Stanford University

Il 7 ottobre 2025, ricercatori di «Stanford University», SambaNova Systems e «UC Berkeley» hanno pubblicato ACE (Agentic Context Engineering) su arXiv. Il framework affronta due modalità di guasto nel modo in cui i modelli linguistici adattano il proprio contesto: il brevity bias, in cui la compressione elimina le sfumature, e il context collapse, in cui la qualità del contesto si degrada nel corso di successivi cicli di adattamento.

Il framework suddivide il lavoro tra tre agenti. Il Generator produce traiettorie di ragionamento dettagliate, il Reflector le analizza per individuare pattern di successo e fallimento, e il Curator reintegra gli insight risultanti nel contesto in modo incrementale. I miglioramenti riportati sono: 10.6% sui benchmark standard per agenti, 8.6% su compiti complessi di ragionamento finanziario, e una riduzione media dell'86.9% nella latenza di adattamento. Non sono richieste etichette ground-truth: il sistema legge le proprie esecuzioni. Il paper presenta questo approccio come un'alternativa al fine-tuning, che agisce su ciò che viene mostrato al modello anziché sui suoi pesi.

Tre settimane prima, "AI in the SDLC: Cutting Through the Hype" di Edgar Kussberg citava un diverso risultato di «Stanford University»: gli sviluppatori che utilizzano assistenti IA avevano una maggiore probabilità di introdurre vulnerabilità di sicurezza, e una maggiore probabilità di giudicare quel codice sicuro. La tesi più ampia di Kussberg è che la crescente adozione dell'IA sia correlata a un calo della stabilità delle consegne, e che gli sviluppatori che si sentono più produttivi spesso accettino i suggerimenti senza un esame attento.

Un'unica istituzione fornisce sia i meccanismi per modelli che si affinano autonomamente a partire dalle proprie tracce, sia le prove che i revisori umani perdono accuratezza sul codice scritto da un modello. Resta aperta la questione di chi controlli un contesto che si cura da solo.