Post X di **Andrew Ng** del **14 agosto 2026** (16:29 UTC), ripreso dalla lettera "Dear friends" di ***The Batch* #366** (DeepLearning.AI, stessa data), ~900 parole. Ng presenta **The AI Engineering Skills Map** e pubblica **quattro competenze** ritenute le più importanti. **(1) Costruire e distribuire applicazioni IA** — la specificità viene nominata: *« The key difference between AI and non-AI applications is that the former has unpredictable outputs »*, da cui l'enfasi su *evals* e cicli di error-analysis. **(2) Fondamenti di ingegneria del software**, perché *« Understanding software fundamentals allows you to recognize what tradeoffs even exist »* — lo sviluppatore inesperto fallisce *« because they don't know what context to give their coding agent »*, da cui l'obiettivo di *« steering coding agents using the precise language of software engineering »*. **(3) Uso di agenti di coding**, in una formulazione operativa: *« help the agent autonomously close loops by providing verifiers or evals »*, e *« knowing how much to intervene and how much to leave them alone »*. **(4) *Shaping the build***: *« Given a clear spec, coding agents are rapidly improving at delivering to it. Thus, our work as engineers is shifting toward deciding what should be in the spec »*, accostato a *« Engineers should no longer expect to be given a pixel-perfect design and asked only to implement it. »* Una **nota terminologica** porta la maggior parte dell'inquadramento: Ng parla di **competenze** nell'ingegneria IA e **non del ruolo** "AI Engineer", con un'analogia esplicita — *« All developers today should know how to work with the cloud, and only a smaller number have a "Cloud engineer" title. »* Il tutto è sostenuto da *« an analysis of more than 10,000 job postings, dozens of structured interviews with experts, hiring managers, and recruiters, surveys, and other online data »*, di cui **non viene pubblicato alcun risultato numerico**: Ng descrive il proprio processo come *« informally… akin to running clustering »* e annuncia una mappa dettagliata in post futuri. Egli enuncia l'interesse nella penultima frase: *« DeepLearning.AI's principal focus is to help developers gain these AI engineering skills. »*
#AI Engineering Skills Map#skills map#Andrew Ng
**Andrew Ng** — fondateur de **DeepLearning.AI** · general partner d'**AI Fund** · cofondateur de **Coursera** et de **Google Brain** · ancien chief scientist de Baidu. Texte signé · à la première personne · écrit *« with my team »* sans qu'aucun collaborateur soit nommé. Publié le **14 août 2026** sur X et dans ***The Batch* n°366** — même texte aux deux endroits ; préférer *The Batch* pour toute citation durable. Quatrième fiche Ng du corpus · après les lettres n°350 (24 avril) · n°352 (8 mai) et n°359 (26 juin).
Nota della stampa specializzata (**Payments Dive**, formato *Dive Brief*, **6 agosto 2026**) sui risultati trimestrali di **Block**: l'azienda ha già distribuito diversi strumenti di IA ai propri clienti — **Moneybot** (Cash App) e **Managerbot** (Square) — e non ha ancora deciso come farli pagare. **Jack Dorsey** durante la call con gli analisti: *"Siamo in una posizione fortunata in cui possiamo sperimentare con diversi modelli, per poi scegliere quello giusto che allineerà tutti i nostri incentivi con quelli dei nostri clienti."* **Il contesto finanziario illumina questa posizione.** Sei mesi prima, Block aveva licenziato circa **4.000 persone, circa il 40% della sua forza lavoro**, in una riorganizzazione esplicitamente motivata dall'IA. Nel Q2 2026: utile lordo **in aumento del 25% a 3,2 miliardi di $**, ricavi **in aumento del 10% a 6,62 miliardi di $**, ma **utile netto a 89 milioni di $, in calo dell'83%** su base annua a causa dei costi di liquidazione che chiudevano la ristrutturazione; le previsioni per il 2026 sono state riviste al rialzo. Il valore dell'IA, dunque, viene catturato attraverso la struttura dei costi prima di essere catturato attraverso il prezzo. **Il fatto più pesante si trova al centro della nota**, tratto dalla lettera agli azionisti: *"A partire da giugno, l'IA agentica ha contribuito a scrivere e revisionare quasi tutte le nostre modifiche al codice di produzione"* — scrivere **e** revisionare quasi tutte le modifiche al codice di produzione, in un'azienda di pagamenti quotata in borsa, sei mesi dopo aver tagliato il 40% della forza lavoro. Un'affermazione autodichiarata agli investitori, senza alcuna definizione di *"quasi tutte"* né di cosa copra la *"revisione"*. **Gli strumenti**: **Goose**, un sistema interno costruito due anni prima, descritto come agnostico rispetto ai modelli (integra diversi modelli commerciali per i dipendenti); **Buzz**, lanciato il mese precedente per *"la collaborazione tra agenti, la comunicazione e i repository di codice."