Voce di tipo **Skill** (non un articolo): `grill-with-docs` di Matt Pocock è una tecnica di intervista strutturata che "mette alla griglia" un piano di architettura confrontandolo metodicamente con il vocabolario di business del progetto (il glossario `CONTEXT.md`) e con le decisioni già documentate (gli ADR). Invece di precipitarsi nell'implementazione, mette in discussione le ipotesi una per una attraverso un dialogo domanda/risposta, ripulisce la terminologia, verifica la coerenza rispetto al codice effettivo e cattura le decisioni al volo negli artefatti giusti. Una skill di design a monte (upfront-design), ispirata al Domain-Driven Design.
Caso di studio pubblicato dal **Cornell AI Innovation Hub** (15 giugno 2026): come una collaborazione durata due semestri tra l'AI Hub, studenti laureandi e il team Treasury di Cornell ha trasformato un'indagine manuale dispendiosa in tempo in uno strumento AI che ha **recuperato $100.000** in pagamenti non identificati su un primo lotto. Un caso d'uso **AI4Business** riuscito (processo finanziario) che illustra quasi punto per punto il framework **Leader-Lab-Crowd** di **Ethan Mollick**: l'**AI Hub** interpreta il ruolo del **Lab** (un team centrale e ambidestro di tecnologi più studenti); il **Treasury** (Cheryl Barnes, Marie Graves…) è il **Crowd** che porta la conoscenza di business e il punto di dolore reale; e i **$100.000** costituiscono la **ricompensa visibile** (vivid win) che ancora l'adozione — esattamente la leva di incentivo che Mollick considera decisiva. Metodo chiave: **"prima il contesto, poi il piano, poi la costruzione"** tramite **Claude Code Plan Mode**, una catena di **fuzzy matching → Gemini Enterprise Web Search → sintesi Claude**, tutto all'interno del **Cornell AI Gateway** governato. *"I $100.000 sono un inizio."*
#Cornell AI Innovation Hub#pagamenti non identificati#riconciliazione pagamenti
**Pete Stergion** — Desktop Engineer au Cornell AI Innovation Hub · co-tech lead du projet (avec Phil Williammee). Article institutionnel signé de l'AI Hub.
Articolo didattico del **MindStudio Team** (blog della piattaforma MindStudio, orchestrazione di workflow multi-modello) che spiega i **modèles de langage par diffusion** (*Diffusion Language Models*) attraverso il caso di **Diffusion Gemma**, la prima implementazione **open weights** di Google (2 miliardi di parametri, derivata da Gemma 2). La tesi: mentre i modelli **autoregressivi** (GPT-4, Claude, Gemma standard) generano testo **token per token, da sinistra a destra** (attenzione causale, ogni token fissato una volta prodotto), i modelli a **diffusione** partono da una sequenza **mascherata/rumorosa** e la **raffinano iterativamente** (masked diffusion / *absorbing diffusion*), con **attenzione bidirezionale**: il modello può **rivedere qualsiasi posizione in qualsiasi passo**. Conseguenze: elevato **parallelismo** (un testo di 500 token richiederebbe 50-100 passi di denoising invece di 500 passaggi sequenziali), **infilling** naturale e **generazione vincolata** (compilazione di template, completamento di codice con contesto circostante), e capacità di **revisione** integrata. Ma alla scala attuale (2B), Diffusion Gemma **non eguaglia** i grandi modelli autoregressivi (GPT-4o, Gemini 1.5 Pro) su ragionamento, seguimento delle istruzioni e conoscenza generale: il divario si sta "colmando" senza essere colmato. L'ispirazione viene dalla generazione di immagini (Stable Diffusion, DALL-E hanno abbandonato l'autoregressione anni fa); se lo stesso principio valga anche per il testo resta una domanda aperta. Diffusion Gemma è distribuito su Hugging Face (Google DeepMind), AI Studio e Vertex AI.
#modèles de langage par diffusion#Diffusion Gemma#Google DeepMind
Satya Nadella (Microsoft) teorizza "il futuro dell'impresa" in un'economia guidata dall'IA: ogni azienda dovrà costruire, accanto al proprio capitale umano (giudizio, relazioni, riconoscimento di pattern), un "capitale di token" — la propria capacità proprietaria in IA. Il valore reale non risiede nella scelta del modello migliore, bensì in un ciclo di apprendimento (private evals, ambienti RL, base de connaissances) che codifica la conoscenza istituzionale e si accumula nel tempo. Un argomento a favore di un "ecosistema di frontiera", non semplicemente di un "modello di frontiera", affinché il valore si diffonda anziché essere catturato da una manciata di modelli.
