Un rapporto esplorativo pubblicato da OpenAI analizza otto progetti in cui agenti di codifica sono stati utilizzati per manutenzione, ottimizzazione, migrazione e riscrittura di software scientifico, incluso quello che sostiene molta ricerca genomica.
Secondo i gruppi coinvolti, questi strumenti possono accelerare sensibilmente attività tecniche che spesso gravano su piccoli team privi di un supporto ingegneristico dedicato. Il cambiamento più profondo, però, riguarda il ruolo del ricercatore, che si sposta dall’implementazione diretta verso specifica, orchestrazione e verifica del lavoro prodotto dall’AI.
Questo modello promette di liberare tempo per il giudizio scientifico, ma apre una questione cruciale: quanto a lungo possiamo conservare la capacità di verificare correttamente qualcosa se perdiamo progressivamente l’esperienza necessaria a realizzarlo?
L’efficienza degli agenti di coding pone quindi un problema più ampio di competenze e affidabilità: la supervisione umana resta davvero solida quando il sapere operativo viene delegato alle macchine?
Secondo una nuova previsione di Gartner, entro il 2028 il costo dei token necessari per utilizzare agenti di coding basati su AI potrebbe superare il salario mensile medio globale di uno sviluppatore, stimato in circa 2.000 dollari.
Il passaggio dei fornitori da modelli di abbonamento a consumo sta facendo crescere rapidamente la spesa, con costi mensili che in alcuni casi raggiungono i 20.000 dollari per singolo sviluppatore.
Gartner sottolinea però che un maggiore consumo di token non si traduce automaticamente in una maggiore produttività e critica l’assenza di strumenti maturi per l’ottimizzazione dei costi.
L’azienda raccomanda quindi strategie di governance, come il monitoraggio dei consumi, il model routing e una gestione più efficiente del contesto, per evitare che le spese crescano più rapidamente dei benefici generati dall’AI.
Ok, parliamo un po’ del cosiddetto “vibe coding” prima che qualcuno ci faccia un corso da 497 euro con tanto di “certificato” in PDF (o che qualcun altro si faccia molto, ma molto male).
Partiamo da un fatto vero, perché qui non stiamo a raccontare leggende metropolitane da bar dell’informatica (l’equivalente tecnologico del bar dello sport, se non si fosse capito). Luglio 2025, piattaforma Replit: un agente IA, durante un cosiddetto “code freeze” — cioè proprio nel momento in cui qualcuno gli aveva detto “fermo tutto, non toccare niente” — decide di cancellare un database di produzione. Dentro c’erano i dati di oltre milleduecento aziende. Poi, per buona misura, l’agente genera pure un po’ di utenti finti, presumibilmente per coprire le tracce (lui, mica noi, lo giuriamo). Quando gli viene chiesto di renderne conto, l’agente stesso scrive testualmente che “si è trattato di un fallimento catastrofico”. Il CEO dell’azienda conferma su X, sostanzialmente dicendo “sì, è successo, e non sarebbe dovuto accadere”.
Tenete da parte questo aneddoto, ci torniamo alla fine.
La parola che doveva rimanere “per il weekend”
Il termine “vibe coding” lo ha coniato Andrej Karpathy, uno che di intelligenza artificiale un paio di cose le sa (ha lavorato su Tesla Autopilot e OpenAI, mica parliamo del solito “cugino smanettone”). A febbraio 2025 lo descrive così: ti abbandoni completamente alle sensazioni, accetti tutto quello che il modello propone, e a un certo punto smetti perfino di leggere le modifiche. Il dettaglio delizioso è che Karpathy lo intendeva per i progetti del weekend, quelli usa-e-getta, non esattamente per il gestionale per lo studio del commercialista di vostro zio.
Indovinate un po’? Un anno dopo lo stesso Karpathy si è visto costretto a coniare un secondo termine, “agentic engineering”, per separare la disciplina seria da quella che lui stesso aveva battezzato un anno prima. L’autore del peccato originale che scrive la propria penitenza: se non è ironia questa.
Simon Willison, uno che Django lo ha co-creato (quindi diciamo che il codice lo sa riconoscere), traccia il confine in modo chirurgico: se un modello scrive ogni riga ma tu la rivedi, la testi e la capisci, quello non è vibe coding, piuttosto è un assistente di battitura molto sveglio. Il vibe coding vero comincia quando smetti di farti queste domande.
