Articolo dottrinale di Addy Osmani (Google) che stabilisce una distinzione fondamentale per il dibattito 2026 su IA e cognizione: **Cognitive Offloading** (sano — delegare il *come* mantenendo il giudizio sui risultati) vs **Cognitive Surrender** (tossico — accettare l'output dell'IA in blocco senza formare un ragionamento parallelo, *"prendere in prestito la fiducia del modello come sostituto della comprensione personale"*). Solido fondamento scientifico: lo studio **Shaw & Nave (Wharton/UPenn)** su 1.372 partecipanti — **il 73% accetta risposte dell'IA palesemente errate**, con una fiducia crescente nonostante un tasso di errore del 50%. **MIT *Your Brain on ChatGPT*** — connettività neurale ridotta tra gli scrittori assistiti dall'IA. **Anthropic Skill-Formation** — gli ingegneri che usano l'IA per generare codice ottengono un punteggio **inferiore del 17%** in comprensione rispetto a chi la usa per l'indagine concettuale. Quattro esempi concreti di surrender (revisione di PR di 600 righe basata su segnali superficiali, debugging superficiale, decisioni architetturali prese senza ragionamento, apprendimento degradato). Cinque euristiche personali (pre-generare le aspettative, revisione allo standard di un ingegnere junior, prompting avversariale, consapevolezza della fatica, verifica della fonte della fiducia). Sei barriere strutturali (criteri di uscita per la verifica, tabelle anti-razionalizzazione, **PR di ~100 righe max**, modalità interrogativa piuttosto che generativa, attrito strutturato, **tempo regolare da soli alla tastiera**). Due nuovi concetti: ***Comprehension Debt*** (il divario crescente tra il volume totale della codebase e la comprensione umana) e ***Mutual Amplification*** (un ciclo cooperativo di affinamento dei prompt contrapposto alla delega-surrender). Tesi cardine: ***"la scelta tra pensare con l'IA e non pensare affatto rimane interamente umana"***. Un contrappeso strutturale e operativo a *"coding is solved"* (Cherny 2026-05) e un complemento analitico a Frizzo (2026-05-05).
Addy Osmani (Software Engineer at Google, Cloud + Gemini, ex-Chrome — déjà au dossier veille avec *Agent Harness Engineering* 2026-04-19, *How to write a good spec for AI agents* 2026-01-13, *Conductors to Orchestrators* 2025-11-01).
Editoriale su Medium di **Hryhorii Tatsyi** (CTO, **Raiffeisen Bank Ukraine**, ~900 ingegneri IT) che riporta uno **studio longitudinale di 12 mesi** (maggio 2025 → aprile 2026) sull'impatto reale dell'IA generativa in una grande banca europea. Tesi centrale: ***"L'IA non ha reso i nostri ingegneri semplicemente più veloci. Li ha resi diversi."*** A differenza dei resoconti individuali (Frizzo, Cherny) o di quelli a livello meta (Curran/Intercom), si tratta di una **valutazione organizzativa quantificata proveniente da una banca tradizionale e regolamentata** — un corpus ancora raro nel 2026. Risultati: **−75 persone (−8% dell'organico, di cui 64 ingegneri)** in 12 mesi, ma con **più codice rilasciato, meno incidenti, sicurezza migliorata**; adozione dell'IA **dal 62% all'83%**; **il 68% degli ingegneri riceve ≥50% del proprio codice tramite assistenza IA**; **onboarding dei nuovi ingegneri da 60-90 giorni a ~40 giorni** (coerente con i dati Anthropic di 82→40 giorni). Tre archetipi emergenti: (1) **Copilot-only** +10-25% sulle PR, stesso perimetro; (2) **Multi-tool** story point ×1,5-3, perimetro cross-repo +50-80%; (3) **Claude su stack aziendale** volume di codice ×4,5, perimetro radicalmente ampliato. **Sette prodotti IA costruiti** che prima non esistevano: Service Knowledge Hub (57 microservizi, 83 release/mese), Mobile Android workflow CI plan/implement/test, AI Agent Portal (2.085 utenti / 649 MAU in 87 giorni, generazione MCP tramite specifiche OpenAPI), Shift-left Security Plugin (−82% di segreti esposti), DevPortal Backstage + agenti di diagnostica Kubernetes (−68% del tempo di risoluzione degli incidenti critici), DRAIF MCP text-to-SQL su un Data Lake con 10.000 tabelle (embedding fine-tuned 2× rispetto a OpenAI), Call Evaluation (>97% di accuratezza nella trascrizione, votato miglior prodotto nel gruppo Raiffeisen). Stabilità: **incidenti bloccanti −70%, risoluzione critica −68%, allerte di sicurezza ad alta gravità risolte +155%**. Intuizione strategica centrale: ***"L'IA ha ampliato la nostra frontiera delle possibilità produttive, e abbiamo deliberatamente allocato la capacità liberata"*** — l'IA non fa la stessa cosa più velocemente, sposta **ciò che si può decidere di fare**. La domanda di valutazione da riformulare: non *"di quanto % sono aumentati i KPI esistenti"* ma ***"cosa hanno costruito i vostri ingegneri che prima non esisteva"***. L'IA porta i meno performanti al livello base più di quanto acceleri i top performer; **gli architetti senior tornano allo sviluppo attivo** dopo anni di distacco. Rilevanza importante per i comitati esecutivi dei settori bancario/assicurativo/regolamentato (Raiffeisen = banca, Ucraina = contesto bellico + resilienza operativa).
