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")
Thread X in stile manifesto di Rohit (@rohit4verse) che delinea la *2026 AI engineer roadmap*: un divario di 150.000 dollari tra prompt engineer e systems architect, la fine dei *generic wrapper* "sherlockati dai big tech", e 5 progetti da portfolio classificati per livello di complessità (SLM mobile offline, agente di coding auto-migliorante, *Cursor for video editors* multimodale, agente personal life OS privacy-first, agente autonomo per workflow aziendali). Ogni progetto descrive le sue *decisioni architetturali chiave* (lazy loading, sliding window, sandboxing, scene detection, grafo di conoscenza personale, multi-agente event-driven, audit trail, RBAC, observability). Slogan strutturante: *"il sostituibile: costruire wrapper / l'inlicenziabile: spedire sistemi autonomi"*. Tono ingiuntivo e virale tipico di X nel 2026.
#2026 AI engineer roadmap#Rohit#rohit4verse
Rohit (@rohit4verse) — créateur de contenu IA sur X · vulgarisateur d'architecture et roadmaps de carrière en ingénierie IA.
Post del **blog di Ahrefs** pubblicato il **28 aprile 2026** da **Ryan Law** (Director of Content Marketing, Ahrefs) che descrive un sistema interno di **content engineering** costruito attorno a **Claude Code**: una pipeline editoriale che produce **bozze pronte per la pubblicazione in 6-12 minuti**. **Tesi centrale**: ***« AI content is not, by default, good. This process works well because it mirrors our existing human editorial process »*** — la qualità non deriva dal modello ma dalla **riproduzione fedele di un processo editoriale umano** collaudato da decenni. Architettura: **~23 skill files**, ciascuno corrispondente a una fase editoriale (keyword research, analisi dei gap tematici, struttura dell'outline, compilazione della ricerca, generazione della bozza, formattazione), **orchestrati da uno skill master `blog-pipeline`** che li concatena per produrre un articolo completo. **Sette principi di design**: (1) **imitare i flussi di lavoro umani** concatenando skill adattati dalla documentazione editoriale esistente di Ahrefs; (2) **restituire l'output di ogni fase separatamente** per il troubleshooting (*« if you get an article at the end of a ten minute run, and it's bad, it's hard to diagnose precisely where and why the process went wrong »* → salvare gli output intermedi); (3) **creare casi di test** tramite lo skill `skill-creator` di Anthropic per valutare e migliorare le istruzioni; (4) **collegare fonti dati di qualità** — l'**Ahrefs MCP** (metriche delle keyword, parent topic, temi long-tail, panoramiche SERP, analisi competitiva), analisi competitiva e documentazione di prodotto; (5) **anticipare l'indicazione umana** tramite parametri di contesto che abilitano indicazioni editoriali; (6) **costruire anteprime interattive** in formato HTML per la revisione prima della pubblicazione; (7) **consentire la personalizzazione** (ogni membro del team può fare il fork e modificare il sistema). **Volume**: ~**15 articoli pubblicati** e ~**30 articoli aggiornati** tramite questo workflow; lo sviluppo è iniziato a **febbraio 2026** (il processo precedente, di **agosto 2025**, richiedeva diversi giorni e intervento manuale). **Avvertenze esplicite** (anti-sopravvalutazione): *« experience matters »* — il processo riflette decenni di competenza editoriale; la selezione degli argomenti si concentra su **contenuti SEO informativi** ben conosciuti dall'autore; Ahrefs **non ha alcun piano per "scalare" massicciamente i contenuti** ma mantiene una **libreria evergreen**. Filosofia: automatizzare *« the formulaic parts of work »* per eliminare le mansioni ripetitive e liberare tempo per ricerca, thought leadership, webinar e ottimizzazione del sistema — **non** sostituire lo sforzo umano. Riferimento canonico citato da Pasquale Pillitteri (*Opus 4.8 SEO workflow*) come prova sul campo del guadagno « 6-12 min/bozza ». Convergenza diretta con la dottrina **skills-over-prompts** (Lattice, PROJ-AI), i **systems around the model** (Dropbox/Okumura) e l'uso dell'**HTML come artefatto di revisione** (Shihipar).