Tre modi di chiacchierare con una macchina
Qui apriamo una parentesi tecnica, perché non tutti i “vibe coder” sono uguali, e la distinzione conta, eccome. C’è chi apre una scheda del browser su un chatbot qualsiasi, descrive l’idea, copia il codice e lo lancia in locale: la versione “facile”, la chiamano così le guide stesse. C’è chi lavora dentro un editor con assistenza IA integrata: un gradino sopra. E c’è chi usa un agente autonomo che legge i file veri, li modifica, esegue comandi, fa girare i test: il gradino “agentico”, appunto, quello che oggi i reclutatori più smaliziati considerano lo standard, tanto che c’è chi liquida l’opzione “preferisco ChatGPT in una scheda del browser” come comportamento ormai datato.
Vi racconto un dettaglio che trovo davvero simpatico. Un tizio ha “vibe-codato” un’intera applicazione usando solo ChatGPT, niente editor, niente agente. Per tenere insieme i pezzi quando un bug coinvolgeva due componenti, doveva incollare manualmente entrambi nel prompt — sue parole, più o meno nella falsariga: “non stiamo mica usando Cursor, qui si vibe-coda solo con ChatGPT!”. Alla fine, chiedendo il file di documentazione finale nella stessa identica chat usata per tutto il progetto, si chiede candidamente se il modello si ricordasse davvero tutto quello che avevano costruito insieme. Risposta sua: non ne ha la più pallida idea. Ecco, questa incertezza non è un dettaglio buffo da raccontare agli amici: è la condizione strutturale di chi sviluppa così. Il chatbot puro non vede mai i vostri file reali sul disco, non esegue mai il codice, non sa se compila. Vede solo quello che gli incollate, quando ve ne ricordate.
Il pensionato nostalgico e il neofita ebbro di novità
Permettetemi di tracciare due “ritratti”, costruiti non su un singolo caso ma sulle scenari ricorrenti che si leggono ovunque, da Reddit a Hacker News ai blog di settore — quindi tipologie, non persone reali con nome e cognome.
Primo ritratto: il programmatore al tramonto. Ha scritto codice negli anni d’oro, poi ha lasciato la tastiera per la carriera, la famiglia, la vita. Oggi ritrova nella chat con l’IA la stessa euforia di allora, ma con un surplus di fiducia che è quasi commovente: “io ero un programmatore” diventa il salvacondotto per saltare la verifica, perché la competenza di vent’anni fa viene scambiata, senza neanche accorgersene, per competenza di oggi. Peccato che nel frattempo siano cambiati lo stack, le pratiche di sicurezza, e perfino il concetto stesso di “produzione”.
Secondo ritratto: il neofita “inebriato”. Non ha mai scritto una riga di codice in vita sua e scopre, per la prima volta, l’ebbrezza di vedere un’interfaccia che risponde ai suoi comandi — un’app che esiste davvero, generata partendo dal nulla. Il rischio qui è speculare e opposto: zero anticorpi, nessun istinto per riconoscere quando qualcosa “puzza”, perché non c’è mai stato nulla da cui generalizzare un sospetto.
Il bello (si fa per dire) è che, partendo da biografie agli antipodi, entrambi approdano allo stesso identico gradino della scaletta di prima — la chat nel browser — e allo stesso identico punto cieco: la convinzione di avere tutto sotto controllo, per ragioni completamente diverse.
Il conto che arriva senza far rumore
Qui entriamo nel cuore della faccenda. Addy Osmani, che di ingegneria del software vive (lavora su Chrome, mica fa il “divulgatore” come il sottoscritto), ha coniato un’espressione che meriterebbe di entrare nei manuali: “debito di comprensione”. Non è il classico debito tecnico, quello che almeno si vede e si sente puzzare. Il debito di comprensione è subdolo: genera falsa fiducia. Il codice sembra pulito, i test sono verdi, e il conto arriva in silenzio, di solito proprio nel momento peggiore.
