.

Cosa cambia nella AI Agent Action di HighLevel

Prima di questo aggiornamento, il testo ufficiale presenta OpenAI come provider già presente nella AI Agent Action. Con l’estensione annunciata, i workflow possono utilizzare modelli di tre fornitori:

• Anthropic: Claude Opus 5, Claude Sonnet 5 e Claude Haiku 4.5;
• Google: Gemini 3.6 Flash e Gemini 3.1 Pro Preview;
• OpenAI: GPT-5.6 Luna, GPT-5.6 Tera, GPT-5.6 Sol e GPT-5 Nano.

È importante leggere questo elenco come una fotografia della disponibilità dichiarata dalla fonte alla sua data di pubblicazione. Nomi dei modelli, provider supportati, funzioni e disponibilità effettiva possono cambiare dopo la data di verifica indicata nel changelog, il 20 agosto 2026.

Dal punto di vista operativo, HighLevel indica che la scelta avviene nell’azione AI Agent del workflow. Il nuovo selettore consente di esplorare i modelli per provider e di valutare gli elementi informativi messi a disposizione dalla piattaforma, inclusi descrizione e indicatore di thinking. Non è quindi una semplice aggiunta di nomi a un menu: l’obiettivo dichiarato è rendere più leggibile la scelta tra modelli più adatti al ragionamento multi-step e opzioni più leggere per operazioni circoscritte.

A chi serve questa novità

L’aggiornamento può interessare agenzie, consulenti e team interni che costruiscono workflow in GoHighLevel con compiti AI differenti tra loro. La fonte fa alcuni esempi chiari della distinzione: un modello di fascia più alta può essere adatto al ragionamento su più passaggi quando l’accuratezza è critica; un modello più rapido e leggero può essere impiegato per classificare l’intento, leggere informazioni semplici o svolgere operazioni di base.

Per un’agenzia che gestisce più sub-account, questo apre la possibilità di progettare automazioni con scelte più granulari azione per azione. Un flusso non deve necessariamente usare lo stesso modello per interpretare una richiesta iniziale, classificare un lead e formulare una risposta che richieda più contesto. Il criterio dovrebbe essere la natura del task, non la sola preferenza per un provider.

Può essere utile anche a chi sta collegando l’AI alle logiche dati e agli eventi dei workflow. In questo scenario, resta essenziale distinguere le capacità del modello dalla qualità degli input disponibili. Per esempio, l’aggiunta del Message ID negli eventi email del Dynamic Picker può rendere più preciso il riferimento a un evento in automazione: approfondisci nel nostro articolo su Message ID negli Email Events e Dynamic Picker. Un modello più sofisticato non compensa, da solo, dati dinamici incompleti o istruzioni ambigue.

Benefici potenziali: modello ed effort per il singolo task

Il vantaggio principale dichiarato da HighLevel è la possibilità di scegliere la combinazione più appropriata tra provider, modello e profondità di ragionamento. Il model picker rende visibili le opzioni organizzate per fornitore, mentre il thinking chip segnala i modelli per cui è previsto il controllo dell’effort.

In pratica, il controllo Low, Medium o High introduce una seconda variabile di progetto. Non si tratta più soltanto di decidere quale modello usare, ma anche di stabilire quanta elaborazione assegnare a una data AI Agent Action. HighLevel afferma che l’effort più alto può offrire ragionamenti più profondi per compiti complessi; quello inferiore mira invece a risposte più veloci nei casi semplici.

Questo può favorire workflow più coerenti con le priorità operative:

• attività di classificazione o lettura di base possono richiedere un approccio più leggero;
• richieste con più passaggi o in cui l’accuratezza ha particolare rilievo possono giustificare una scelta diversa;
• workflow con azioni AI eterogenee possono essere configurati senza applicare un livello uniforme a ogni passaggio.

La fonte aggiunge che, sopra l’ottimizzazione token rilasciata in precedenza, lo stesso task può funzionare con un costo fino al 50% inferiore. È una formulazione condizionale, non una promessa generalizzata: non va trasformata nell’aspettativa che ogni workflow, ogni modello o ogni richiesta ottenga la medesima riduzione.