**Ryan Law** — Director of Content Marketing chez **Ahrefs**. Praticien senior du content marketing SEO ; le billet est un retour d'expérience personnel (*« How I do… »*) publié sur le **blog Ahrefs** (ahrefs.com/blog) le **28 avril 2026**.
FinOps per Agenti AI: un Framework di Allocazione in Quattro Passaggi per i Costi degli Assistenti di Coding (Claude Code, Cursor, Copilot) e Perché il Tagging Cloud Tradizionale Fallisce - Finout
#FinOps agentico#allocazione dei costi#assistenti di coding
L'editoriale di Andrew Ng su The Batch #350 delinea una **gerarchia di accelerazione per gli agenti di coding** in base al tipo di lavoro software: **Frontend (massima) > Backend (moderata) > Infrastruttura (bassa) > Ricerca (minima)**. La motivazione poggia sulla *verificabilità* implicita (padronanza di TypeScript/JavaScript più un ciclo di test autonomo agente-browser sul frontend) e sui punti ciechi degli LLM (casi limite / sicurezza / migrazioni di database per il backend, compromessi di rete opachi per l'infrastruttura, formazione di ipotesi irriducibile per la ricerca). Il numero è completato da 4 notizie strutturanti: **GLM-5.1 (Z.ai)**, un modello con 754B parametri (40B attivi) sotto licenza MIT capace di compiti autonomi della durata di 8 ore (leader su SWE-Bench Pro con il 58,4%); **Digit (Agility Robotics) presso Schaeffler**, il primo dispiegamento industriale di umanoidi (5'9"/143lb, 10-25 $/h contro 20 $/h per un umano); la **rivolta anti-data-center** (~64 miliardi di dollari bloccati da maggio 2024 a marzo 2025, moratoria del Maine sugli impianti da 20MW+, cocktail Molotov contro l'abitazione di Sam Altman); e l'**"assistant axis"** (Christina Lu, MATS / Oxford / Anthropic), che riduce la deriva della persona e i jailbreak (Qwen3 32B: 83%→41%; Llama 3.3 70B: 65%→33%) senza degradare IFEval/GSM8k/MMLU-Pro/EQ-Bench.
#Andrew Ng#The Batch#DeepLearning.AI
Andrew Ng (édito principal — fondateur DeepLearning.AI, Stanford, ex-Google Brain, ex-Baidu) ; rédaction The Batch (DeepLearning.AI) pour les sections actualités
Les Echos (Florian Dèbes) reportage da San Francisco: agenti IA già integrati come colleghi nelle start-up, "capsula di Petri" (Aaron Levie / Box), riflesso Claude prima di ogni riunione, Jarvis personale, 5 schede di agenti in parallelo, "il fattore limitante è la cognizione umana" (Patrick Joubert / Rippletide), "brain fry" / surriscaldamento cognitivo, studio BCG/HBR che indica il 14% dei dipendenti sopraffatti, modalità di classifica "token-max" per i maggiori utilizzatori di IA, testimonianze di Sinaï/Bangay/Allali/Hodjat/Pantera/Chapeau e un'eco di Siddhant Khare ("l'IA riduce i costi di produzione ma aumenta i costi di coordinamento").