Un sondaggio su ottocento professionisti nordamericani (Clutch, giugno 2025) ha trovato che il 59% degli sviluppatori usa abitualmente codice IA che non comprende fino in fondo. E naturalmente in questo caso non sto parlando di “hobbisti della domenica”, parlo di gente che lo fa per mestiere, ottanta volte su cento più volte alla settimana.
Il labirinto senza filo di Arianna
E qui arriva la parte che, da ex direttore di rivista, mi fa più tenerezza e più tristezza insieme: il debugging che si “atrofizza”. Uno studio randomizzato su programmatori junior ha trovato un calo del 17% nella capacità di comprendere e correggere gli errori in chi usava sistematicamente l’IA. Il meccanismo è banale quanto crudele: se l’IA corregge sempre lei, non costruisci mai l’istinto che si forma incontrando, diagnosticando e risolvendo i problemi con le proprie mani.
Stephan Schmidt, quarantacinque anni di programmazione sulle spalle (quindi non uno che ha scoperto il terminale l’altro ieri), descrive il fenomeno dei “doom loop”: il modello sbaglia, prova a correggersi, peggiora la situazione, si arrovella, e finisce esattamente dove era partito — talvolta cancellando tutto e dichiarando, con la sua “faccia di bronzo digitale”, che il lavoro è completo. La sua conclusione, che condivido parola per parola: chi giura di non esserci mai finito, in un doom loop, o è stato fortunatissimo, o sta mentendo spudoratamente.
L’ultimo trenta per cento, quello vero
C’è una statistica non ufficiale ma confermata da chiunque abbia provato sul serio: l’IA vi porta al settanta per cento di un’app funzionante con una velocità imbarazzante. Il problema è che l’ultimo trenta per cento — autenticazione vera, gestione dei pagamenti, validazione dei dati, misure di sicurezza, tutti quei dettagli che nessuno “fotografa per Instagram” — è proprio la parte più difficile, e diventa quasi impossibile da affrontare senza una conoscenza ingegneristica profonda. Lo stesso Karpathy, parlando a un evento di Sequoia all’inizio di quest’anno, ha distinto due cose: il vibe coding “alza il livello” (chiunque può costruire qualcosa), l’agentic engineering “preserva l’asticella” (la qualità resta quella di prima). Sono due obiettivi diversi, e confonderli è la fonte di metà dei guai di cui stiamo parlando.
Quando le macerie hanno un nome e cognome
Passiamo ai fatti concreti, perché qui non vogliamo fare gli allarmisti senza prove. Un report Veracode del 2025, su oltre ottanta task di codifica e più di cento modelli linguistici, ha trovato che il codice generato dall’IA introduce vulnerabilità di sicurezza nel 45% dei casi. Il CTO dell’azienda lo dice senza troppi giri di parole: l’ascesa del vibe coding rappresenta un cambiamento di fondo nel modo in cui costruiamo software, e non necessariamente in meglio.
E non dobbiamo dimenticareil cosiddetto “affare Moltbook”, un social network “vibe-codato” e violato entro tre giorni dal lancio: gennaio 2026, i ricercatori di sicurezza trovano un database privo della protezione di base sui permessi, ed esposti finiscono un milione e mezzo di token di autenticazione e trentacinquemila indirizzi email, oltre ai messaggi privati. Praticamente ogni account era dirottabile con una singola chiamata API. Per la cronaca, non era stato costruito da un chatbot nel browser: era stato costruito con strumenti agentici di tutto rispetto. Il che ci mette di fronte a una cosa piuttosto scomoda: il gradino “migliore” della scaletta di cui sopra non è automaticamente quello sicuro, è solo quello che fallisce in modo diverso.
Il paradosso della velocità che non c’è
E adesso il colpo di scena che preferisco, perché smonta anche la fiducia di chi pensava di essere immune. METR, un’organizzazione di ricerca seria, ha condotto uno studio randomizzato su sedici sviluppatori esperti — non principianti, gente con anni di mestiere su codebase che conosceva a menadito — assegnando loro compiti reali. Prima del test, prevedevano un risparmio di tempo del 24% grazie all’IA. Dopo aver finito, erano convinti di aver risparmiato comunque circa il 20%. La realtà misurata? Erano stati il 19% più lenti. Non lo dico per cattiveria: lo dico perché se può succedere a programmatori navigati su codice che conoscevano da anni, il “io ero bravo prima, quindi sono al sicuro” del nostro primo ritratto non regge granché.