* **Sul lato clienti**: Moneybot monitora l'attività degli utenti di Cash App e mette in evidenza conti, saldi e transazioni — oltre **un milione di conti attivi settimanalmente**; Managerbot gestisce marketing automatizzato, analisi dei margini e suggerisce *"correzioni operative"* ai commercianti di Square. Gli analisti di **Evercore ISI** elencano quattro percorsi di monetizzazione — pacchetti SaaS, abbonamenti diretti, offerte enterprise, tariffazione a consumo — **nessuno dei quali legato ai risultati**. Ordine di priorità dichiarato: **qualità del prodotto → distribuzione → adozione → modello di prezzo**. Due fatti sulla distribuzione completano il quadro: Square sta entrando in **Google Maps** con un'*"esperienza di IA conversazionale,"* descritta come *"il primo passo di una partnership più ampia tra Square e Google"*; e il dispositivo di pagamento **Tags** (portachiavi e bacchette con chip NFC) mostra **tre milioni di persone in lista d'attesa**. Citazioni degli analisti: William Blair (*"Block incarna il cambiamento strutturale verso le aziende di finanza digitale orientate al futuro"*) e Bank of America sul *"modello operativo post-reset."*
#Block#Jack Dorsey#Cash App
**Justin Bachman** — Senior Reporter · **Payments Dive** (groupe Industry Dive). Journaliste sectoriel paiements ; signe ici un **Dive Brief** · format court en deux temps (*Dive Brief* = les faits du jour, *Dive Insight* = le contexte) qui compile une conférence de résultats · une lettre aux actionnaires · un communiqué et trois notes d'analystes.
Pagina di documentazione **Notion as Code**, pubblicata sul workspace **Notion Ambassadors** e consultata il **3 agosto 2026**. Prodotto in **alpha chiusa / lista d'attesa**, con un avviso iniziale: *« This product is under development so we recommend you try it out in a new workspace vs. your primary workspace »* e *« There may be breaking changes until we're fully launched »*. **Il principio è l'infrastructure as code applicata a un workspace documentale**: *« Instead of having to make individual public API requests, you can describe the final state and we handle updating your workspace to match. »* Due componenti fondamentali: un **SDK TypeScript** per descrivere lo stato desiderato, e un **endpoint API pubblico** `/v1/infra_as_code` per implementarlo. **Il meccanismo che tiene tutto insieme è l'identificatore di risorsa**: lo script non contiene **alcun identificatore Notion**, solo *resource ID* scelti dall'autore; il primo deployment restituisce una **tabella di mappatura** `resourceId → RecordPointer`, che viene ripassata nelle chiamate successive in modo che gli stessi record vengano **aggiornati anziché ricreati**. Ne derivano tre proprietà, e sono le uniche che contano: lo script è **idempotente** (ridistribuzione = aggiornamento), è **disaccoppiato dal workspace** (più tabelle di mappatura permettono di distribuire **lo stesso script su più workspace**), ed è **codice** — da cui variabili e cicli, con l'esempio fornito *« build 10 teams that all have a very similar structure and just need some nouns renamed »*. **L'API è asincrona**: `POST /v1/infra_as_code` restituisce un `taskId` interrogato via `GET /v1/async_tasks/{taskId}` fino a `succeeded`. **Due differenze operative degne di nota**: il prodotto richiede **personal access token** anziché i consueti token bot dell'API pubblica, e il **rate limit è abbassato a 5 richieste al minuto** perché una singola chiamata non crea più una sola entità ma un batch. **Punto da annotare per questo corpus**: la pagina è esplicitamente scritta per un uso assistito — *« A typescript SDK for you **or your coding agent** to describe what you want »* —, e il percorso di ingresso consigliato è clonare l'SDK su un branch sperimentale e lasciare che *« either you or your favorite coding agent »* apra il README. **Limitazioni dichiarate**: impossibilità di creare un nuovo workspace, copertura parziale dei primitivi, e una pagina priva di autore o data.