#futuro dell'impresa#capitale umano#capitale di token
Saggio polemico a thread di Ahmad Osman (@TheAhmadOsman) su X, *"Anthropic's War on Opensource AI"* (1,7M visualizzazioni). Tesi centrale: Anthropic converte sistematicamente la "sicurezza" in un **meccanismo di controllo** (regime di permessi, cattura regolatoria, restrizioni di accesso anticoncorrenziali, opacità comportamentale) per mantenere sviluppatori, startup e comunità open source **a valle** di una manciata di laboratori di frontiera. Punto di ancoraggio centrale: l'**incidente Fable** (degrado silenzioso delle richieste di sviluppo IA concorrenti). Sostiene l'open source / l'IA locale come unica "economia politica dell'intelligenza" praticabile. Ambito: politiche IA, open source contro laboratori chiusi, sovranità, governance.
Chris Williams (@voodootikigod) apre la sua serie sull'ADLC sostenendo che applicare il SDLC umano ai modelli è un errore di categoria: il ciclo classico è stato progettato per contrastare modalità di fallimento umane (ego, stanchezza, dimenticanza) assenti negli LLM. Cataloga otto modalità di fallimento strutturali (F1-F8) e cinque proprietà sfruttabili (E1-E5), ed enuncia il principio fondativo: ogni fase di un ciclo agentico deve essere riconducibile a una modalità di fallimento da cui si difende o a una proprietà che sfrutta.
Secondo capitolo della serie ADLC di Chris Williams: sviluppa il ciclo che discende dalla "prima legge" — otto fasi (P0 Triage → P7 Distill), un gate deterministico tra ogni coppia, ed esattamente due momenti umani obbligatori (approvazione della spec a P1, accettazione comportamentale a P6). Principio chiave: un passaggio di consegne LLM→LLM senza un checkpoint deterministico moltiplica i tassi di errore; e una distribuzione dei costi a "bilanciere" (pesante alle due estremità, leggera al centro) che ribalta l'economia agile.
#ADLC#ciclo agentico a otto fasi#gate deterministici
Terzo capitolo della serie ADLC: Williams trasforma il testing nella specifica nell'unico linguaggio che il builder non può contestare. Dove il TDD è una pratica di qualità opzionale per il codice scritto da esseri umani, diventa il meccanismo di fiducia portante dell'intero ciclo di vita quando sono gli agenti a scrivere il codice. Tre regole di "disciplina dei binari": contesti di redazione separati (solo specifiche prima dell'implementazione), congelamento meccanico a livello di strumento (non di prompt) e audit avversariali ("un test fallisce se la funzionalità viene eliminata?"). Il mutation testing è preferito alla percentuale di copertura, manipolabile secondo Goodhart a velocità macchina.
Quarto capitolo della serie ADLC: Williams riformula la revisione del codice come "accusa" avversariale piuttosto che come valutazione collaborativa. Assegna agli agenti il mandato di confutare ("trovare cosa non va"), impiega revisori a lente singola con contesti nuovi (correttezza, sicurezza, conformità contrattuale, aderenza alle specifiche, qualità dei test), agisce solo su riscontri verificati (riprodotti da un test che fallisce) e itera fino a due passaggi consecutivi con zero riscontri. Misura la calibrazione introducendo bug noti, secondo uno schema simile al mutation testing. Gate di uscita: zero riscontri aperti, due passaggi a vuoto, test verdi, diff dei test vuoto.
Quinto capitolo della serie ADLC: orchestrare agenti paralleli senza "merge hell". Williams individua tre variabili accoppiate — costo (scelta del modello), tempo reale (ampiezza della parallelizzazione) e accuratezza (qualità del contratto) — e un principio architetturale: "il control flow è codice; il giudizio spetta ai modelli" (script deterministici orchestrano, i modelli forniscono solo giudizio). Quattro corsie (Contract Desk con modello di frontiera, Builder Pool a scrittore singolo, Prosecution Pool condiviso, Integrator sequenziale), una previsione dei conflitti di merge costruita su quattro segnali (ampiezza certificata tipicamente tra 3 e 5 agenti) e una disambiguazione basata sul consenso tra N agenti economici anziché domande di chiarimento.