#Silicon Valley#San Francisco#agenti IA come colleghi
Florian Dèbes (Les Echos, rubrique Travailler mieux / Vie au travail)
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
Report congiunto **DORA × delta** (Google Cloud Professional Services), 60 pagine, versione **v. 2026.1** (citazioni febbraio 2026, PDF creato il 21 aprile 2026), licenza **CC BY-NC-SA 4.0** — il primo framework ufficiale **DORA ROI** dedicato all'IA nell'SDLC, con un **calcolatore interattivo** su dora.dev/ai/roi/calculator. Tesi centrale: ***"AI is an amplifier"*** — l'IA **amplifica** simultaneamente i punti di forza delle organizzazioni ad alte prestazioni e le disfunzioni delle organizzazioni in difficoltà; non crea prestazioni, le **moltiplica dove già esistono**. Nuovo concetto centrale: la ***J-Curve of AI value realization*** — ogni adozione dell'IA attraversa un **calo di produttività temporaneo** (curva di apprendimento + tassa di verifica + adattamento della pipeline) prima di una **crescita esponenziale**, una metafora del *"costo dell'iscrizione alla trasformazione"* da **budgettizzare esplicitamente**. Calcolo di riferimento: organizzazione di 500 FTE / stipendio interamente caricato $176k / 12,5% di tempo risparmiato per sviluppatore (≈ 1h su una giornata di 8h) → **valore $11,6M / investimento $8,4M / ROI 39% / periodo di recupero 8 mesi (0,7 anno)**. Costi modellati: licenze ($250/utente/anno), API aggiuntive ($80/utente/anno), formazione ($9.600/utente/anno), infrastruttura ($100k/anno), costo della J-Curve ($3,3M per un calo del 15% su 3 mesi). Valore modellato: **capacità di reinvestimento dell'organico** ($11M — capacità liberata da reinvestire, **NON riduzione dell'organico**), ricavi da funzionalità aggiuntive rilasciate ($990k, basato su un tasso di successo delle idee del 33%, Larsen 2023), **impatto negativo del downtime** (−$344k, "tassa di instabilità"). **Strategia di reinvestimento esplicita**: ***"we strongly recommend organizations do not adopt a headcount-reduction strategy"*** — reinvestire nell'innovazione, trattenere i talenti, capitalizzare sulla conoscenza istituzionale. Cinque pilastri del valore: Productivity / User Experience / Cost Efficiency / Developer Experience / Business Growth (dal più diretto al più indiretto, *valore aziendale cumulato*). Cinque chiavi sistemiche di adozione: **Trust + Platform + Data + Users + Guardrails**. Roadmap in due fasi: (1) **Build context layer (CapEx)** — IDP di qualità + ecosistemi di dati sani; (2) **Empower human in loop (OpEx)** — context engineering + fiducia nell'IA. Indicatori: leading = frequenza di sperimentazione + frequenza di deployment; misura di stabilità = change failure rate + rework. Tre scenari da modellare (Conservative 0,8 valore × 1,5 costo / Realistic 1,0 / Optimistic 1,2 × 0,8). Dati esterni mobilitati: 78% dei dirigenti riferisce un ROI su ≥1 caso d'uso di IA generativa (Google Cloud), 88% dei primi adottanti di IA agentica registra un ROI positivo, **35-40% di produttività su greenfield contro ≤10% su brownfield/legacy** (Stanford), costo di inferenza ÷280 tra novembre 2022 e ottobre 2024 (Stanford AI Index 2025), **727% di ROI su 3 anni** per i clienti IA di Google Cloud, payback medio del mercato IA di **8 mesi**. Debolezze riconosciute: *"all models are wrong"* — il modello va contestualizzato, il calcolatore va adattato; rischio di doppio conteggio del valore (tempo risparmiato → sia assunzione evitata SIA ricavi aggiuntivi); un legame "debole" con l'esperienza utente, quindi escluso dal calcolatore. **Intuizione deontologica**: ***"We don't measure AI by the code it writes but by the bottlenecks it clears"*** — misurata dai colli di bottiglia rimossi, non dal volume di codice. **Rilevanza importante** per CIO/CTO che devono costruire un business case IA difendibile davanti a un CFO/board; per Francia/Europa, da articolare con Wescale (X3-X4 realistico), Tatsyi/Raiffeisen Bank Ukraine (caso studio bancario, −75 persone ma reinvestimento deliberato), Frizzo (mediana 3-5×), Curran/Intercom (3× R&D in 16 mesi), DORA Report 2025 (su cui questo ROI si basa).