Quindi, che si fa?
Non vi sto dicendo di chiudere il cassetto (in cui stavate conservando il vostro sogno digitale) e buttare via la chiave. Vi sto dicendo che tra l’idea tenuta lì dentro per dieci anni e un’app che qualcuno paga sul serio, c’è una soglia, e quella soglia ha un nome: disciplina, non talento. Willison ha una regola che varrebbe la pena incorniciare: non si mette in produzione una riga di codice che non si saprebbe spiegare a qualcun altro. Aggiungeteci una buona dose di test scritti prima del codice (sì, il vecchio TDD, quello che sembrava roba da boomer fino a ieri), la revisione di ogni singola modifica con lo stesso rigore che usereste su un collega umano, e qualche prompt esplicito sulla sicurezza invece di lasciare che il modello indovini.
E qui torniamo a Replit, al database cancellato durante il “fermo tutto”. Non era un “chatbot del weekend” a fare danni: era un agente di livello professionale, usato da gente che sapeva benissimo cosa stava facendo. Se può succedere a loro, la domanda da farsi prima di pubblicare la propria creatura dal cassetto non è “L’IA è abbastanza brava?”.
La domanda vera è: “Capisco abbastanza quello che ha scritto da sé?”.
Buon coding, e, mi raccomando, leggete i diff!
Ah, dimenticavo, qualche tempo fa ho tradotto per Hoepli questi due manuali sull’argomento, nel caso foste interessati:
Fonti utili per chi vorrà approfondire i vari aspetti:
We saw Jason’s post. @Replit agent in development deleted data from the production database. Unacceptable and should never be possible.
– Working around the weekend, we started rolling out automatic DB dev/prod separation to prevent this categorically. Staging environments in… pic.twitter.com/oMvupLDake
Allora, ve la do diretta, senza il solito giro largo da articolo che deve arrivare al dunque dopo tre aneddoti e una citazione di Asimov: SpaceX ha comprato Cursor. Sessanta miliardi di dollari. Tutti in azioni, zero contanti — perché quando hai appena debuttato in borsa con l’IPO più chiacchierata della storia recente di Wall Street e il titolo schizza, perché pagare in soldi veri quando puoi pagare in carta tua, appena stampata e ancora calda?
Riassunto per chi è arrivato tardi alla notizia (capita, lo so, la vita è piena di distrazioni più urgenti): a metà giugno 2026, appena quattro giorni — quattro, non quattro mesi, quattro giorni — dopo che SpaceX ha debuttato sul Nasdaq spingendo la propria valutazione oltre i duemila miliardi di dollari, Elon Musk ha deciso che il momento perfetto per fare shopping fosse esattamente quello. E ha comprato Anysphere, la società dietro Cursor, l’editor di codice basato su IA che ogni programmatore della Silicon Valley ha installato (e che, diciamocelo, molti usano con la stessa dipendenza affettiva con cui noi negli anni ’80 aspettavamo il nuovo numero in edicola).
I dettagli, per i tecnici di cuore: niente contanti, solo azioni SpaceX Classe A, con il tasso di conversione calcolato sulla media del prezzo di chiusura nei sette giorni precedenti la firma — un meccanismo elegante quanto dire “vediamo come va il vento” ma con più decimali. Chiusura prevista nel terzo trimestre 2026, dopo il quale Cursor diventerà una costola interamente posseduta dell’impero Musk, di fianco a xAI, Grok, X e il supercomputer Colossus di Memphis.
E qui arriva la parte che a chi ha visto passare qualche ciclo industriale farà sorridere con malizia: l’opzione era già pronta da aprile. SpaceX si era riservata il diritto di scegliere fra comprare tutto per 60 miliardi oppure limitarsi a una collaborazione da 10 miliardi, tenendo la decisione in tasca come una carta da giocare al momento giusto. Il momento giusto, manco a dirlo, è arrivato esattamente cinque minuti dopo l’incasso record dell’IPO. Pianificazione o fortuna? Diciamo pianificazione vestita da fortuna, che è poi lo sport preferito della Silicon Valley.