#Hryhorii Tatsyi#Raiffeisen Bank Ukraine#CTO banca
**Hryhorii Tatsyi** — CTO de **Raiffeisen Bank Ukraine** (filiale ukrainienne du groupe bancaire autrichien Raiffeisen Bank International, RBI). Auteur Medium @milhibisidek. Profil discret côté visibilité publique (25 followers Medium au moment de la publication) · mais position institutionnelle de premier plan : il dirige une organisation IT d'environ 900 ingénieurs dans une banque systémique opérant en contexte ukrainien (économie de guerre depuis 2022, résilience opérationnelle critique). L'article est sa première contribution publique d'envergure documentée sur cette plateforme.
Repository GitHub `techygarg/lattice` che formalizza un framework di **skill componibili** per installare una *disciplina ingegneristica* negli assistenti di coding AI (Claude Code, Cursor). Architettura distintiva a tre livelli: **Atoms** (guardrail a principio singolo: clean code, DDD, sicurezza, qualità dei test, design-first), **Molecules** (workflow multi-step che compongono gli atoms: design, implement, refactor, fix, review), **Refiners** (interviste guidate che producono standard specifici del progetto che personalizzano il comportamento degli atoms). Pipeline operativa `lattice-init` → `design-blueprint` → `code-forge` → `review`, con `refactor-safely` e `bug-fix` come ramificazioni. Tre principi cardine: *"Skills over prompts"*, *"Composability over monoliths"*, ***"Living context over static config"*** — la cartella `.lattice/` diventa più intelligente a ogni ciclo di feature. MIT, puro shell, 18 stelle / 52 commit, una serie di articoli su martinfowler.com che spiegano cinque *collaboration patterns*. Forte convergenza con Vincent *Superpowers* (2026-04-02), Habert *PROJ-AI* (2026-05-05), Wescale *Usine Logicielle Augmentée* (2026-05-03), e — la convergenza dottrinale più alta senza filiazione dichiarata — **Compound Engineering** di Every (Shipper/Klaassen 2025-12-11): pipeline isomorfe (lattice-init→design-blueprint→code-forge→review ↔ ce:brainstorm→ce:plan→ce:work→ce:review), livello di contesto vivente (`.lattice/` ↔ `docs/plans/+solutions/+brainstorms/`), una comune postura design-first, review obbligatoria a fine pipeline. La dottrina 2026 del *coding agent harness* converge su un vocabolario stabile, senza influenza diretta.
#lattice#techygarg#composable AI skills
techygarg (auteur GitHub, identité réelle non précisée dans le README ; auteur d'une série d'articles publiée sur martinfowler.com).
**Jessica Talisman MLS** (Semantic Engineer + Information Architect, oltre 25 anni di esperienza, in precedenza Adobe RDF knowledge graphs + in precedenza Amazon information architecture, fondatrice di **Ontology Pipeline Framework** + **Contextually LLC**) pubblica su **Modern Data 101** (Substack, ~20.000 membri) il **4 maggio 2026** una revisione importante del suo framework **Ontology Pipeline™** pubblicato inizialmente a gennaio 2025. **Tesi centrale**: dal novembre 2022 (ChatGPT), la domanda di *semantic infrastructure* è esplosa ma ha generato **confusione massiccia** — *"vendors offering shortcuts that bypass essential foundational work, creating liabilities disguised as assets"*. La pipeline originale a **5 stadi** (controlled vocabulary → metadata standards → taxonomy → thesaurus → ontology → knowledge graph) resta valida ma **deve essere completata con 2 aggiunte critiche**: **(1) Governance** come pratica ingegneristica continua (non documentazione post-progetto); **(2) AI Partnership** con una distinzione netta tra augment e replace. **Diagnosi di mercato**: *"a structurally invalid taxonomy is not a taxonomy"*, *"lists are not knowledge infrastructure"*, tassonomie generate dall'AI vendute come strategia, vendor che abusano del termine *"ontology"*, soluzioni standardizzate presentate come metodologia. **Crisi formativa**: la domanda di semantic engineer supera nettamente l'offerta di professionisti formati; il divario viene colmato da persone *"who know vocabulary without methodology"*. **Posizione normativa esplicita**: *"AI that generates a taxonomy wholesale is producing a liability disguised as asset; AI that assists trained engineers is just plain smart."