#DORA ROI of AI-assisted software development#Google Cloud DORA report 2026.1#J-Curve of AI value realization
Rapport conjoint **DORA team × delta team** (Google Cloud Professional Services). Auteurs principaux : **Eva Dong** (AI Value Realization Americas, ex-McKinsey 8 ans, Master Financial Engineering Michigan) · **Andre Ellis Jr.** (Cloud Financial Operations Lead, Morehouse + Wharton MBA) · **Nathen Harvey** (DORA team lead, co-auteur multiples DORA reports + 97 Things Every Cloud Engineer Should Know) · **Vivian Hu** (10X Technology Consultant, contributrice DORA 2025 State of AI-assisted Software Development) · **Ursula Lübbert-Passing PhD** (AI Value Realization EMEA, 20 ans benchmarking + value advisory, PhD effort estimation software projects) · **Eric Maxwell** (lead 10X Technology consulting, ex-Chef Software, contributeur DORA) · **Aaron Wanjala** (cloud developer advocate Spring Boot/Angular). Conseillers et contributeurs : **Ben Jose · Eric Lam · Matt Orr · Allison Park · Ryan J. Salva · Jerome Simms · Dave Stanke · Cedric Yao**. Design : Human After All (humanafterall.studio). Document publié sous licence **CC BY-NC-SA 4.0** · version v. 2026.1 · citations retrieved February 2026.
Sintesi di Addy Osmani (Google, Chrome/Cloud) sul campo emergente dell'*harness engineering*: l'equazione `agent = model + harness`, il principio del *ratchet* ("ogni errore diventa una regola"), la rilettura "skill issue" di HumanLayer, le evidenze di Terminal Bench (Top 30 → Top 5 dal solo cambio di harness), l'architettura a livelli di Claude Code, la visione di Anthropic "gli harness non si riducono, si spostano", e l'Harness-as-a-Service (Claude Agent SDK, Codex SDK, OpenAI Agents SDK). Articolo cardine che consolida in una dottrina Trivedy, HumanLayer, Anthropic e Böckeler.
#harness engineering#agent harness#Addy Osmani
Addy Osmani (Software Engineer at Google, Cloud + Gemini)
Agente semantico: la simmetria tra modello+harness e ontologia+dati, il collasso dei framework agentici, l'ontologia come unico asset non commoditizzato
Aggiornamento pubblico di Darragh Curran (R&D, Intercom) nove mesi dopo il suo impegno a raddoppiare la produttività R&D in 12 mesi grazie all'IA. Risultato: **3x raggiunto in 16 mesi, senza segnali di stabilizzazione**. Dati quantificati di un'organizzazione R&D di 500 persone / 8,5M di righe di codice: **93,6% delle PR sono agent-driven**, **19,2% AI-approved** (obiettivo >50%), costo/PR **-50%**, arretrato dei difetti **-54%**, tempo di shipping **-39%**, downtime da breaking-changes **-35%**, il top 5% dei performer al **6x del throughput mediano di PR**, **497 PR autonome** nelle prime 4 settimane, **153 contributori / 267 skill specializzate** in una *Skills-Based Plugin Architecture* privata. Curran dichiara ***"Tutto il lavoro tecnico sta diventando agent-first. Questa è la priorità assoluta per l'R&D."*** Articolo cardine del dossier *agent-first organization*, paragonabile solo a Stripe Minions e StrongDM nel corpus 2026.
#Darragh Curran#Intercom#Fin Ideas
Darragh Curran (R&D leader, Intercom — publication via Fin Ideas, plateforme média Intercom).
FinOps per agenti AI incentrato sul "costo per risultato": perché il FinOps tradizionale fallisce di fronte al comportamento a runtime, guardrail, osservabilità comportamentale e un ciclo di vita in 4 fasi - Orq.ai
Episodio #351 del podcast francofono **If This Then Dev** (Bruno) con **Julien Lépine**, Chief Technology Officer di **AWS France** (13 anni in Amazon), registrato a margine dell'**AWS Summit Paris** (1° aprile 2026, ~10.000 partecipanti). Tesi centrale: nell'era agentica, scrivere codice diventa secondario, e il valore si sposta verso **la comprensione del contesto, i compromessi architetturali e la responsabilità umana**. Prova centrale: **la riprogettazione di Amazon Bedrock** — una piattaforma critica che gestisce migliaia di miliardi di richieste — realizzata da un team di **6 persone in 72 giorni** (contro una stima di 30 persone / 18 mesi), **codice interamente generato dall'IA**, senza vibe coding. AWS sta **standardizzando internamente su Kiro** (IDE + CLI, basato su Claude Sonnet/Opus) per ~30.000 sviluppatori (annunciato da Matt Garman a re:Invent). Filo conduttore: **mantenere il controllo** senza rivedere tutto — tramite **modellazione formale (TLA+)** e **Raisonnement automatisé** per dimostrare invarianti e delimitare gli agenti, **blameless post-mortem**, e il principio secondo cui "la responsabilità dell'azione di un agente ricade su chi lo opera". Emergenza dell'**AI DLC** (sprint → più **Bolt** giornalieri) e rischio di **sovraccarico cognitivo / burn-out**.
