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 del blog aziendale di **Block** (`block.xyz/inside`), non firmato — l'autore indicato è **"Block"** —, pubblicato il **18 agosto 2026**, ~930 parole, che annuncia **l'apertura open source di Berd**, l'applicazione desktop interna di Block per lavorare con gli agenti, ed espone la tesi progettuale che l'ha guidata: dare carattere agli agenti *"non solo attraverso ruoli, istruzioni, skill e strumenti, ma attraverso identità visive distintive"* — da cui i personaggi animati proprietari, i *"Gloopies"*. Il post parte da un'osservazione di frammentazione (*"The technology was powerful, but the experience around it was fragmented"*) e da un problema d'interfaccia denominato con precisione: *"the product gives people little sense of how the agent is configured, which context and tools are available to it, and how it differs from another agent"*. Due contributi strutturanti. **(A) Un'articolazione a tre livelli**: **goose** resta il framework e il *runtime* che sostiene l'agent loop; **Berd** è il client desktop (progetti, contesto, sessioni, agenti, configurazione); i due comunicano tramite l'**Agent Client Protocol**. **Buzz** è designato come il seguito, per quando il lavoro solitario diventa collaborativo (*"Start alone, then go multiplayer"*). **(B) Sei requisiti trasmessi a Buzz**, formulati come conclusione: *"private space, durable context, recognizable agent identities, reusable skills, visible configuration, and clearer visibility into an agent's configured context, tools, and capabilities"* — una griglia direttamente riutilizzabile per valutare un client di agenti. Il testo stesso distingue identità e capacità: *"The avatars make the agent recognizable. Its role, skills, and tools make it useful."* Non viene prodotta alcuna cifra d'uso e non è indicata alcuna licenza per l'apertura open source.
#Berd#Block#open source
**Aucun auteur nommé** : le billet est signé **« Block »** — le champ *Author* de la page porte le nom de l'entreprise. Publié le **18 août 2026** sur `block.xyz/inside` · le blog **corporate** · et non sur `engineering.block.xyz`.
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).
Rapporto di ricerca interno datato **12 agosto 2026** (in formato *What? — So What? — Now What?*, indagine condotta tra l'11 e il 12 agosto) su una domanda semplice: le applicazioni **desktop** di ChatGPT e Claude sono migliori delle rispettive versioni **web**? La risposta si articola in due parti. **(A) Esiste un consenso qualitativo solido e ben documentato.** Il punto di partenza è indiscutibile: desktop e web richiamano esattamente gli stessi modelli cloud, l'applicazione essendo solo un'interfaccia verso il servizio — il guadagno risiede quindi interamente nell'involucro applicativo (latenza d'accesso, stabilità nelle sessioni lunghe, impronta di memoria, integrazioni di sistema, fluidità del workflow). Ciò che distingue realmente il desktop, confermato: sul versante OpenAI, una scorciatoia globale (Option/Alt + Spazio), una *companion window* che resta sempre in primo piano, screenshot nativi e, da luglio 2026, la capacità agentica **Codex/Work** integrata nell'app; sul versante Anthropic, **Quick Entry** (macOS), **Desktop Extensions** (installare un server **MCP** locale diventa *"semplice quanto cliccare un pulsante"*), accesso ai file locali, **Cowork** e **Computer Use** (permessi di Accessibilità e registrazione dello schermo). Il web conserva due punti di forza confermati: schede/thread multipli e universalità senza client da installare. **(B) Quasi tutte le cifre in circolazione a sostegno di questo consenso non reggono alla verifica.** L'audit critico del rapporto (§1.5) classifica come **non confermate** sette affermazioni numeriche ampiamente ripetute: il *cold start* "2-3 s contro 8-12 s" (l'unica traccia essendo un aneddotico *"si carica in circa 3 secondi"* su Substack); l'uso di RAM "200-700 MB contro 1,2-2 GB", attribuito a un "Alibaba Product Insights" le cui pagine restituiscono **404**; una percentuale di malfunzionamenti e un dato di retention delle sessioni non rintracciabili; un "Claude +10-20% end-to-end" attribuito a **Skywork**, che in realtà aveva confrontato il proprio agente Windows piuttosto che Claude rispetto al web; una fonte "Cosmo Edge" non rintracciabile; citazioni Zenken AI non confermate; e due post X non autenticati e privi di URL. Il controsegnale è documentato con lo stesso rigore: Yuri Dvoinos descrive un'app Claude Desktop che *"mi fa venire voglia di buttare il portatile dalla finestra"* — utilizzo CPU al 68%, input lag su un MacBook Pro — e il rapporto rileva che entrambe le app sono build **Electron** con livelli nativi. Da qui la formulazione: *il vantaggio del desktop è una promessa di implementazione, non una legge di natura.* **Il "So What"**: poiché il modello è diventato il comune denominatore, l'interfaccia diventa il terreno di scontro — la fusione **Codex + ChatGPT** del 9 luglio 2026 e il tandem Cowork/Computer Use raccontano la stessa storia, *"l'app desktop non è più un client di chat, è un runtime agentico con accesso alla macchina."* Tre conseguenze: il guadagno è un guadagno di **attrito**, non di potenza; per un CIO, il desktop **sposta il confine di fiducia** — Computer Use richiede permessi di sistema sensibili e la fusione Codex colloca esecuzione del codice, browser e connettori all'interno di *"un unico confine di fiducia esteso,"* mentre il browser resta governabile tramite SSO, DLP e CASB; e per chi pubblica, la fragilità delle cifre è essa stessa la notizia. **Il "Now What"** fornisce criteri di scelta individuali, una checklist per il CIO (censire i permessi, disattivare Computer Use e Cowork per impostazione predefinita, delimitare quali estensioni MCP sono autorizzate, organizzare distribuzione e aggiornamenti — su Linux, al di fuori del repository apt, Claude Desktop non si aggiorna da solo) e una direttiva editoriale: citare solo verbatim e date confermati.