* **Ruoli accettabili per l'AI**: estrazione di entità, gap analysis, redazione di vocabolari candidati da sottoporre a revisione, supporto a popolamento/validazione. **Ruoli inaccettabili per l'AI**: *generazione integrale di tassonomie senza validazione umana rispetto agli standard*. **Standard citati**: SKOS, OWL, RDF, SPARQL. **Credibilità**: framework validato su **6 istituzioni in 10 anni**. **Raccomandazioni per 3 pubblici**: (a) Organizzazioni — investire nella formazione formale, trattare l'infrastruttura di conoscenza come la spina dorsale dell'AI, governance come pratica continua, AI come acceleratore e non sostituto; (b) Professionisti — competency question prima della modellazione, validare rispetto a SKOS/OWL/RDF, la difficoltà definizionale segnala una pausa, la manutenzione è continua; (c) Leader — upskilling della forza lavoro senza formazione autofinanziata, allocare risorse all'infrastruttura di conoscenza come necessità strategica, governance prima del deployment. **Citazioni salienti**: *"the work cannot be skipped"*, *"governance is the engineering practice that keeps an ontology coherent across change"*, *"teaching this is hard. Learning it is harder."* **Rilevanza elevata** per data leader / CDO / architetti che costruiscono le fondamenta semantiche dei loro agenti AI. Da leggere insieme a: Seale Semantic Agent (2026-04-17) — *(Model+Harness)+(Ontology+Data) — ontology as the only moat*; Foundation Capital Context Graphs (2025-12-22); Bain parte 2/5 *redesign data foundations for agent readiness* (2026-05); DORA ROI 2026 *AI-accessible internal data + healthy data ecosystems* (2026-04-21); Habert PROJ-AI six-zone doctrine (2026-05-05). Convergenza con il corpus 2026 su *"data foundations as moat"*.
#Jessica Talisman MLS#Ontology Pipeline framework#Modern Data 101
**Jessica Talisman MLS** — Semantic Engineer et Information Architect avec **25+ ans d'expérience** en enterprise architecture · e-commerce systems et knowledge management. Fondatrice de l'**Ontology Pipeline Framework** et de **Contextually LLC**. Roles précédents : **Adobe** (RDF-based knowledge graphs) · **Amazon** (information architecture). Auteure de la newsletter **Intentional Arrangement** (Substack) et d'un **livre éponyme à paraître en 2026**. Le framework initial *Ontology Pipeline* a été publié en janvier 2025 et **validé sur 6 institutions sur 10 ans**.
Presentazione di Wescale (Francia) che formalizza la dottrina della ***Augmented Software Factory***: una catena del valore del software interamente orchestrata da agenti IA specializzati lungo sei linee di produzione (Intent/PRD-ADR → Plan/User Stories → **human sign-off** → Produzione 24/7 → Verifica di audit indipendente → Deployment DevOps), dove l'intervento umano si concentra in soli due momenti precisi. Tesi forti: il ritorno del **ciclo a V prevedibile** contro Scrum, guadagni realistici di **3-4x** (non 10x), il passaggio da *produttore di codice* a ***Giudice Strategico*** e da *sviluppatore solitario* ad ***Agent Manager***, le metriche DORA che sostituiscono la velocity, il ROI massimo sulla modernizzazione del legacy e sulla sostituzione di SaaS costosi, e soprattutto la ***governance iniettata*** come "strato quasi militare" che costituisce l'innovazione centrale e la vera barriera all'ingresso. Costruita mangiando il proprio dogfood: *"Ciò che abbiamo imparato costruendo Solario su Solario."*
#Wescale#Augmented Software Factory#catena di produzione aumentata
Wescale (cabinet français de conseil tech / cloud / DevOps) — auteurs collectifs (présentation corporate, pas d'auteur individuel cité dans le deck).