#AWS Summit Paris#Amazon Web Services#agenti di codice
**Julien Lépine** — Directeur de la technologie (CTO) d'Amazon Web Services France · 13+ ans chez Amazon ; ses équipes accompagnent les clients AWS sur le cloud · la data et l'IA. **Hôte** : Bruno (créateur et animateur du podcast *If This Then Dev*).
Bain & Company brief (**aprile 2026**) (David Lipman, Greg Callahan, Daniel Goetz, George Sunderland — parte 1/5 della serie *"software industry in the age of AI"*) che analizza l'impatto dell'IA sulla **Rule of 40** (metrica SaaS canonica: *tasso di crescita + margine di profitto ≥ 40%*) e conclude su una **doppia pressione**: **headwinds** (rallentamento della crescita di mercato + costi massicci dell'infrastruttura IA) e **tailwinds** (produttività IA + trasformazione EBITDA del 10-25% + outcome-based pricing). **Dato centrale sorprendente**: un caso cliente *marketing technology* — **costi IA moltiplicati per 3,49 (+349%) mentre i ricavi sono cresciuti solo del 38%** in un anno. **Tesi pivot**: i leader SaaS potrebbero dover ***"accontentarsi della Rule of 30"*** temporaneamente per restare competitivi contro gli **AI-native**, accettando una compressione di margine a breve termine per un posizionamento a lungo termine. **Due percorsi espliciti**: (1) ***Financialize*** — minimizzare l'investimento in IA, ottimizzare la liquidità, operare come un *"generatore durevole"* ma limitare la crescita futura; (2) ***Invest to Grow*** — accettare la pressione sui margini a breve termine, reinvestire aggressivamente nelle capacità IA su prodotto e operations. **Tailwinds nel dettaglio**: produttività vendite/marketing/R&S, trasformazioni riuscite = **+10-25% EBITDA**, futura opportunità di *outcome-based pricing* (i ricavi passano da seat fissi all'economia di labor/operations), gli incumbent possono sfruttare le relazioni con i clienti e i workflow integrati contro gli sfidanti AI-native. **Headwinds nel dettaglio**: *"la penetrazione del software sta raggiungendo un plateau in alcune aree"* (saturazione del mercato), l'infrastruttura IA + inferenza + accesso ai modelli introducono **costi variabili significativi in business che storicamente avevano margini elevati**. **Segnale per CFO/board**: la Rule of 40 stessa, come **norma stabile**, comincia a spostarsi; alcuni player usciranno temporaneamente da questa norma e **ciò è strategicamente razionale**. **Rilevanza maggiore** per CFO/CEO/board SaaS B2B e investitori PE/VC software che valutano i propri portafogli — il primo benchmarking istituzionale quantificato del dilemma *proteggere i margini / investire aggressivamente* nel 2026. Da collegare a: Bain **parte 2/5 cross-system labor $100B** (2026-05), DORA ROI 2026 (framework finanziario), Wescale (X3-X4 realistico), Tatsyi/Raiffeisen (banca −75 persone), Curran/Intercom (3× R&S in 16 mesi), Menlo Ventures *State of Generative AI Enterprise* (2025-12-09).
#Bain & Company#Rule of 40#tasso di crescita più margine di profitto
**David Lipman · Greg Callahan · Daniel Goetz · George Sunderland** — partners et experts Bain & Company spécialistes industrie logicielle / SaaS / private equity software. Article publié en **avril 2026** sur bain.com/insights · **partie 1/5** d'une série Bain sur *"the software industry in the age of AI"*. La partie 2 (*The $100-Billion SaaS Opportunity Hiding in Cross-System Labor*, mai 2026) est dans le dossier de veille.