Il perché è tutto meno misterioso di quanto sembri. Cursor aveva un problema vecchio come il mondo del software: la fame di potenza di calcolo, sempre superiore a quella disponibile. Ora si ritrova in grembo l’infrastruttura mastodontica di Colossus per addestrare i propri modelli, mentre SpaceX — che con la sua costola xAI fatica ancora a sfondare sul fronte coding rispetto a OpenAI e Anthropic — si porta a casa di colpo uno degli strumenti più amati e usati dagli sviluppatori enterprise del pianeta, ricavi miliardari compresi. Insomma: chi aveva il motore senza la macchina ha trovato la macchina, e chi aveva la macchina senza il motore buono ha trovato il motore. Romantico, in fondo, se non fosse che si parla di sessanta miliardi di dollari.
La domanda che resta, e che lascio a voi rigirare nella mente come si faceva con i retroscena delle fusioni videoludiche degli anni ’90 (stessa euforia, stesso brivido, stesso vago presentimento che qualcuno, da qualche parte, stia per essere ridimensionato): chi possiede davvero l’editor su cui scrivete ogni riga di codice, oggi conta più di cosa quell’editor sa fare. E questa, miei cari, è solo la prima puntata.
Anthropic ha rilasciato Claude Opus 4.7, aggiornamento focalizzato su maggiore autonomia operativa e capacità di gestire compiti complessi senza supervisione continua. Il modello migliora sensibilmente nel coding, arrivando a eseguire e verificare autonomamente il codice, riducendo errori e necessità di controllo umano. Sul fronte visivo introduce il supporto a immagini fino a 2.576 pixel, consentendo una lettura accurata di tabelle, diagrammi e screenshot complessi. Tra le novità anche un nuovo livello di “sforzo” intermedio per bilanciare prestazioni e costi, rimasti invariati rispetto alla versione precedente. Infine, migliorano sicurezza (con filtri anti-abuso) e memoria tra sessioni, rendendo il modello più adatto a progetti di lunga durata.
L’ingegnere Cheng Lou ha lanciato Pretext, una libreria open source che promette di rivoluzionare il layout del testo sul web eliminando la dipendenza dal DOM e i costosi processi di reflow. Sviluppata con il supporto di strumenti AI come OpenAI Codex e Claude, la soluzione consente di calcolare il layout dei testi tramite pura matematica, raggiungendo prestazioni fino a 600 volte superiori rispetto agli approcci tradizionali. Pretext introduce un modello “prepare + layout” che rende il rendering prevedibile e adatto a interfacce dinamiche, generative e ad alta frequenza. Il progetto ha già ottenuto un’enorme trazione nella community, segnalando un possibile cambio di paradigma nello sviluppo frontend. Le implicazioni sono profonde: il web potrebbe evolvere da documento statico a piattaforma programmabile simile a un motore grafico, spinta anche dall’accelerazione dell’AI-assisted coding.
Google aggiorna Stitch, il suo strumento sperimentale di design AI presentato al Google I/O 2025, introducendo il concetto di “vibe design”, che consente di creare interfacce partendo da emozioni e input astratti anziché da wireframe tradizionali. L’integrazione con Gemini Live permette agli utenti di dialogare vocalmente con la canvas, ricevendo suggerimenti, modifiche in tempo reale e persino interviste guidate per definire il design. Il sistema include anche un agente di design e un Agent Manager per gestire progetti complessi e collaborativi. Tra le funzionalità avanzate figurano l’estrazione automatica di design system da URL e la sincronizzazione tramite file DESIGN.md con altri strumenti. Stitch completa il flusso trasformando design statici in prototipi interattivi, segnando un possibile cambio radicale nel modo in cui si progettano le interfacce digitali.
Roberto Buonanno torna, su Tom’s Hardware Italia, al dibattito acceso dal suo articolo provocatorio intitolato “Il coding è morto”, analizzando le reazioni della community di sviluppatori italiani. Al centro del confronto ci sono le dichiarazioni di Dario Amodei, CEO di Anthropic, secondo cui entro 6–12 mesi i modelli AI potrebbero svolgere end-to-end il lavoro di un ingegnere software. Buonanno mappa paure e speranze emerse nei commenti: dal timore delle “scatole nere” e dei rischi di sicurezza, alla trasformazione del ruolo dei programmatori in orchestratori di agenti AI. L’autore propone infine un decalogo operativo per usare strumenti come OpenClaw in modo sicuro e strategico, sostenendo che la vera sfida non sia difendere il coding tradizionale, ma adattarsi a un mercato che sta già cambiando. La tesi è semplice: l’AI non elimina il valore, lo ridistribuisce, premiando chi è in grado di evolvere competenze e mentalità.