#Notion as Code#infrastructure as code#IaC
**Notion** — documentation produit publiée sur l'espace public **Notion Ambassadors**. **Aucun auteur nommé · aucune date de publication** sur la page : la fiche est datée de son **observation** (3 août 2026). Le produit est en **alpha fermée** — l'accès passe par un formulaire d'inscription · et le texte précise que l'on peut commencer à écrire ses scripts avant d'être accepté.
**Boris Cherny** (Creator & Head of Claude Code @Anthropic) pubblica su LinkedIn una tabella-framework, **« Steps of AI Adoption »**, che mappa l'adozione dell'IA agentica da parte di un team di ingegneria lungo **5 stadi (0→4)**, ciascuno caratterizzato da un **ordine di grandezza di agenti guidati** e da una **trasformazione del ruolo dell'ingegnere**: **0 Gated** (0 agenti, accesso bloccato), **1 Assisted** (~1 agente — "tu + un agente", pair programming supervisionato), **2 Parallel** (~10 agenti — **orchestrator**), **3 Supervised autonomy** (~100 agenti — **manager of managers**, un albero organizzativo), **4 AI-native** (~1.000+ agenti — **VP steering by intent**). La tabella incrocia cinque colonne: numero di agenti, *a cosa assomiglia*, *il collo di bottiglia*, *i prodotti che aiutano*, *i guardrail*. **Tesi centrale**: consumare più token non fa salire di livello — avanzare allo stadio successivo richiede **identificare e rompere il prossimo collo di bottiglia** E **costruire il prossimo set di guardrail**. Concretamente: dare a Claude un **loop di auto-verifica** affidabile (test + build + lint + e2e su un ambiente reale), attivare **Auto mode** (evitando prompt di permesso bloccanti), rendere **il code review e il security review predefiniti**, adottare interfacce multi-agente (Agent view CLI, Desktop, app iOS/Android, Tag), poi `/loop`, `/batch`, `/goal`, **dynamic workflows** e **worktree isolation** per i subagenti. Sullo steering: l'utilizzo (dashboard) misura **l'attività, non il ritorno**; la domanda giusta è *"avremmo comunque speso sforzo ingegneristico su questo? se sì, quante ore-ingegnere manuali sarebbero costate?"* — questo è il ROI. Il vero guadagno arriva quando **la correzione e la manutenzione avvengono in background** e i team si concentrano sul *costruire*. Anthropic si colloca allo **stadio 3, diretta verso il 4**; Boris Cherny dichiara di aver raggiunto personalmente il **livello 4**.
#Boris Cherny#Claude Code#Anthropic
Boris Cherny (Creator & Head of Claude Code @Anthropic)
Post X di **Eric S. Raymond** (ESR, autore di *The Cathedral and the Bazaar*, co-fondatore della Open Source Initiative, ~50 anni di programmazione) — **una controtestimonianza frontale alla narrazione secondo cui "gli LLM producono codice pessimo e hanno allucinazioni, inutili per la programmazione".** La sua tesi: questo **non gli accade quasi mai**, e **per nulla più negli ultimi due generazioni** di modelli che usa ("chat GPT 5.4 e 5.5" sotto **codex**). Il sintomo precedente — un modello che "esce dai binari" avvicinandosi al proprio limite di contesto — è scomparso: codex ora mostra un **avviso rosso** che invita l'utente a **svuotare la sessione** invece di degenerare. **Ambito d'uso**: IA applicata a **modifiche di funzionalità, refactoring e debugging su 63 progetti** in **C, Go, Rust, Python e shell**; scrittura di documentazione; **decompilazione di un binario DOS in codice sorgente leggibile**. Una **routine di lavoro** consolidata: quando riapre un progetto, esegue prima i **test di regressione**, poi avvia codex e gli chiede di **verificare il codice** (bug + suggerimenti di miglioramento). Verdetto: gli LLM sono **"eccellenti e straordinariamente responsabilizzanti"**; il loro **limite peggiore** è la **"visione a tunnel architetturale"** — eccellenti nel generare codice a partire da specifiche, ma talvolta **ciechi ai pattern di livello superiore** — cosa che considera il **compito del suo "meatbrain".