Lettera "Dear friends" di Andrew Ng su *The Batch* (DeepLearning.AI, numero 359) sul **loop engineering** applicato allo sviluppo di prodotto **0-to-1**. Ng condivide i suoi **3 loop chiave** — loop di coding agentico (~minuti), loop di feedback dello sviluppatore (~ore), loop di feedback esterno (~giorni) — annidati per scala temporale crescente, collegando *coding agent → product spec/evals → visione dello sviluppatore → feedback esterno*. Tesi centrale: gli esseri umani mantengono un **vantaggio di contesto** (piuttosto che un "gusto") che rende indispensabile l'human-in-the-loop; gli ingegneri assumono un ruolo parziale di product management. Dominio: coding agent, product engineering, metodologia agentica.
#Loop engineering#sviluppo di prodotto#loop di coding agentico
Approfondimento (punto di vista) pubblicato su **sfeir.com** il 24 giugno 2026, a firma di **Didier Girard** (Managing Director, SFEIR). **Tesi centrale**: nel 2024 tutti puntavano sull'**AI4Business** (l'IA nei processi aziendali) come grande giacimento di valore; nel 2026 il quadro si è **ribaltato** — è l'**AI4IT** (l'IA per produrre il sistema informativo: codice, SDLC, fabbrica del software) a generare valore **misurabile**. L'articolo *fonda* questa tesi sulla veille tecnologica dell'azienda: delusione dell'AI4Business (lo studio del MIT "95% dei pilot senza ROI", contestato ma rivelatore; un blocco **organizzativo** / il problema hayekiano di Mollick) contro le evidenze quantificate dell'AI4IT (Salesforce, Intercom, Raiffeisen, AWS/Bedrock, Atlassian, DORA). Spiegazione meccanicistica: **il codice si verifica da solo** (compilazione, test, CI) mentre i processi aziendali non hanno né compilatore né loop di feedback immediato. **Conseguenza sui budget 2027**: uno spostamento **CapEx→OpEx**, la dinamica del prezzo dei token (picco in salita — Fable 5 a 2× Opus — contro un'inferenza ÷280 e la pressione al ribasso dei pesi aperti/dell'inferenza desktop), e un **AI FinOps** guidato dal **costo per risultato**. Si chiude con **4 raccomandazioni per il COMEX**.
#AI4IT#AI4Business#ribaltamento
**Didier Girard** — Managing Director (CTO / DG) de **SFEIR** · ESN française (~1 000 personnes, France · Belgique · Luxembourg · Suisse). Auteur de l'article ; voix éditoriale du cabinet sur la transformation IA des DSI.
Annuncio di benchmark da **Artificial Analysis** (piattaforma indipendente di valutazione di modelli AI, via X/Twitter + pagina del modello): **GLM-5.2** di **Z.ai** (Zhipu AI, @Zai_org) diventa **il modello open weights leader** e sale al **#3 posto nella classifica generale** di **GDPval-AA**, un benchmark basato su casi reali per il *lavoro intellettuale economicamente rilevante* (compiti agentic, multi-turno, a lungo orizzonte). GLM-5.2 ottiene **1524 Elo**, dietro solo a **Claude Fable 5 (1783)** e **Claude Opus 4.8 (1615)**, e alla pari con **GPT-5.5 (xhigh, 1509)**. Precede con largo margine il miglior modello open successivo (**MiniMax-M3, 1408**), insieme a numerosi modelli proprietari: **Gemini 3.5 Flash (1357)**, **Qwen 3.7 Max (1289)**, **Muse Spark (1158)**. I compiti sono autenticamente agentic: **~31 turni per compito** in media su **1.999 confronti**. La stessa classifica si conferma sull'**Artificial Analysis Intelligence Index** (1° tra i modelli open weights), sull'**Agentic Index** (#3) e su **AA-Briefcase** (#3, davanti a GPT-5.5 xhigh, dietro solo a Fable 5). Da segnalare: un modello **open weights** con licenza **MIT**, **MoE con 753 miliardi di parametri / 40 miliardi attivi**, **contesto di 1M token**, con un prezzo di **1,40$/4,40$ per 1M di token** in input/output, che rivaleggia con la frontiera proprietaria sul lavoro agentic — un vero passo avanti per i modelli open.