Il debutto di Claude Code Security da parte di Anthropic ha provocato un brusco calo dei titoli della cybersecurity cloud-native, con CrowdStrike e Okta in ribasso rispettivamente del 6,8% e del 9,2%. Il nuovo strumento, basato sul modello Claude Opus 4.6, è progettato per individuare e correggere autonomamente vulnerabilità software, identificando anche bug storici sfuggiti ai controlli manuali. Gli investitori temono che l’approccio proattivo e agentico dell’AI possa ridurre il valore delle tradizionali suite di rilevamento delle minacce offerte da player come Cloudflare, SailPoint e Zscaler. Durante i test interni, Anthropic ha dichiarato di aver scoperto oltre 500 vulnerabilità in codice open-source in produzione, con un processo di verifica multi-fase per limitare i falsi positivi. L’episodio riflette una più ampia volatilità nel settore software, mentre l’AI generativa evolve da funzione sperimentale a infrastruttura centrale per le imprese.
Ebbene sì, l’industria videoludica sta vivendo una fase di crescente diffidenza verso l’intelligenza artificiale generativa.
Secondo i dati, oltre la metà degli sviluppatori (il 52% per essere precisi) ritiene che l’AI stia avendo un impatto negativo sul processo creativo e produttivo dei videogiochi, un balzo significativo rispetto al 30% registrato appena un anno fa.
Parallelamente, il consenso positivo sta crollando: solo il 7% degli addetti ai lavori esprime oggi un giudizio favorevole, contro il 13% dell’anno precedente.
Il settore, quindi, appare sempre più diviso tra la visione dei vertici aziendali e quella dei team di sviluppo.
Colossi come Ubisoft e Microsoft continuano a spingere per un’integrazione capillare dell’IA in tutte le fasi della produzione, mentre realtà come Larian Studios mantengono un approccio più prudente, limitandosi a impiegarla per attività circoscritte come la prototipazione.
Nonostante il malcontento crescente, l’IA rimane comunque presente nei flussi di lavoro: il 33% degli sviluppatori la utilizza quotidianamente, soprattutto per compiti ripetitivi, ricerca di riferimenti, scrittura di comunicazioni interne e supporto al coding.
Il quadro che emerge da questa indagine è, come si può notare, quello di un settore polarizzato, in cui l’adozione dell’IA generativa procede tra spinte dall’alto e resistenze dal basso, mentre il dibattito sul suo ruolo futuro sembra avvicinarsi a un punto di svolta.
Il framework CSS Tailwind, oggi tra i più utilizzati dagli sviluppatori, ha dovuto licenziare il 75% del proprio team di ingegneri a causa di un drastico calo dei ricavi. Secondo il CEO Adam Wathan, l’intelligenza artificiale consente agli utenti di ottenere codice e soluzioni CSS direttamente dai chatbot, riducendo il traffico verso la documentazione ufficiale (-40%) e bloccando la conversione verso i prodotti a pagamento. Nonostante una popolarità in crescita, l’azienda ha registrato un crollo degli introiti dell’80%, mettendo a rischio la sostenibilità del modello di business. A offrire un sostegno temporaneo è arrivata Google, che ha annunciato la sponsorizzazione del progetto, dando a Tailwind tempo per ripensare la propria strategia di monetizzazione nell’era dell’AI.
Nel 2025 i Large Language Models hanno superato il ruolo di interfacce conversazionali, trasformandosi in elementi operativi integrati in sistemi complessi. Grazie a tecniche di reasoning avanzato come Chain-of-Thought, Tree-of-Thought e RLVR (Reinforcement Learning from Verifiable Rewards), i modelli non si limitano a rispondere, ma pianificano azioni, utilizzano strumenti, verificano risultati e correggono errori nel tempo. Questa evoluzione ha reso concreti gli agenti AI come pattern ingegneristici, particolarmente efficaci in domini strutturati come lo sviluppo software e la ricerca tecnica. Il coding è passato dalla scrittura manuale alla delega asincrona, spostando il valore umano verso supervisione e controllo qualità, in linea con visioni storiche come quelle di Leslie Lamport. Parallelamente sono emerse nuove sfide su sicurezza, governance e geopolitica dei modelli open weight, rendendo il 2025 una vera linea di demarcazione per l’AI moderna.