Sesto capitolo sull'ADLC: Williams descrive la fase P7 "Distill" come la componente che riduce il costo a ogni esecuzione. Due metà: semplificazione post-merge (dedurre dopo che il codice esiste, non prima — "deduplicare prima che il codice esista è speculativo") e estrazione delle lezioni (una "lesson foundry" trasforma i riscontri ricorrenti in regole di lint, skill e nuove domande di interrogazione). Ogni lezione viene pagata una sola volta, poi retrocessa da rilevamento probabilistico costoso a prevenzione deterministica gratuita. L'unità di conto corretta è "costo per modifica mergiata e verificata", e "un costo piatto è un fallimento".
Settimo e ultimo capitolo della serie ADLC: Williams presenta un toolkit open-source di diciotto strumenti costruiti *con* il ciclo stesso (loop build-prosecute-fix, agenti paralleli, un core congelato `@adlc/core` seguito da un fan-out — "pinned means merged"). Il nucleo dottrinale è "frontier-free": raggiungere obiettivi di precisione con modelli di fascia media (classe Opus/Sonnet/Haiku) anziché di frontiera, tramite cinque sostituzioni (la ricerca sostituisce l'intuizione, la scomposizione sostituisce l'orizzonte, l'accumulo sostituisce la presenza, la misurazione sostituisce la metacognizione, il divario generatore-verificatore mantiene il motore in funzione), con l'essere umano che resta il livello "di frontiera" ai due gate di specifica. Filo conduttore della serie: "sostituire la fiducia con la struttura, e la struttura con la misurazione".
Video-intervista registrata al **VivaTech** (stand **Scaleway**), diffusa dal media **République**, che riunisce **Damien Lucas** (CEO di Scaleway) e **Franck Le Moal** (Global Technical Officer del gruppo **LVMH**). **Tesi centrale**: l'emergere di una **"geopolitica tech"** costringe le multinazionali ad abbandonare la soluzione globale unica a favore di un **sistema informativo regionalizzato in tre blocchi** (Stati Uniti, Europa, Cina). LVMH (80 miliardi di euro di fatturato, 75 maison, oltre 100 paesi) formalizza una **partnership cloud con Scaleway** per costruire un **blocco europeo autonomo**, accanto a Google Cloud (dati, dal 2021), SAP, Salesforce sul versante occidentale e Alibaba Cloud / Huawei / Tencent sul versante cinese. Il gruppo si definisce **"ibrido"** e **autonomo** piuttosto che **"sovrano"** (termine che rifiuta, giudicato ambiguo). Scaleway si posiziona come **fornitore cloud europeo** immune dalle leggi extraterritoriali e protetto da un **kill switch** ("non è fantascienza", vista l'attualità del fine settimana). L'argomento economico di Damien Lucas: **1 euro speso con Scaleway = 68 centesimi che restano nell'economia europea** (contro meno di 20 centesimi con un hyperscaler americano, anche se ospitato in Francia). Tempistiche: PoC completati, dispiegamento a partire da **Sephora e Louis Vuitton**, presenza significativa prevista entro **12-18 mesi**. Missione dichiarata di Scaleway: concentrarsi su **IaaS/PaaS** (nessuna verticalizzazione come il software di produttività d'ufficio), appoggiandosi a un ecosistema di partner (applicazioni sovrane, chipset e server europei). L'offerta **GPU Nvidia / IA** di Scaleway **non è prevista a breve termine** ma resta aperta (modelli open source per autonomia + performance economica).
**Bertrand** — journaliste / présentateur du média **République** (partenaire de VivaTech) · conduit l'entretien. **Damien Lucas** — CEO de **Scaleway**. **Franck Le Moal** — Global Technical Officer du groupe **LVMH**.
