Guida firmata da **Michael Segner**, pubblicata il **20 agosto 2026** sul blog claude.com nella categoria *Claude Code*: una lettura di **5 minuti** annunciata per circa **31.500 caratteri** di testo, offerta anche in PDF. Materiale dichiarato: interviste a **più di una dozzina** di startup, quindici delle quali nominate — **Artemis Security**, **Cainex**, **Clay**, **ClickHouse**, **Cognition**, **Commure**, **Crosby**, **Emergent**, **Harvey**, **Heidi**, **Higgsfield**, **Omni**, **Parahelp**, **Translucent**, **Zingage**. (A) Cinque regole operative: *everyone ships*, *automate the tedium*, *trust, but verify*, *build for rebuilding*, *prototype, dogfood, productionize*, ciascuna chiusa da suggerimenti sui prodotti e riunite in una checklist finale. (B) Un corpo composto da citazioni attribuite, ogni regola illustrata da dirigenti nominati piuttosto che da una metrica aggregata. Le quattro cifre in evidenza sono quelle delle aziende intervistate: **+30%** di funzionalità rilasciate in più (ClickHouse), **da 2 a 3×** produttività ingegneristica (Omni), **100%** del bug triage automatizzato (Clay), **più di 6.000 PR a settimana** (Artemis Security). Due passaggi si discostano dal registro testimoniale: il ciclo di autocorrezione di **Cainex** sulla codifica medica, descritto passo per passo, e l'uso interno di **Claude Tag** in **Anthropic** come primo responsabile per la reperibilità CI/CD. La domanda posta in apertura — *"what would it look like if an organization built their product development lifecycle with Claude Code from the ground up?"* — si collega a [[claxton-anthropic-ai-native-sdlc-playbook-2026-08-21]], pubblicato il giorno successivo dallo stesso editore, e prolunga [[cherny-wu-reflecting-year-claude-code-2026-07-17]].
#Claude Code#startup#everyone ships
Michael Segner · auteur du guide sur le blog claude.com (fonction non affichée par la page) ; entretiens avec les dirigeants de quinze entreprises nommées.
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).
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
Saggio lungo di **Shubham Saboo** (X/Twitter) che sostiene una tesi sul ruolo del Product Manager nell'era degli agenti: la prossima competenza chiave **non è il prompt engineering** ma il **Loop Engineering** — progettare un *sistema che migliora a ogni esecuzione* anziché scrivere il prompt perfetto ogni volta. Un **loop** è un ciclo ripetuto: modificare ciò che modella il comportamento dell'agente → eseguirlo → valutare l'output → mantenere la modifica se la qualità aumenta, altrimenti annullarla → **capitalizzare l'apprendimento** in modo che la versione successiva parta avvantaggiata. Per un PM, il punto d'ingresso non è il codice ma gli **artefatti durevoli** che codificano il suo giudizio: skill di PRD-review, *summarizer* di chiamate con i clienti, griglia di valutazione, checklist di lancio, workflow di ricerca, `CLAUDE.md`, template di prompt, framework di prioritizzazione. Poiché vengono riutilizzati, questi artefatti **si accumulano in entrambe le direzioni** — e **degradano** silenziosamente (un CLAUDE.md che continua a crescere, una checklist ignorata…): il modello non è peggiorato, sono gli artefatti a essere degradati senza sorveglianza. Un loop ha **5 componenti**: trigger, azione, **prova**, memoria, **condizione di arresto** (la più critica). Gli **eval** diventano lavoro del PM (testare l'artefatto su esempi noti: 3 PRD buoni / 3 cattivi, 5 chiamate comprese, 2 lanci passati). La **memoria** risiede su **GitHub** (il repository diventa "memoria di prodotto": commit, diff, risultati degli eval, registro delle decisioni, rollback). Primo loop consigliato: un **loop settimanale di segnale di prodotto** (ogni venerdì). Il gusto/istinto resta centrale — ma ora richiede una **prova**. Cita Boris (creatore di Claude Code): "non scrive più prompt, scrive loop".
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.