Brief di **Bain & Company**, **maggio 2026** (David Crawford, Chris McLaughlin, Greg Fiore — parte di una **serie in cinque parti sul settore software nell'era dell'IA**), che colloca l'opportunità SaaS ancora inesplorata nel *cross-system labor* — il lavoro umano di coordinamento tra sistemi che gli agenti IA possono ora automatizzare — a **~100 miliardi di dollari negli USA (~200 miliardi includendo Canada/Europa/AU/NZ)**. **Cattura attuale: 4-6 miliardi di dollari (10% dell'opportunità)** — quindi **oltre il 90% ancora da conquistare**. Tesi centrale: la principale opportunità dell'IA agentica **non è sostituire il SaaS esistente** ma **automatizzare il lavoro di coordinamento cross-system** (dipendenti che estraggono dati dagli ERP, verificano l'inventario in un foglio di calcolo, interpretano risposte in testo libero, esercitano giudizio). Ripartizione: Vendite (20 miliardi) + COGS/operazioni (26 miliardi) + R&S/ingegneria (6-12 miliardi) + supporto (6-12 miliardi) + finanza (6-12 miliardi). **Sei fattori di automazione**: verificabilità del risultato, conseguenza dell'errore, disponibilità di conoscenza digitalizzata, complessità di integrazione, variabilità del processo, dipendenza dal mondo fisico. **Potenziale di automazione per funzione**: Supporto clienti & R&S **40-60%**, Finanza & HR **35-45%**, Vendite & IT **30-40%**, Legale **20-30%**. **Cambiamento strategico**: il vantaggio competitivo si sposta dalla *proprietà del system of record* (Salesforce, SAP, Workday) al ***contesto decisionale cross-workflow*** — la capacità di vedere e agire attraverso più sistemi integrati. **Esempi**: Sierra (risoluzione autonoma dei problemi dei clienti), Glean (coordinamento delle richieste dei dipendenti tra funzioni), GitHub Copilot (esteso oltre il controllo del codice sorgente), **Cursor** (ARR raddoppiato in un trimestre, 2 miliardi di dollari). **Moat duraturo**: *"dati di esecuzione accumulati che diventano più preziosi nel tempo e sempre più difficili da replicare per i concorrenti"*. **Playbook in tre fasi**: Assessment (sei fattori + dimensionamento del mercato) → Strategic Positioning (asset di dati + workflow adiacenti + mappe operative reali) → Execution (build/buy/partner + riorganizzazione + riprogettazione delle fondamenta dei dati per l'agent readiness). Rilevanza importante per CIO/CDO/responsabili Strategy in ambito SaaS B2B e clienti enterprise: ridefinisce il dibattito *"IA vs SaaS"* come ***"IA = SaaS che finalmente automatizza il lavoro di coordinamento"***. Da leggere insieme a: DORA ROI (quadro finanziario), Tatsyi/Raiffeisen (caso bancario con creazione di 7 prodotti IA inediti), Wescale (realistico 3x-4x), MIT NANDA (95% dei pilot falliscono), Foundation Capital *Context Graphs trillion-dollar opportunity* (2025-12-22), Menlo Ventures *State of Generative AI Enterprise* (2025-12-09).
#Bain & Company#opportunità SaaS da 100 miliardi#lavoro di coordinamento cross-system
**David Crawford · Chris McLaughlin · Greg Fiore** — partners et experts Bain & Company spécialistes industrie logicielle / SaaS. Article publié en **mai 2026** sur bain.com/insights · partie 2/5 d'une série sur *"the software industry in the age of AI"* (la partie 1 traite du Rule of 40, fiche `bain-ai-rule-of-40-headwinds-tailwinds-saas-2026-04.md`).
Whitepaper Google (primo capitolo, il "Day 1", di una serie firmata da Addy Osmani, Shubham Saboo e Sokratis Kartakis) che mappa la trasformazione del ciclo di vita dello sviluppo software (SDLC) nell'era degli agenti di coding. Tesi: il cambiamento fondamentale non è un nuovo linguaggio, bensì il passaggio dalla scrittura di codice all'**espressione dell'intento**. Il documento delinea uno spettro che va dal *vibe coding* (prompting e accettazione) all'*agentic engineering* (l'IA implementa sotto vincoli, test e cicli di feedback progettati da esseri umani), con il **context engineering** come competenza centrale, il modello della **software factory** (il deliverable dello sviluppatore = il sistema che produce il codice), l'**harness engineering** (Agent = Model + Harness) e un'analisi economica CapEx/OpEx del costo totale di possesso.
Valutazione delle capacità offensive di cybersecurity di GPT-5.5 condotta dall'UK AISI — 95 task CTF, cyber range a 32 fasi, jailbreak universale — AISI Blog
#cybersecurity offensiva#valutazione di modelli IA#GPT-5.5
Importante editoriale d'inchiesta di Jasmine Sun (NYT Opinion, 30 aprile 2026) sul *consenso di San Francisco*: la paura della *permanent underclass* — una teoria diventata virale secondo cui l'IA potrebbe congelare la mobilità economica e creare una classe resa inutile dall'automazione. L'articolo documenta la dissonanza interna dei laboratori (Amodei sul "white-collar blood bath" e il 50% dei lavori junior white-collar scomparsi entro il 2030; Altman 2021 → silenzio di Lehane → white paper *Industrial Policy for the Intelligence Age* aprile 2026; Anthropic Institute marzo 2026 guidato da Jack Clark), i benchmark che orientano la R&S verso la sostituzione umana (A.I. Productivity Index, GDPVal di OpenAI: *"over 80% win rate compared to human professionals"* nel giro di pochi mesi), le azioni aziendali (Block/Dorsey -50% dell'organico con Opus 4.6 e Codex 5.3, ARR di Anthropic a 30 miliardi di dollari contro 9 miliardi a fine 2025) e la strategia politica di Shor (79% degli elettori preoccupati, jobs guarantee > UBI, *"They work for the bots. We work for you."*). Riferimento per il dossier *AI labor 2026*.
