Lungo thread pubblicato su X il **29 settembre 2026** da **Ryan Sarver** (@rsarver), intitolato *"Personal AI Should Actually Be Personal"*; circa **1.700 parole**, 91,5k visualizzazioni al momento della raccolta. Punto di partenza: **Amazon** ha bloccato **Muse** (**Meta**) dal proprio sito di shopping, e gli utenti hanno perso l'accesso al loro agente di shopping, *"un effetto collaterale di una disputa su cui non ho avuto voce in capitolo."* **(A)** Definizione: un'IA personale deve essere **posseduta** (open source, dati in storage controllato, portabilità), avere **un unico principale**, offrire un contratto leggibile e trade-off ispezionabili, funzionare ovunque si scelga, ed essere piacevole da usare. **(B)** Osservazione sul panorama attuale: Muse include di default gli utenti nel training, **Instinct** porta una licenza *"perpetua e irrevocabile"*; divario di costo stimato tra **3.000 e 7.000 dollari per utente all'anno** contro 20 dollari al mese. **(C)** Un'inversione: lo stack posseduto può risultare migliore, perché l'utente gli affida *"ogni angolo della propria vita."* **(D)** Uno stack a cinque livelli (client, harness e connettori, memoria, modelli a due livelli, macchina) e un appello a costruire una versione prodottizzata di **OpenClaw**. Risponde a **Brad Gerstner** sulla fiducia; estende il corpus di lavoro sugli agenti di shopping e sulla memoria in markdown.
#IA personale#IA personale#agente personale
Ryan Sarver (@rsarver) · auteur du fil sur X ; fonction non indiquée dans le texte.
Articolo lungo pubblicato il **14 settembre 2026** sull'account X **@GoogleCloudTech** (~2.000 parole, quattro fasi, sei blocchi di comandi e configurazione), firmato da **Alan Blount**, Technical Solutions Consultant presso Google. Punto di partenza: una domanda banale, affidata a un agente di ricerca, fatturata **38 $**. L'articolo propone di eseguire **Claude Fable 5.1** e **Gemini 3.8 Flash** in parallelo dietro la stessa API **Gemini Enterprise Agent Platform** (ex Vertex AI). **(1) Configurazione**: l'accesso a Fable è soggetto all'*Advanced AI Safety Addendum* di Google Cloud, che richiede una chiamata `setPublisherModelConfig` con la condivisione prompt-risposta abilitata per Anthropic, pena un errore 403; Flash funziona non appena viene abilitato. **(2) Benchmark interno** con promptfoo che pilota opencode su due compiti: su uno stato di branch git, Flash risponde in **1,1 s** per meno di un decimo di centesimo mentre Fable costa **23 volte di più**; su una migrazione da Postgres a Spanner, Fable produce in **12 s** un DAG formale con rischi di clock-drift e un gate di rollback, mentre Flash fornisce in 3 s una sequenza lineare. **(3) Utilizzo**: *«coordinamento asimmetrico»* — il modello rapido come coordinatore di prima linea, il pianificatore approfondito ai checkpoint, uno strumento `ask_for_help` per l'escalation, e un avvertimento contro i router dinamici: *«Resta noioso»*. **(4) ROI dei token**: il valore del tempo umano, delle funzionalità rilasciate e degli incidenti evitati, meno il costo dei token e la curva di apprendimento del team. La stessa logica di instradamento per confine di compito di [[mazmanov-portal-spotify-shunt-claude-code-tokens-2026-09-03]], nel quadro FinOps definito da [[rafal-wenvision-tokenomics-foundation-finops-ia-2026-06-04]].
#instradamento dei modelli#coordinamento asimmetrico#tokenomics
Alan Blount (Technical Solutions Consultant, Google Cloud, @zeroasterisk) · publié sur le compte X @GoogleCloudTech.
Post di ingegneria di **Spotify** pubblicato il **3 settembre 2026** su engineering.atspotify.com (~1.600 parole, nove sezioni, due manifest YAML, quattro esempi da riga di comando), a firma di **Dimitri Mazmanov**, Principal Product Manager. Descrive una configurazione personale progettata per spostare i task di I/O fuori dal contesto di **Claude Code**. La premessa dichiarata in apertura: *« Most of what an AI coding agent does for me isn't thinking. It's I/O »* — leggere cinque file per rispondere a una domanda su un singolo metodo, produrre un test modellato sugli altri venti della directory. **(A) Le modalità.** **Portal by Spotify** espone *AiKA Modes*, agenti dichiarativi su un runtime effimero — istruzioni, modello, temperatura, strumenti **MCP** — paragonati a *« AWS Lambda, but for agents »*; due modalità pubbliche, `bulk-reader` e `code-writer`, girano qui su **Gemini 2.5 Flash**. **(B) Il routing.** Un plugin per Claude Code chiamato `shunt` sostituisce le regole in `CLAUDE.md` ritenute *« advisory, not enforced »* con tre livelli: hook `PreToolUse` che bloccano qualsiasi lettura oltre le **350 righe** (soglia regolabile via `SHUNT_MIN_LINES`), due script bash che richiamano la Portal CLI, due skill che forniscono la sintassi di invocazione. Il corpus passa al modello secondario e **non entra mai nel contesto di Claude**. **(C) Misurazioni e i loro limiti.** Su un monorepo Java, quattro scenari, il risparmio medio riportato è di **~90%** su `bulk-read`; l'autore nota che lo scenario `code-write` è *« harder to measure »*, ed elenca tre limiti — editing non delegabile, ragionamento non delegabile, **10-30 secondi** di latenza per chiamata. Estende le questioni di budget affrontate in [[gupta-token-budget-wars-marginal-token-utility-2026-05-28]] e la delega esaminata in [[willison-fable-judgement-delegation-subagents-2026-07-03]].
