Saggio di **Bill Staples**, CEO di **GitLab**, pubblicato il **24 agosto 2026** sul blog about.gitlab.com: una lettura annunciata di **31 minuti**, circa **39.000 caratteri**, presentato come il seguito di un memo scritto al consiglio di amministrazione nel gennaio 2026 e in parte pubblicato a maggio con il titolo *GitLab Act 2*. Il testo si presenta come una risposta all'AI-native SDLC playbook di **Anthropic**, pubblicato tre giorni prima, da cui riprende la frase d'apertura — "Code is no longer the bottleneck" — per porre la domanda che lo guida: cosa diventa scarso quando il codice diventa abbondante. (A) La diagnosi economica: l'unità utile non è il costo per riga ma il **costo per modifica accettata**, che aggrega generazione, ambiente, contesto, verifica, revisione, correzione e governance; l'IA fa crollare solo il termine di generazione, il che rende gli altri proporzionalmente più pesanti — un'organizzazione dieci volte più veloce nel generare "si limiterà a spostare la coda". (B) La risposta architetturale: quattro capacità — piattaforma agentica, esecuzione su scala macchina, contesto durevole, governance — che formano un livello enterprise che sopravvive al modello, "The model should be replaceable. The agent should belong to the customer." (1) Tre modalità coesistono in modo duraturo, dal legacy guidato dall'uomo allo sviluppo autonomo, contro l'idea di un'unica curva di maturità. (2) La pipeline CI/CD diventa il luogo in cui gira l'inner loop, invece di essere un gate di fine catena. Le cifre citate sono quelle di Stripe, Spotify e Amplitude; GitLab ne produce una sola, relativa al proprio contrôle de source nouvelle génération. Il corpus contiene già [[claxton-anthropic-ai-native-sdlc-playbook-2026-08-21]], la fonte a cui questo testo risponde, e [[sfeir-sdlc-pdlc-articulation-2026-07-22]] sull'articolazione SDLC/PDLC che Staples fa propria.
#abbondanza di codice#costo per modifica accettata#teoria dei vincoli
Bill Staples · directeur général de GitLab (fonction non affichée par la page) · sur le blog about.gitlab.com.
Voce skill: **graphify** di **Safi Shamsi** (Graphify Labs, Y Combinator S26) trasforma un intero progetto — codice, documentazione, PDF, immagini, video — in un **grafo di conoscenza interrogabile**, invocato tramite `/graphify` da Claude Code, Cursor, Codex, Gemini CLI, GitHub Copilot e una quindicina di altri client. Osservato il **6 agosto 2026**: **103.187 stelle**, **10.024 fork**, repository creato il **3 aprile 2026**. Apache-2.0, Python 3.10+, branch predefinito **v8**. **Tre scelte di design**, enunciate nel README. *"Code maps for free, fully local"*: il codice viene analizzato in un **AST tree-sitter**, in modo deterministico e senza LLM, senza che nulla lasci la macchina. *"Every edge is explained"*: ogni arco è etichettato **`EXTRACTED`** (esplicito nella fonte) o **`INFERRED`** (risolto da graphify), con un terzo valore `AMBIGUOUS` che compare nel report. *"Not a vector index"*: *"no embeddings, no vector store: a real graph you traverse"*. **Tre output**: `graph.html` (grafo interattivo), `GRAPH_REPORT.md` (nodi centrali, connessioni sorprendenti, domande suggerite) e `graph.json` (grafo persistente, interrogabile settimane dopo senza rileggere i file). **Tre modalità di interrogazione** in sostituzione di grep: `query` (sottografo per una domanda in linguaggio naturale), `path A B` (percorso più breve tra due entità) e `explain` (vicinato di un concetto). **Copertura**: 36 grammatiche tree-sitter (~40 linguaggi), oltre a Terraform, Apex, configurazioni MCP, manifest di pacchetti, Office, Google Workspace, PDF, immagini e trascrizioni audio/video effettuate localmente da faster-whisper. Comunità rilevate tramite **Leiden**, etichettate senza LLM. **Benchmark**: su LOCOMO, recall@10 di **0,497** contro 0,149 per supermemory e 0,048 per mem0, ma accuratezza QA inferiore (45,3% contro 49,7%); su LongMemEval-S, **76%**, alla pari con un RAG denso; e *"Graph build — LLM credits: 0"*. **Punti da annotare**: il branch `main` porta un README dell'epoca v1 che descrive un prodotto diverso (skill esclusiva per Claude Code, l'affermazione "71,5× meno token"); il pacchetto PyPI si chiama **`graphifyy`** con due *y*, mentre il nome `graphify` è in fase di recupero; e per impostazione predefinita viene scritto un **log delle query** in `~/.cache/graphify-queries.log`, disattivabile tramite una variabile d'ambiente.
#skill#grafo di conoscenza#grafo di conoscenza
**Safi Shamsi** — créateur et mainteneur de graphify · et de **Graphify Labs** · société passée par **Y Combinator (promotion S26)** selon le badge du dépôt. Il maintient aussi le site d'annuaire `graphify.net` (cf. [[graphify-net-annuaire-ia-coding-2026-08-06]]) et publie un livre · *The Memory Layer* · sur les idées et l'architecture derrière le projet.
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**.
Lo sviluppo software come mestiere, trasparenza e fiducia, open-source autentico, impatto dell'IA sulle competenze fondamentali - Gilles Chehade - Plakar - OpenSMTPD
#sviluppo software#artigianato del software#open-source