I passaggi indicati da HighLevel

Il changelog fornisce una sequenza sintetica per utilizzare la funzione:

1. aprire la propria AI Agent Action;
2. fare clic sul menu a discesa del modello;
3. esplorare i modelli per provider e usare thinking chip e descrizione per scegliere l’opzione desiderata;
4. selezionare un livello di effort dal medesimo menu, quando il modello supporta il thinking;
5. salvare e pubblicare.

Questi sono i passaggi descritti dalla fonte, non una guida esaustiva per ogni account o configurazione. Le etichette dell’interfaccia, la posizione delle opzioni e le condizioni di accesso possono variare nel tempo. Prima della pubblicazione, è prudente verificare il workflow e gli output in un contesto controllato, soprattutto se l’azione influisce su comunicazioni rivolte ai contatti o su aggiornamenti dei dati.

Per workflow che scrivono o aggiornano record, vale inoltre la pena tenere separati selezione del modello e gestione dei valori dinamici. Il recente intervento sui campi picklist di Create/Update Record è un esempio della rilevanza di questi dettagli: trovi il contesto nella news su valori dinamici nei picklist di Create/Update Record.

Limiti e aspetti da non dare per scontati

L’annuncio conferma i provider, l’elenco dei modelli, il picker ridisegnato e il controllo dell’effort sui modelli compatibili. Non specifica invece benchmark comparativi tra modelli, garanzie di qualità per singolo caso d’uso, tempi di risposta effettivi, costi per modello o una matrice completa delle capacità.

Di conseguenza, non sarebbe corretto dedurre che un modello sia universalmente migliore di un altro, che il livello High risolva ogni problema complesso o che Low sia sempre la scelta ottimale per le richieste semplici. L’efficacia di una AI Agent Action dipende anche da prompt, dati in ingresso, condizioni del workflow, istruzioni di sicurezza e revisione degli output.

È altrettanto importante non confondere la descrizione del modello con una garanzia funzionale. Le descrizioni nel selettore possono aiutare a valutare le opzioni prima della selezione, ma una decisione di implementazione dovrebbe essere validata sul caso d’uso reale.

Errori da evitare nella configurazione

Il primo errore è scegliere il modello solo in base al fatto che sia definito “flagship” o più potente. HighLevel invita a collegare la scelta alla mansione: classificazione dell’intento, operazioni di base e ragionamento multi-step possono richiedere impostazioni diverse.

Il secondo è applicare sempre il massimo effort. Un livello alto può essere utile per task complessi secondo la fonte, ma comporta un compromesso rispetto a velocità e consumo di token. L’impostazione dovrebbe essere proporzionata al tipo di azione, non automatica.

Il terzo è ignorare l’indicatore di thinking. Il controllo dell’effort è disponibile sui modelli che supportano questa capacità; non va quindi presunto per tutte le opzioni del picker.

Infine, evitare di pubblicare modifiche senza controllare la coerenza complessiva del workflow. Salvataggio e pubblicazione sono gli ultimi passaggi indicati da HighLevel, ma non sostituiscono test su input realistici, casi limite e dati dinamici impiegati dall’automazione.

Cosa osservare nei prossimi workflow AI

L’apertura a Anthropic, Google e OpenAI rende la AI Agent Action di HighLevel più flessibile nella selezione del modello. Per chi costruisce automazioni, la domanda utile non è quale provider scegliere in astratto, ma quale combinazione di modello ed effort sia adeguata a ogni singola azione.

Un approccio ragionato consiste nel mappare prima i task: quali devono estrarre o classificare informazioni, quali richiedono decisioni articolate, quali incidono su dati o messaggi e quali meritano verifica umana. Solo dopo ha senso usare le indicazioni presenti nel nuovo picker per selezionare l’opzione più adatta.

Se stai valutando HighLevel per workflow, CRM e automazioni conversazionali, puoi consultare il nostro bonus WhatsApp per GoHighLevel. Come sempre, risultati, tempi e costi variano in base al contesto, alla configurazione e al caso d’uso.