#Portal by Spotify#AiKA Modes#shunt
Dimitri Mazmanov (Principal Product Manager, Spotify) · sur le blog d'ingénierie engineering.atspotify.com.
Articolo di blog di **Pasquale Pillitteri** (software engineer, Palermo) pubblicato il **29 maggio 2026** (versione FR), lettura di 18 minuti, sezione *Claude Code & Anthropic*. **Tesi centrale**: *« Claude Opus 4.8 è il modello SEO più potente del 2026, ma quasi tutti lo usano male »* — non un problema di modello ma un problema di **sistema**. La regola d'oro: ***« la strategia è una lavagna, la produzione è una catena di montaggio »*** — la SEO deve essere **suddivisa in due fasi distinte**, e mescolarle è *« il modo più rapido per sprecare un modello che costa cinque dollari per milione di token in input e venticinque in output »*. **Contesto del modello**: Opus 4.8 rilasciato il **28 maggio 2026** (41 giorni dopo Opus 4.7), contesto di **1M di token**, **GraphWalks Long-Context F1 a 1M: 40,3% → 68,1%**, **SWE-bench Verified 88,6%**, **USAMO 2026 96,7%** (+27,4 punti), **HLE con tool 57,9%**, prezzo invariato **5$/25$** per milione di token, **Fast Mode 2,5× a 10$/50$**, quattro **livelli di effort** (Low, High, Extra, Max). **L'anti-pattern centrale** = *« la conversazione gigante »* / **context drift**: mescolare strategia, ricerca di parole chiave, analisi competitiva e scrittura in un'unica chat produce un *« miscuglio di intenzioni contraddittorie »* → il modello scivola verso **best practice generiche** ("ottimizzazione olistica", "approccio strategico") invece di contenuti ancorati ai dati. **Fase 1 — Strategia (lavagna, UI visiva, una tantum)**: dashboard / Google Sheet / canvas Claude.ai per decidere guardando insieme i dati. **3 mosse**: (a) **ricerca di parole chiave classificata** (tabella di volume / difficoltà 0-100 / intento / potenziale business / priorità = volume÷difficoltà×peso business); (b) **analisi competitiva visiva** (matrice di copertura degli argomenti, gap); (c) **roadmap a fasi** (quick win M1-2 / medio termine M3-6 / pagine pilastro M7-12). La modalità **Extra/Max** è giustificata qui (*« una decisione strategica corretta vale mille pagine ben scritte sulle parole chiave sbagliate »*). 3 artefatti chiusi salvati su Notion/Drive. **Fase 2 — Produzione (catena di montaggio, Opus 4.8 + MCP)**: il modello passa da stratega a **macchina di esecuzione**; ogni decisione **ancorata a dati live** tramite il **Model Context Protocol**. **Stack MCP minimo**: **GSC MCP** (AminForou/mcp-gsc, 500+ stelle), **Ahrefs MCP ufficiale** (98 stelle), **GA4 MCP**; il repo `modelcontextprotocol/servers` = **86.440 stelle**, **10.000+ server attivi**, 97M download SDK/mese. Setup ~35 min, refresh mensile ~20 min. **Loop settimanale**: un singolo prompt estrae dati live, costruisce il brief (top 10 SERP + GSC + Ahrefs), deriva H2/H3, scrive, verifica la densità, suggerisce i titoli → **+45% di produttività**, bozza in **6-12 min** (riferimento esplicito a **Ryan Law / Ahrefs content engineering**, 23 skill). Cita i **Dynamic Workflows** di Anthropic (fino a 1.000 subagent). **4 errori comuni**: (1) non verificare i numeri (spot-check obbligatorio, *trust & verify*); (2) sostituire integralmente Semrush/Ahrefs (MCP è un **layer** sopra, non un sostituto); (3) ignorare il **paid-organic content gap** (caso cliente education: **2.742 termini sprecati / 351 opportunità** identificati in 90 s); (4) usare Opus 4.8 dove basta **Haiku 4.5** (meta description, alt text). **Costo**: 1-3$ per articolo di 2.500 parole. **Sonnet 4.6** basta per la produzione ricorrente, Opus 4.8 riservato alla strategia. Articolo SEO-ottimizzato e autoreferenziale (l'autore scrive di SEO in un contenuto esso stesso pensato per posizionarsi su "Opus 4.8 SEO"). Convergenza diretta con **Ryan Law/Ahrefs** (citato), **sistemi attorno al modello** (Dropbox/Okumura), **skill-over-prompt** (Lattice), model routing Haiku/Sonnet/Opus (Gupta token-to-outcome).
#Claude Opus 4.8#SEO IA#workflow a due fasi
**Pasquale Pillitteri** — Ingénieur informatique / développeur logiciel basé à **Palerme** (Italie) · certifié Innovation Manager UNI 11814:2021. Auteur d'un blog tech actif (rubrique *Claude Code & Anthropic*) · avec une newsletter hebdomadaire (~3,4k lecteurs). Article publié en version **FR** le **29 mai 2026** (lendemain de la sortie d'Opus 4.8).