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.
Guida della testata **Every** (every.to/guides) pubblicata il **2 giugno 2026**, firmata congiuntamente da **Mike Taylor, Laura Entis e Claude**, che propone una **scala di maturità a 8 livelli per l'adozione dell'IA**. **Tesi centrale**: l'adozione dell'IA **non è una corsa verso la massima sofisticazione** — ***« un livello più alto non è necessariamente migliore »*** ; occorre individuare il livello che **corrisponde al proprio workflow e al proprio livello di fiducia**, per poi rivalutare regolarmente se salire di un gradino apporta **valore reale**. ***« Il modo migliore per trovare valore nell'IA è usarla in un modo che si adatti al proprio lavoro. »*** **Asse strutturante**: a ogni livello, *« si delega una parte maggiore del proprio lavoro all'IA—e si ripone in essa maggiore fiducia »* (delega + fiducia crescenti). **Gli 8 livelli**: **(1) Chatbot** — interfaccia conversazionale senza contesto integrato (ChatGPT, Claude, Gemini); **(2) Copilot** — IA integrata nello spazio di lavoro con accesso al file corrente (Cursor, Claude in Excel, Gemini in Docs); **(3) Agent** — sistema reattivo che esegue passo dopo passo richiedendo approvazione (Cowork, Codex); **(4) Autopilot** — si descrive il **risultato** e l'agente esegue in autonomia, revisione del solo **risultato finale** (Lovable, Codex, Claude Code; legato al *vibe coding*); **(5) Workflows** — ingegneri che costruiscono **harness** attorno agli agenti (pianificazione, revisione, controlli di confidenza, guardrail; Compound engineering, Claude Workflows, Copilot AI Studio; passaggio dal vibe coding one-shot al **agentic engineering**); **(6) Assistant** — agenti **proattivi, sempre attivi** che monitorano un dominio e segnalano informazioni senza essere sollecitati (OpenClaw, Hermes Agent, Claude Managed Agents; es. `heartbeat.md` ogni 30 minuti); **(7) Multi-agent** — gestione simultanea di **più agenti a lunga esecuzione** con ruoli distinti (Claude Managed Agents, OpenClaw, Codex Goals; *« saldamente nel territorio dell'ingegneria senior »*); **(8) Orchestrator** — un **agent manager** dirige un team di sotto-agenti (pianificazione, delega, monitoraggio, consolidamento; Gas Town, Paperclip, Symphony/OpenAI; *« altamente sperimentale »* — anche gli ingegneri di frontiera ricoprono essi stessi questo ruolo). **Sweet spot per ruolo**: i **knowledge worker** operano tipicamente tra i livelli **1-4**, gli **ingegneri** tra **5-8**. **Parallelo canonico con l'inserimento di uno stagista**: *« Aspettatevi di investire uno sforzo simile con i vostri agenti prima di potervi fidare di loro… al livello di autonomia successivo »* ; e la frase marcatore ***« Non vi vantereste di avere otto stagisti al lavoro tutta la notte su un progetto chiave senza aver controllato il loro output. »*** Il livello giusto dipende da **4 criteri**: qualità del risultato, costo, affidabilità (trustworthiness), posta in gioco in caso di fallimento; e la **capacità del modello** sposta progressivamente il livello di autonomia "sicuro". Un framework direttamente utilizzabile per strutturare una **dottrina di adozione** sul lato consulenza. Convergenza con i *sistemi attorno al modello* (Dropbox/Okumura), l'*harness engineering* (Böckeler, Lattice, Wescale), Karpathy (vibe coding → agentic engineering), Cherny (/loop + Routines) e la dottrina dell'*agent manager* (BFM/Girard).
#adozione dell'IA#scala di maturità#otto livelli
**Mike Taylor** · **Laura Entis** et **Claude** (co-auteurs déclarés) · pour **Every** (every.to) · rubrique *Guides*. Mike Taylor est un auteur connu sur les sujets prompt/AI (co-auteur de *Prompt Engineering for Generative AI*) ; Laura Entis est journaliste/éditrice. La co-signature explicite de **Claude** comme auteur fait partie du positionnement éditorial d'Every (entreprise AI-native). Publié le **2 juin 2026**.
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.
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")