** Il punto più forte, controintuitivo: gli LLM **NON sbagliano i dettagli e i casi limite**; dichiara di essere **peggiore di loro** su questo fronte (nonostante 50 anni di esperienza), perché se una modifica deve **toccare cinque punti**, il modello **li trova tutti e cinque in modo affidabile**, mentre l'essere umano ne corregge quattro e **passa ore a fare debugging** prima di trovare il quinto dimenticato. Interroga poi i **"downshouters"**: vivono in un **universo diverso**? Usano **modelli vecchi e deboli**? C'è uno **skill issue** che lui non vede perché le sue **abitudini mentali e la sua comunicazione** si adattano bene agli "handle" di questi strumenti? Una questione che considera importante da chiarire, poiché "**miliardi di dollari verrebbero sprecati in una spesa di token mal indirizzata**". La sua ricetta, "molto semplice": **"Sii chiaro nel pensiero, di' al modello ciò che vuoi con precisione, e succedono cose buone"** — chiudendo con: "cosa mi sto perdendo qui?" Da leggere come un **contrappunto pro-LLM da parte di una figura storica dell'open source** al dibattito ricorrente sulla (s)valutazione degli agenti di codifica — facendo eco allo "skill issue" e alla disciplina delle specifiche (cfr. [[martignole-token-manifesto-2026-07-17]]), e formando un dittico con la posizione dottrinale pro-strumenti-IA di **Linus Torvalds** a nome del kernel Linux ([[torvalds-llm-outil-kernel-2026-07-14]]).
#Eric S. Raymond#ESR#esrtweet
Eric S. Raymond (ESR, @esrtweet sur X) — développeur · hacker et essayiste américain · **figure historique du mouvement open source**. Né le 4 décembre 1957 à Boston (Massachusetts) ; paralysie cérébrale de naissance · enfance en partie au Venezuela puis en Pennsylvanie. Auteur de l'essai très influent **« The Cathedral and the Bazaar »** (1997, livre 1999) · qui oppose le modèle « cathédrale » (développement centralisé et fermé) au modèle « bazar » (décentralisé et ouvert, à la Linux) ; il a **popularisé le terme « open source »** (contre « free software ») et contribué à convaincre **Netscape** d'ouvrir son code (naissance de Mozilla). **Co-fondateur de l'Open Source Initiative (OSI)** en 1998 · président jusqu'en 2005. A édité le **Jargon File** (*The New Hacker's Dictionary*) · maintenu des projets comme **Fetchmail** · écrit **« The Art of Unix Programming »** (2003). Se revendique **libertarien** · défenseur du port d'armes · ceinture noire de taekwondo ; commente régulièrement tech · politique et open source sur X. Se présente ici comme codeur « très · très bon » avec **~50 ans d'expérience**. (Post X personnel ; date de publication : 2026-07-08 ; date d'ajout à la veille : 2026-07-17.)
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
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
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
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
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
Studio di dati Atlassian (Inside Atlassian) che misura il rendimento effettivo di un **SDLC AI-native** basato su **Rovo Dev**. Su 3.400 repository di 2.500 clienti (un quasi-esperimento con propensity-score matching), i repository che adottano lo strumento uniscono il **19% di PR in più al mese**; fino al **37-51%** sui repository a bassa/media attività e al **59-87%** quando **da 3 a 5 membri** del team adottano lo strumento. Sul fronte dell'efficienza, gli sviluppatori risparmiano **2-3 h/settimana** (circa il 10% delle 24 ore dedicate a coding e review), ossia 20-30 ore/settimana reinvestite per un team di 10 persone. La tesi: risolvere il "paradosso della produttività" di Solow (1987) passando da **metriche di utilizzo** (token) a **metriche di impatto** (throughput, tempo risparmiato, tasso di fallimento, soddisfazione). Raccomandazione: iniziare con un **team** (non un individuo) e misurare 2-3 mesi dopo.
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
Ruolo dello sviluppatore di fronte agli agenti di codifica IA, esperimento di un giorno con il metodo BMAD, evoluzione verso il supervisore di agenti - Blog tecnico