Saggio lungo di **Shubham Saboo** (X/Twitter) che sostiene una tesi sul ruolo del Product Manager nell'era degli agenti: la prossima competenza chiave **non è il prompt engineering** ma il **Loop Engineering** — progettare un *sistema che migliora a ogni esecuzione* anziché scrivere il prompt perfetto ogni volta. Un **loop** è un ciclo ripetuto: modificare ciò che modella il comportamento dell'agente → eseguirlo → valutare l'output → mantenere la modifica se la qualità aumenta, altrimenti annullarla → **capitalizzare l'apprendimento** in modo che la versione successiva parta avvantaggiata. Per un PM, il punto d'ingresso non è il codice ma gli **artefatti durevoli** che codificano il suo giudizio: skill di PRD-review, *summarizer* di chiamate con i clienti, griglia di valutazione, checklist di lancio, workflow di ricerca, `CLAUDE.md`, template di prompt, framework di prioritizzazione. Poiché vengono riutilizzati, questi artefatti **si accumulano in entrambe le direzioni** — e **degradano** silenziosamente (un CLAUDE.md che continua a crescere, una checklist ignorata…): il modello non è peggiorato, sono gli artefatti a essere degradati senza sorveglianza. Un loop ha **5 componenti**: trigger, azione, **prova**, memoria, **condizione di arresto** (la più critica). Gli **eval** diventano lavoro del PM (testare l'artefatto su esempi noti: 3 PRD buoni / 3 cattivi, 5 chiamate comprese, 2 lanci passati). La **memoria** risiede su **GitHub** (il repository diventa "memoria di prodotto": commit, diff, risultati degli eval, registro delle decisioni, rollback). Primo loop consigliato: un **loop settimanale di segnale di prodotto** (ogni venerdì). Il gusto/istinto resta centrale — ma ora richiede una **prova**. Cita Boris (creatore di Claude Code): "non scrive più prompt, scrive loop".
Intervista podcast su « À la French » (canale tecnologico francofono, registrata al DevSummit) con Mathieu Grymonprez, Global CDO del gruppo Adeo (Leroy Merlin, Obramat, Weldom). Come un gruppo retail familiare secolare abbraccia l'ondata dell'IA agentica: cultura vs struttura, accountability, costi dei token e FinOps, lock-in dell'intelligenza aziendale, memoria aziendale e orchestrazione degli agenti. Ambito: trasformazione digitale, IA agentica, retail, strategia IT.
#IA agentica#trasformazione digitale#CDO
Mathieu Grymonprez (Global CDO, groupe Adeo) — invité ; Jean-Baptiste Kempf · Steeve Morin · Mehdi Medjaoui (hôtes du podcast « À la French »)
Post LinkedIn di Fred Plais (CEO di Archie, ex Platform.sh): l'IA ha reso gli ingegneri così veloci che il **collo di bottiglia si è spostato a monte**, in un punto che nessuno sta osservando. Non essendo più l'esecuzione la parte lenta, il tempo di riflessione che esisteva un tempo "mentre il codice veniva costruito" è scomparso — la visione giusta deve ora formarsi e le decisioni giuste devono essere prese in una frazione del tempo precedente. Emergono due profili rari: quello capace di **articolare una visione abbastanza precisa** perché un agente la esegua senza deragliare, e quello che sa **orchestrare gli agenti** (anticipandone i fallimenti, concatenandoli, intercettando un errore prima che si propaghi). Assumere in base all'"output di codice" sta diventando obsoleto: è esattamente ciò che ha smesso di essere raro. Tesi finale: "pensare in modo chiaro è sempre stato il lavoro — la velocità ha solo reso impossibile fingere di farlo".