#Jasmine Sun#NYT Opinion#permanent underclass
Jasmine Sun (Ms. Sun écrit sur l'IA et la culture Silicon Valley sur Substack)
Nota d'analista di **Mitch Ashley**, VP e Practice Lead per *CIO & Technology Buyers* e *Software Lifecycle Engineering* presso **The Futurum Group**, pubblicata il **29 aprile 2026** nella sezione *Market Coverage News*: formato breve, circa **9.500 caratteri**, che si apre con cinque punti di sintesi e si chiude con cinque voci da tenere d'occhio. Argomento: l'accordo annunciato il **21 aprile 2026** in base al quale **SpaceX** ottiene il diritto di acquisire **Cursor** per **60 miliardi di dollari** entro l'anno, oppure di pagare **10 miliardi di dollari** per una partnership di calcolo sostenuta dal cluster **Colossus** di **xAI** a Memphis, descritto come equivalente a **1 milione di GPU H100**. (A) La lettura dei due bisogni: Cursor portava sia un tetto di potenza di calcolo sia una compressione dei margini — l'azienda paga a prezzo di mercato i modelli di **Anthropic** e **OpenAI**, che instrada verso i propri clienti pur competendo con loro tramite la propria linea **Composer**; SpaceX cercava ricavi legati all'IA e una narrazione in vista di una IPO prevista per giugno. (B) La lettura della struttura: un pavimento di 10 miliardi di dollari e un'opzione di acquisto da 60 miliardi di dollari esercitabile in azioni quotate dopo la quotazione, che, scrive Ashley, *"alloca il rischio in modo più onesto di un'acquisizione diretta."* (1) Per gli acquirenti, fissa una finestra di **sei mesi** per riverificare le clausole di zero-data-retention e l'identità del fornitore. (2) Per i fornitori, distingue tre esposizioni — **Google** protetta da **Antigravity**, **AWS** dipendente da Anthropic, **IBM** lievemente esposta ma ben posizionata sull'angolo della governance. Il corpus contiene già [[beck-starving-genies-usage-limits-ai-coding-2026-04-03]] sul vincolo di risorse imposto agli strumenti di coding e [[nyt-musk-promises-spacex-ipo-track-record-2026-06-02]] sugli annunci di SpaceX.
#SpaceX#Cursor#Anysphere
Mitch Ashley · VP et responsable des pratiques CIO & Technology Buyers et Software Lifecycle Engineering chez The Futurum Group · ancien CIO et CTO.
Annuncio di prodotto pubblicato sul blog **Stripe** il **29 aprile 2026** da **Dan Hill** (Product Manager, Link Consumer Product), a seguito del keynote **Stripe Sessions 2026**: il lancio del **wallet per agenti di Link**, costruito su un nuovo building block, **Issuing for agents**. **La diagnosi sta in una frase, ed è la più importante del testo**: *"While machine payments protocols are still gaining adoption, agents need to work with the payment options sellers and consumers use today."* → **Stripe riconosce che i protocolli di pagamento nativi per macchine non sono ancora pronti, e fornisce un ripiego sui binari esistenti piuttosto che una scommessa su quelli nuovi.** **Il meccanismo**: un consumatore concede a un agente l'accesso al proprio wallet Link tramite un **flusso OAuth standard**; l'agente emette quindi una *spend request* e riceve o una **carta monouso**, o uno **Shared Payment Token** — appoggiato sulle carte e sui conti bancari già presenti nel wallet. Punto cardine: *"The agent never gets access to your raw payment credentials."* La credenziale è **delimitata** (importo, valuta, esercente) e l'agente deve fornire il **contesto della transazione** affinché l'essere umano capisca cosa sta approvando — l'esempio riportato nella CLI è esplicito: `amount 3500`, `merchant-name "Powdur"`, `context "Purchasing the Powdur Glow Renewal Vitamin C Serum as a gift for $35."`. **Il vincolo strutturante è temporale, ed è assunto come tale**: *"Today, each request requires the person's review before the credential is shared with your agent"* — approvazione **umana**, **transazione per transazione**, sul web o nelle **nuove app Link iOS e Android**. I limiti di spesa e i casi in cui l'agente agirebbe **senza approvazione aggiuntiva** sono annunciati, non consegnati. **Il secondo livello è il vero prodotto infrastrutturale**: **Issuing for agents** apre l'intero set di API di Issuing a chiunque costruisca il proprio wallet agentico — carte virtuali monouso, deposito di fondi, controlli di spesa, permessi a livello di carta, controlli antifrode **al momento dell'autorizzazione**, visibilità in tempo reale. Sono citati quattro casi d'uso: automazione della spesa interna, carte agentiche integrate presso **fintech**, piattaforme **SaaS verticali** che emettono carte alle PMI a proprio marchio, **marketplace** i cui agenti venditori pagano fornitori e logistica. **Argomento di distribuzione**: Link rivendica **oltre 200 milioni di consumatori**, e l'articolo cita **OpenClaw** come esempio di agente personale che ne beneficia. **Due riserve da segnalare fin da subito**: l'approvazione per transazione è presentata come una comodità di design mentre è in realtà **un'ammissione che l'autorizzazione delegata degli agenti non è risolta**; e stablecoin, *agentic tokens*, e "altri metodi di pagamento" sono tutti al **futuro** (*"coming soon"*).