Un paper arXiv (cs.SE) di Martin Monperrus che sostiene una tesi radicale per lo SDLC: gli agenti di codifica hanno superato una soglia di capacità tale per cui **la revisione umana del codice non è più una componente necessaria** di una pipeline di qualità. Due affermazioni: (1) i sistemi autonomi basati su LLM raggiungono tutti gli obiettivi della revisione (individuazione dei difetti, qualità, conformità) a costi inferiori e con un throughput superiore; (2) il modello ibrido "l'agente scrive, l'umano rivede" è insostenibile — non garantisce una qualità reale e non scala con la velocità dell'IA, creando un "falso senso di sicurezza". Monperrus contrappone l'inspection de Fagan (1976) a una **pipeline di verifica avversariale multi-agente** (agente generatore + agenti revisori indipendenti + test/metodi formali + consenso basato su voto). L'essere umano si concentra sulle specifiche, sui compromessi architetturali, sull'approvazione dei domini critici e sui casi limite. Raccomandazioni: fare pilotaggio prima su componenti a basso rischio, misurare agente vs. umano, rendere esplicite le decisioni di rigetto.
#revisione del codice#revisione del codice#inspection de Fagan
Philippe Ensarguet (Orange) sostiene che cinquant'anni di design pattern formano una filiazione continua: in un momento in cui l'IA commoditizza il codice e rompe il modo tradizionale in cui gli architetti vengono formati, la "pattern literacy" (leggere un sistema attraverso le sue forze invarianti) diventa la competenza durevole da insegnare — come una grammatica, non come cataloghi.
#design pattern#filiazione dei pattern#architetto software
Annuncio di prodotto di Stack Overflow (blog ufficiale) che lancia **Stack Overflow for Agents**, una piattaforma di scambio di conoscenza *API-first* pensata per l'era agentica. Tesi fondante: gli agenti di coding lavorano **in isolamento**, senza accesso a una base di conoscenza condivisa e verificata. Da qui il **"Ephemeral Intelligence Gap"** — agenti in tutto il mondo risolvono in modo indipendente gli stessi problemi, sprecando token e calcolo, per poi perdere la soluzione alla fine della sessione; gli stessi pattern architetturali vengono riscoperti in un ciclo continuo. Principio guida: *"generare risposte plausibili è diventato economico, ma verificare quali reggono in produzione no."* Flusso di lavoro in quattro passaggi: **cerca prima** (consuma conoscenza validata) → **contribuisci se esiste una lacuna** (l'agente redige una bozza, l'umano approva prima della pubblicazione) → **verifica** (risultati, modifiche, condizioni di contesto) → **capitalizza i segnali** (voti, risposte, verifiche producono un consenso). Tre formati leggibili dalle macchine: **Questions**, **TIL** (tracce di debug), **Blueprint** (pattern riutilizzabili, standard di qualità più elevato). La fiducia si fonda sulla **moderazione della community** e su **cicli di verifica multi-agente**; gli umani rivendicano la proprietà del proprio agente tramite Stack Overflow SSO (un "ancoraggio comunitario" che lega l'agente a una reputazione umana). Benefici differenziati: sviluppatori (meno cicli di retry), laboratori di IA (dati ad alto segnale per fine-tuning/valutazione), imprese (**Stack Internal**, un livello di conoscenza proprietario senza esfiltrazione di dati).
#Stack Overflow for Agents#coding agents#base di conoscenza
Anthropic lancia Claude Fable 5 (un modello di classe Mythos reso sicuro per l'uso generale) e Claude Mythos 5 (lo stesso modello, con le protezioni rimosse, riservato ai cyberdifensori tramite Project Glasswing): prestazioni allo stato dell'arte in ingegneria del software, visione, memoria a contesto lungo e scienze della vita.
Guida tecnica approfondita (blog dell'agenzia Lushbinary) sul **Loop Engineering**: la progettazione dei sistemi che guidano gli agenti di codifica in un loop, anziché guidarli manualmente tramite prompt. Copre la filiazione prompt → context → loop engineering, la tecnica Ralph (Geoffrey Huntley), i **cinque building block + memoria** di un loop, la loro implementazione in Claude Code e OpenAI Codex, la scrittura di condizioni di arresto verificabili, una scala di maturità dell'adozione e i rischi che peggiorano man mano che i loop diventano più sofisticati. Dominio: ingegneria del software agentica, agenti di codifica, harness/orchestrazione.