#collo di bottiglia#spostamento del collo di bottiglia#velocità di esecuzione
Articolo di **Paul Sawers** pubblicato su **The New Stack** il **16 giugno 2026**, sulla **sospensione da parte di Anthropic** — *"on the very day it was scheduled to go live"* — della separazione di fatturazione pensata per distinguere l'utilizzo dell'**Agent SDK** dai limiti dell'abbonamento Claude. **Messaggio citato di Anthropic**: *"We're pausing the changes to Claude Agent SDK usage described below. For now, nothing has changed."* **Il contributo dell'articolo non è l'annuncio in sé, ma il contesto che lo circonda**, articolato in tre cerchi concentrici. **Cerchio 1 — la settimana di Anthropic**: il 9 giugno, il rilascio di **Fable 5 e Mythos 5**, i primi modelli di classe Mythos generalmente disponibili, dotati di misure di sicurezza informatica rafforzate; pochi giorni dopo, una **direttiva statunitense sul controllo delle esportazioni** costringe Anthropic a **ritirare entrambi i modelli per tutti i suoi clienti nel mondo**. La sospensione del nuovo regime tariffario viene letta, in questo contesto, come *"a little good news"*. **Cerchio 2 — i danni collaterali della tempistica**: le aziende che avevano già trasferito il cambiamento ai propri clienti si trovano scoperte; **Conductor**, uno strumento di coding multi-agente costruito sull'Agent SDK, è costretto a pubblicare una smentita (*"Anthropic has delayed the subscription updates to Claude plans"*). **Cerchio 3 — la tensione di fondo, che va oltre Anthropic**: una citazione di **Boris Cherny** (a capo di Claude Code) risalente ad aprile, durante una precedente restrizione, secondo cui gli abbonamenti *"weren't built for the usage patterns of these third-party tools"* — un'ammissione che **le formule a tariffa fissa e l'utilizzo agentico illimitato non vanno d'accordo**; **GitHub** ha risolto la questione allo stesso modo, eliminando a giugno il modello a tariffa fissa delle *premium requests* di **Copilot** a favore di una **fatturazione basata sui token**, nonostante le proteste. A ciò si aggiunge, **nella stessa settimana**, una **proposta di class action** depositata presso un tribunale federale della California, secondo cui i livelli **Max** sarebbero ben al di sotto dei moltiplicatori di utilizzo pubblicizzati per le sessioni di coding intensivo. Anthropic non indica quando arriverà un approccio rivisto, limitandosi a dichiarare che *"works to update the plan to better support how users build with Claude subscriptions."* **La lettura finale dell'autore**: tra la pressione governativa su Fable e Mythos, un'**IPO** pianificata e le **voci di tagli di prezzo da parte di OpenAI**, Anthropic sta cercando di **tenere dalla propria parte la base di sviluppatori** — e la sospensione è, per ora, un mezzo per raggiungere questo obiettivo.
#Anthropic#Claude Agent SDK#abbonamento Claude
**Paul Sawers** — journaliste tech · signe ici pour **The New Stack**. Registre de **presse spécialisée** : l'article ne relaie pas seulement l'annonce · il la replace dans une série (les changements de facturation successifs d'Anthropic) · la compare à un précédent sectoriel (GitHub Copilot) et l'articule à trois pressions concomitantes (export control, IPO, concurrence). Sourçage explicite et attribué — le billet de Zed · l'analyse de Matthew Diakonov · le post de Conductor · une déclaration antérieure de Boris Cherny.
Articolo SFEIR (in francese) che formalizza uno **SDLC guidato dall'IA in 11 fasi (da 0 a 10)** e sostiene che il settore stia convergendo verso di esso. Osservazione di partenza: nel 2025 le organizzazioni hanno aggiunto strumenti di IA senza trasformare il proprio modello operativo — generando un paradosso in cui « tutto cambia… e nulla cambia » (la velocità di esecuzione si moltiplica senza un guadagno proporzionale). La vera risposta non è la scelta degli strumenti ma la **riprogettazione del ciclo** per l'esecuzione da parte della macchina. Il ciclo SFEIR poggia su **tre gate umani inamovibili** (Define, Plan, Ship), fasi automatiche tra di essi, e **due momenti di capitalizzazione** (Compound-1 pre-deployment, Compound-2 in produzione) che trasformano le lezioni apprese in regole riutilizzabili. Tre principi: **l'IA esegue** (artefatti completi + prova di esecuzione, senza mai fidarsi delle affermazioni dell'agente stesso), l'**essere umano mantiene il controllo dell'intento**, il **sistema apprende in modo cumulativo**. Risultati misurati (riprogettazione da 6 mesi a 1 giorno, **−30% delle iterazioni** dopo dieci cicli) e convergenza dichiarata con ADLC, Google e DORA 2025.
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.
Un articolo pedagogico di **MindStudio Team** (il 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 congelato 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 fase**. Conseguenze: elevato **parallelismo** (un testo di 500 token richiederebbe 50-100 passaggi di denoising invece di 500 passaggi sequenziali), **infilling** naturale e **generazione vincolata** (riempimento di template, completamento di codice con contesto circostante), e capacità di **revisione** integrata. Ma alla scala attuale (2B), Diffusion Gemma **non raggiunge** i grandi modelli autoregressivi (GPT-4o, Gemini 1.5 Pro) su ragionamento, seguimento delle istruzioni e conoscenza generale: il divario si sta "chiudendo" senza essere chiuso. L'ispirazione viene dalla generazione di immagini (Stable Diffusion, DALL-E ha abbandonato la generazione autoregressiva 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".