#Stripe#Link#wallet per agenti
**Dan Hill** — Product Manager · **Link Consumer Product** chez Stripe. Auteur de l'annonce sur le blog Stripe · rubrique *Product*. Le rattachement au produit *Link Consumer* est significatif : l'annonce est écrite depuis le **portefeuille grand public** · pas depuis l'équipe protocole ni depuis Issuing — ce qui explique que le consentement de l'utilisateur final structure tout le texte.
Intervista ad Andrej Karpathy (co-fondatore di OpenAI, ex responsabile dell'Autopilot di Tesla) sul passaggio dal *vibe coding* all'*agentic engineering*: December 2025 transition come punto di svolta "never felt more behind as a programmer", la tassonomia Software 1.0/2.0/3.0, l'esempio openclaw (script bash → testo da copiare-incollare nell'agente) e MenuGen reso obsoleto da Nanobanana di Gemini, la teoria della *verifiability* che spiega perché gli LLM sono *jagged* (picco su matematica/codice, fallimento su "andare all'autolavaggio a 50 metri"), la distinzione tra *vibe coding* (alzare il pavimento) e *agentic engineering* (mantenere il livello di qualità), la metafora "animals vs ghosts", la revisione del processo di selezione tramite progetti agente-contro-agente, e la formula chiave: ***"You can outsource your thinking but you can't outsource your understanding."***
#Andrej Karpathy#vibe coding#agentic engineering
Andrej Karpathy (co-fondateur OpenAI, ex-Tesla Autopilot, créateur du terme "vibe coding")
Thread X in stile manifesto di Rohit (@rohit4verse) che delinea la *2026 AI engineer roadmap*: un divario di 150.000 dollari tra prompt engineer e systems architect, la fine dei *generic wrapper* "sherlockati dai big tech", e 5 progetti da portfolio classificati per livello di complessità (SLM mobile offline, agente di coding auto-migliorante, *Cursor for video editors* multimodale, agente personal life OS privacy-first, agente autonomo per workflow aziendali). Ogni progetto descrive le sue *decisioni architetturali chiave* (lazy loading, sliding window, sandboxing, scene detection, grafo di conoscenza personale, multi-agente event-driven, audit trail, RBAC, observability). Slogan strutturante: *"il sostituibile: costruire wrapper / l'inlicenziabile: spedire sistemi autonomi"*. Tono ingiuntivo e virale tipico di X nel 2026.
#2026 AI engineer roadmap#Rohit#rohit4verse
Rohit (@rohit4verse) — créateur de contenu IA sur X · vulgarisateur d'architecture et roadmaps de carrière en ingénierie IA.
Post del **blog di Ahrefs** pubblicato il **28 aprile 2026** da **Ryan Law** (Director of Content Marketing, Ahrefs) che descrive un sistema interno di **content engineering** costruito attorno a **Claude Code**: una pipeline editoriale che produce **bozze pronte per la pubblicazione in 6-12 minuti**. **Tesi centrale**: ***« AI content is not, by default, good. This process works well because it mirrors our existing human editorial process »*** — la qualità non deriva dal modello ma dalla **riproduzione fedele di un processo editoriale umano** collaudato da decenni. Architettura: **~23 skill files**, ciascuno corrispondente a una fase editoriale (keyword research, analisi dei gap tematici, struttura dell'outline, compilazione della ricerca, generazione della bozza, formattazione), **orchestrati da uno skill master `blog-pipeline`** che li concatena per produrre un articolo completo. **Sette principi di design**: (1) **imitare i flussi di lavoro umani** concatenando skill adattati dalla documentazione editoriale esistente di Ahrefs; (2) **restituire l'output di ogni fase separatamente** per il troubleshooting (*« if you get an article at the end of a ten minute run, and it's bad, it's hard to diagnose precisely where and why the process went wrong »* → salvare gli output intermedi); (3) **creare casi di test** tramite lo skill `skill-creator` di Anthropic per valutare e migliorare le istruzioni; (4) **collegare fonti dati di qualità** — l'**Ahrefs MCP** (metriche delle keyword, parent topic, temi long-tail, panoramiche SERP, analisi competitiva), analisi competitiva e documentazione di prodotto; (5) **anticipare l'indicazione umana** tramite parametri di contesto che abilitano indicazioni editoriali; (6) **costruire anteprime interattive** in formato HTML per la revisione prima della pubblicazione; (7) **consentire la personalizzazione** (ogni membro del team può fare il fork e modificare il sistema). **Volume**: ~**15 articoli pubblicati** e ~**30 articoli aggiornati** tramite questo workflow; lo sviluppo è iniziato a **febbraio 2026** (il processo precedente, di **agosto 2025**, richiedeva diversi giorni e intervento manuale). **Avvertenze esplicite** (anti-sopravvalutazione): *« experience matters »* — il processo riflette decenni di competenza editoriale; la selezione degli argomenti si concentra su **contenuti SEO informativi** ben conosciuti dall'autore; Ahrefs **non ha alcun piano per "scalare" massicciamente i contenuti** ma mantiene una **libreria evergreen**. Filosofia: automatizzare *« the formulaic parts of work »* per eliminare le mansioni ripetitive e liberare tempo per ricerca, thought leadership, webinar e ottimizzazione del sistema — **non** sostituire lo sforzo umano. Riferimento canonico citato da Pasquale Pillitteri (*Opus 4.8 SEO workflow*) come prova sul campo del guadagno « 6-12 min/bozza ». Convergenza diretta con la dottrina **skills-over-prompts** (Lattice, PROJ-AI), i **systems around the model** (Dropbox/Okumura) e l'uso dell'**HTML come artefatto di revisione** (Shihipar).