#Loop engineering#agenti di codifica#harness engineering
Guida di Augment Code (Paula Hingel) che descrive come gli agenti IA stiano ristrutturando il ciclo di vita dello sviluppo software (SDLC), fase per fase. Tesi: l'IA produce **maggiore throughput in alcune fasi e maggiore rischio di instabilità in altre** — un sintomo di un'adozione disomogenea che non ridisegna i confini della revisione. Si basa su **DORA 2025**: l'adozione dell'IA è correlata positivamente al throughput di delivery e alle prestazioni di prodotto, ma **negativamente alla stabilità**. Sei fasi rilette (Requisiti, Design/Architettura, Implementazione, Testing/QA, Deployment, Manutenzione), tre rischi principali (erosione della pipeline junior, **validazione circolare** dei test generati dall'IA, lacune di governance su larga scala) e tre ruoli emergenti (**Intent Engineering**, Agentic DevOps, AI Governance/Assurance). Raccomandazioni operative: verificare una fase prima di scalare, sottoporre la governance a stress test, rendere centrale la **specifica**, definire policy di rollback esplicite, ridisegnare il ruolo junior attorno alla revisione.
#SDLC#software development lifecycle#agenti di coding
Post di svago domenicale di **Mark Dembo** (Head of Solutions, Developer Platform & AI presso **Cloudflare**) pubblicato il **7 giugno 2026** sul suo blog personale. **Narrazione**: ispirato da **Steve Ruiz**, l'autore acquista un piccolo dispositivo **M5Stack Stick 3** (~30€) e, approfittando del rilascio di **Opus 4.8**, si costruisce un **agente AI DIY** "per pura curiosità, senza alcun obiettivo". **Iterazione 1 (45 min)**: sottopone la documentazione del dispositivo a **Claude Code**, che genera script Python (~200 righe di codice, *"zero blast radius"*) che mostrano il meteo di Monaco di Baviera, poi di più città; un **backend Cloudflare Workers + Workers AI** aggiunge **sintesi vocale (TTS)**, **push-to-talk** (riconoscimento vocale) e un **piccolo LLM** centrale per rispondere alle domande. **Iterazione 2 (un vero agente)**: passaggio degli endpoint REST al trasporto **WebSocket** tramite il **Cloudflare Agents SDK** + **Dynamic Worker execution** → il pattern ***"Code Mode"*** (l'agente scrive ed esegue codice per portare a termine il suo compito). L'agente risponde quindi a domande su dati pubblici (11! = fattoriale, il vincitore della Champions League via `fetch()` su Wikipedia, il meteo di qualsiasi città). **Iterazione 3 (poteri reali)**: connessione a **Todoist** tramite un flusso **MCP OAuth** → 50 strumenti in un colpo solo, da cui due problemi: **context bloat** e **rischio reale di danni**. La soluzione si basa sul **MCP Server Portal** di Cloudflare + le impostazioni dei connettori Claude: per ogni strumento, **Always allow / Ask for approval / Disable** (gli strumenti *Disabled* non entrano mai nel contesto; un **classificatore LLM** accetta solo autorizzazioni "allow" distinte e **nega per default**). **Postura dichiarata**: ridurre il proprio ruolo a ***"generatore di idee, esecutore e giudice"*** (e raramente guida tecnica), un flusso "human-in-the-loop" che considera poco *"2026"* (copia-incolla in UIFlow). **Cosa NON ha fatto**: nessuna ottimizzazione di latenza/streaming, nessuna chiamata LLM ottimistica, nessuna valutazione (eval), ***"non ho nemmeno guardato il codice una sola volta"***. **Stupore**: 30€ + una finestra di sessione Anthropic + qualche centesimo di inferenza Cloudflare → un oggetto che ascolta e parla, pilotato in linguaggio naturale; *"il vero sblocco è quanto sia accessibile."* Contrasto netto con [[thomas-pragdave-failing-faster-code-rot-ai-velocity-2026-06-06]] (qui *"zero blast radius"* giustifica il non guardare mai il codice); illustra concretamente il *Code Mode* / *"l'agente che scrive ed esegue codice"*, il pattern **MCP** ([[claude-skills-bigger-than-mcp-willison-2025-10-16]]), la governance degli strumenti in stile *Ask for approval* (uber-engineering-agent-identity-crisis-zero-trust-spire-2026-05-21), e la dottrina dei *systems around the model* di dropbox-okumura-beyond-code-generation-engineering-productivity-ai-agents-2026-05-28.
#BYO agent#bring your own AI#svago tecnologico
**Mark Dembo** (@darkmembo / @mdembo) · **Head of Solutions – Developer Platform & AI** chez **Cloudflare** (auparavant auteur sur le blog Cloudflare). Billet personnel publié sur son blog *markpauldembo.com* le **7 juin 2026** (description : *« Thoughts about tinkering on a Sunday »*).