Una principal engineer di Google, Jaana Dogan, ha raccontato che Anthropic Claude Code è riuscito a generare in circa un’ora una versione funzionante di un sistema che il suo team stava sviluppando da oltre un anno. Il progetto riguarda orchestratori di agenti distribuiti, un’area in cui Google aveva esplorato diverse soluzioni senza arrivare a un approccio definitivo. Dopo l’eco mediatica, Dogan ha chiarito che l’output di Claude Code è una “toy version”, non pronta per la produzione, ma sorprendentemente solida come punto di partenza. L’episodio evidenzia quanto rapidamente gli strumenti di coding basati su AI stiano comprimendo i tempi di prototipazione. Secondo Dogan, la vera sfida resta l’esperienza necessaria per trasformare queste basi in prodotti robusti e duraturi.
L’articolo esplora il paradosso emergente dello sviluppo software assistito da AI: la stessa fluidità che rende l’AI un potente amplificatore di produttività può anche mascherare decisioni architetturali sbagliate. Quando lo sviluppatore possiede il sistema — come in un progetto personale — l’AI diventa un’estensione intenzionale della visione progettuale. Nei contesti legacy o contrattuali, invece, l’AI viene usata come strumento di sopravvivenza cognitiva, privilegiando soluzioni “good enough” che perpetuano debito tecnico. Il risultato è un codice formalmente corretto ma allineato a pattern disfunzionali già esistenti. Il messaggio chiave è che l’AI non migliora i sistemi: li replica, amplificando la qualità — o i difetti — delle scelte umane che la guidano.
OpenAI utilizza Codex, il suo agente di software engineering, per sviluppare e migliorare lo stesso Codex, rendendolo una componente centrale del lavoro quotidiano degli ingegneri. In un’intervista ad Ars Technica, il product lead Alexander Embiricos afferma che la maggior parte del codice dell’agente è scritta dallo stesso Codex, in un ciclo ricorsivo supervisionato da esseri umani. L’agente, presentato come research preview nel maggio 2025, opera su cloud, gestisce repository reali, propone pull request ed è integrato in ChatGPT, CLI ed editor come VS Code. La rapida adozione interna ed esterna, accelerata dall’arrivo di GPT-5 Codex, rafforza la posizione di OpenAI in un mercato competitivo dove il coding è visto come uno dei casi d’uso più solidi dell’AI.
Ant Group ha lanciato LingGuang, una nuova intelligenza artificiale cinese capace di generare applicazioni interattive complete in meno di 30 secondi a partire da semplici comandi testuali. A differenza dei classici modelli linguistici, LingGuang è un ambiente di runtime che trasforma le richieste degli utenti in codice eseguito in tempo reale, producendo app, grafici dinamici, modelli 3D e simulazioni operative. Il successo è stato immediato: milioni di utenti in pochi giorni hanno messo sotto pressione l’infrastruttura di Ant, costringendo a ripetute espansioni dei server. Il progetto segnala un cambio di paradigma nell’IA, orientato all’utilità quotidiana e alla riduzione dell’attrito tra intenzione umana e software, oltre a rappresentare il ritorno strategico di Ant Group come protagonista dell’innovazione tecnologica cinese.
Il programmatore polacco Przemysław Dębiak ha sconfitto un’intelligenza artificiale di OpenAI alle AtCoder World Tour Finals 2025 a Tokyo, vincendo una competizione di programmazione con un punteggio superiore del 9,5%. La sfida, basata su un complesso problema di ottimizzazione, si è svolta nell’arco di 600 minuti. Dębiak ha guadagnato 500.000 yen e ha sottolineato come questa vittoria rappresenti una dimostrazione temporanea della superiorità umana in determinati contesti. L’evento evidenzia la crescente capacità delle AI nel campo del software engineering, ma anche la resilienza dell’ingegno umano.