**Ryan Law** — Director of Content Marketing chez **Ahrefs**. Praticien senior du content marketing SEO ; le billet est un retour d'expérience personnel (*« How I do… »*) publié sur le **blog Ahrefs** (ahrefs.com/blog) le **28 avril 2026**.
FinOps per Agenti AI: un Framework di Allocazione in Quattro Passaggi per i Costi degli Assistenti di Coding (Claude Code, Cursor, Copilot) e Perché il Tagging Cloud Tradizionale Fallisce - Finout
#FinOps agentico#allocazione dei costi#assistenti di coding
L'editoriale di Andrew Ng su The Batch #350 delinea una **gerarchia di accelerazione per gli agenti di coding** in base al tipo di lavoro software: **Frontend (massima) > Backend (moderata) > Infrastruttura (bassa) > Ricerca (minima)**. La motivazione poggia sulla *verificabilità* implicita (padronanza di TypeScript/JavaScript più un ciclo di test autonomo agente-browser sul frontend) e sui punti ciechi degli LLM (casi limite / sicurezza / migrazioni di database per il backend, compromessi di rete opachi per l'infrastruttura, formazione di ipotesi irriducibile per la ricerca). Il numero è completato da 4 notizie strutturanti: **GLM-5.1 (Z.ai)**, un modello con 754B parametri (40B attivi) sotto licenza MIT capace di compiti autonomi della durata di 8 ore (leader su SWE-Bench Pro con il 58,4%); **Digit (Agility Robotics) presso Schaeffler**, il primo dispiegamento industriale di umanoidi (5'9"/143lb, 10-25 $/h contro 20 $/h per un umano); la **rivolta anti-data-center** (~64 miliardi di dollari bloccati da maggio 2024 a marzo 2025, moratoria del Maine sugli impianti da 20MW+, cocktail Molotov contro l'abitazione di Sam Altman); e l'**"assistant axis"** (Christina Lu, MATS / Oxford / Anthropic), che riduce la deriva della persona e i jailbreak (Qwen3 32B: 83%→41%; Llama 3.3 70B: 65%→33%) senza degradare IFEval/GSM8k/MMLU-Pro/EQ-Bench.
#Andrew Ng#The Batch#DeepLearning.AI
Andrew Ng (édito principal — fondateur DeepLearning.AI, Stanford, ex-Google Brain, ex-Baidu) ; rédaction The Batch (DeepLearning.AI) pour les sections actualités
Les Echos (Florian Dèbes) reportage da San Francisco: agenti IA già integrati come colleghi nelle start-up, "capsula di Petri" (Aaron Levie / Box), riflesso Claude prima di ogni riunione, Jarvis personale, 5 schede di agenti in parallelo, "il fattore limitante è la cognizione umana" (Patrick Joubert / Rippletide), "brain fry" / surriscaldamento cognitivo, studio BCG/HBR che indica il 14% dei dipendenti sopraffatti, modalità di classifica "token-max" per i maggiori utilizzatori di IA, testimonianze di Sinaï/Bangay/Allali/Hodjat/Pantera/Chapeau e un'eco di Siddhant Khare ("l'IA riduce i costi di produzione ma aumenta i costi di coordinamento").
#Silicon Valley#San Francisco#agenti IA come colleghi
Florian Dèbes (Les Echos, rubrique Travailler mieux / Vie au travail)
Revisione del processo di selezione degli ingegneri presso Sierra nell'era degli agenti di codifica: colloquio in sede AI-native (Plan/Build/Review), eliminazione del test di codifica algoritmica, sostituzione del colloquio telefonico con un colloquio di system design, sperimentazione di un colloquio di debugging su una codebase esistente.
#assunzione di ingegneri#colloquio tecnico#agenti di codifica
Report congiunto **DORA × delta** (Google Cloud Professional Services), 60 pagine, versione **v. 2026.1** (citazioni febbraio 2026, PDF creato il 21 aprile 2026), licenza **CC BY-NC-SA 4.0** — il primo framework ufficiale **DORA ROI** dedicato all'IA nell'SDLC, con un **calcolatore interattivo** su dora.dev/ai/roi/calculator. Tesi centrale: ***"AI is an amplifier"*** — l'IA **amplifica** simultaneamente i punti di forza delle organizzazioni ad alte prestazioni e le disfunzioni delle organizzazioni in difficoltà; non crea prestazioni, le **moltiplica dove già esistono**. Nuovo concetto centrale: la ***J-Curve of AI value realization*** — ogni adozione dell'IA attraversa un **calo di produttività temporaneo** (curva di apprendimento + tassa di verifica + adattamento della pipeline) prima di una **crescita esponenziale**, una metafora del *"costo dell'iscrizione alla trasformazione"* da **budgettizzare esplicitamente**. Calcolo di riferimento: organizzazione di 500 FTE / stipendio interamente caricato $176k / 12,5% di tempo risparmiato per sviluppatore (≈ 1h su una giornata di 8h) → **valore $11,6M / investimento $8,4M / ROI 39% / periodo di recupero 8 mesi (0,7 anno)**. Costi modellati: licenze ($250/utente/anno), API aggiuntive ($80/utente/anno), formazione ($9.600/utente/anno), infrastruttura ($100k/anno), costo della J-Curve ($3,3M per un calo del 15% su 3 mesi). Valore modellato: **capacità di reinvestimento dell'organico** ($11M — capacità liberata da reinvestire, **NON riduzione dell'organico**), ricavi da funzionalità aggiuntive rilasciate ($990k, basato su un tasso di successo delle idee del 33%, Larsen 2023), **impatto negativo del downtime** (−$344k, "tassa di instabilità"). **Strategia di reinvestimento esplicita**: ***"we strongly recommend organizations do not adopt a headcount-reduction strategy"*** — reinvestire nell'innovazione, trattenere i talenti, capitalizzare sulla conoscenza istituzionale. Cinque pilastri del valore: Productivity / User Experience / Cost Efficiency / Developer Experience / Business Growth (dal più diretto al più indiretto, *valore aziendale cumulato*). Cinque chiavi sistemiche di adozione: **Trust + Platform + Data + Users + Guardrails**. Roadmap in due fasi: (1) **Build context layer (CapEx)** — IDP di qualità + ecosistemi di dati sani; (2) **Empower human in loop (OpEx)** — context engineering + fiducia nell'IA. Indicatori: leading = frequenza di sperimentazione + frequenza di deployment; misura di stabilità = change failure rate + rework. Tre scenari da modellare (Conservative 0,8 valore × 1,5 costo / Realistic 1,0 / Optimistic 1,2 × 0,8). Dati esterni mobilitati: 78% dei dirigenti riferisce un ROI su ≥1 caso d'uso di IA generativa (Google Cloud), 88% dei primi adottanti di IA agentica registra un ROI positivo, **35-40% di produttività su greenfield contro ≤10% su brownfield/legacy** (Stanford), costo di inferenza ÷280 tra novembre 2022 e ottobre 2024 (Stanford AI Index 2025), **727% di ROI su 3 anni** per i clienti IA di Google Cloud, payback medio del mercato IA di **8 mesi**. Debolezze riconosciute: *"all models are wrong"* — il modello va contestualizzato, il calcolatore va adattato; rischio di doppio conteggio del valore (tempo risparmiato → sia assunzione evitata SIA ricavi aggiuntivi); un legame "debole" con l'esperienza utente, quindi escluso dal calcolatore. **Intuizione deontologica**: ***"We don't measure AI by the code it writes but by the bottlenecks it clears"*** — misurata dai colli di bottiglia rimossi, non dal volume di codice. **Rilevanza importante** per CIO/CTO che devono costruire un business case IA difendibile davanti a un CFO/board; per Francia/Europa, da articolare con Wescale (X3-X4 realistico), Tatsyi/Raiffeisen Bank Ukraine (caso studio bancario, −75 persone ma reinvestimento deliberato), Frizzo (mediana 3-5×), Curran/Intercom (3× R&D in 16 mesi), DORA Report 2025 (su cui questo ROI si basa).
#DORA ROI of AI-assisted software development#Google Cloud DORA report 2026.1#J-Curve of AI value realization
Rapport conjoint **DORA team × delta team** (Google Cloud Professional Services). Auteurs principaux : **Eva Dong** (AI Value Realization Americas, ex-McKinsey 8 ans, Master Financial Engineering Michigan) · **Andre Ellis Jr.** (Cloud Financial Operations Lead, Morehouse + Wharton MBA) · **Nathen Harvey** (DORA team lead, co-auteur multiples DORA reports + 97 Things Every Cloud Engineer Should Know) · **Vivian Hu** (10X Technology Consultant, contributrice DORA 2025 State of AI-assisted Software Development) · **Ursula Lübbert-Passing PhD** (AI Value Realization EMEA, 20 ans benchmarking + value advisory, PhD effort estimation software projects) · **Eric Maxwell** (lead 10X Technology consulting, ex-Chef Software, contributeur DORA) · **Aaron Wanjala** (cloud developer advocate Spring Boot/Angular). Conseillers et contributeurs : **Ben Jose · Eric Lam · Matt Orr · Allison Park · Ryan J. Salva · Jerome Simms · Dave Stanke · Cedric Yao**. Design : Human After All (humanafterall.studio). Document publié sous licence **CC BY-NC-SA 4.0** · version v. 2026.1 · citations retrieved February 2026.