#ChatGPT Desktop#Claude Desktop#versione web
**Deep Research Veille Interne** — rapport non signé · produit par une enquête sourcée menée les **11-12 août 2026** et rendu le 12.
Resoconto di esperienza pubblicato su **LinkedIn Pulse** il **12 agosto 2026** da **Guillaume Dumortier**, nella sua newsletter *Growth Marketing Fit*, con il sottotitolo *« Four layers, a lot of rebuilding, and the failure modes nobody warns you about »*, ~2.500 parole. Il tema: un sistema AI interno costruito **in Claude** per un team marketing di una sessantina di persone — una trentina di **skill** di contenuto e vendita, una dozzina di **moduli source-of-truth**, **sette agenti, sei dei quali esistono solo per verificare il lavoro anziché produrlo**, un **plugin** per chi vive nel terminale, un'**applicazione browser** che porta la stessa conoscenza a tutti gli altri, e un'orchestrazione che concatena tre o quattro asset in un *campaign bundle*. La tesi è posta fin dall'inizio: la qualità di un output AI non si determina al momento della generazione, ma da ciò che il sistema sa prima di iniziare e da ciò che accade alla bozza in seguito — *« The generation step in the middle is the easy part. It's also the only part most teams have built. »* Da qui quattro livelli: **Truth** (quasi nessuno lo costruisce), **Production** (tutti), **Verification** (quasi nessuno), **Internal distribution** (*« where good systems die of neglect »*). Due meccanismi di fallimento sostengono l'articolo. **(A) Il « pass » a mondo chiuso nudo del verificatore**: un fact-checker basato sulla documentazione di prodotto riceve una bozza contenente un'affermazione su un altro prodotto, che le sue fonti non coprivano — restituisce un *« pass »*, non perché l'affermazione fosse vera ma perché nulla la contraddiceva. *« It didn't just miss the error, it certified it. »* Correzione: vietare un verdetto nudo e richiedere che ogni rapporto dichiari la propria **copertura** — quante affermazioni sono state controllate, quante corrispondevano a fonti, quali cadevano fuori dalla sua giurisdizione, quali non erano possedute da nessuna fonte. *« "I can't verify this" became a first-class result. »* **(B) La contraddizione tra asset**: due asset possono essere ciascuno individualmente corretto, ciascuno riconducibile a una fonte reale, e comunque contraddirsi a vicenda — il comunicato stampa indica una data, il post del blog un'altra, entrambi passano, il bundle non può essere pubblicato. *« Per-asset verification can't catch that, by construction. »* Clausola conclusiva dell'articolo: *« The generation is free. The trust is the product. »*
**Guillaume Dumortier** — auteur de la newsletter LinkedIn **Growth Marketing Fit** (~1 300 abonnés à la publication). Il écrit en **praticien-constructeur** : il a passé *« une longue partie de cette année »* à bâtir et exploiter le système décrit. La légende de l'illustration précise le socle technique — *« A custom-built Marketing AI OS within Claude »*. Publié le **12 août 2026**.
Lungo articolo pubblicato su **X** il **11 agosto 2026** da **Jesse Zhang**, CEO di **Decagon** (agenti IA per il servizio clienti), sotto un titolo a forma di dilemma — *« To FDE, or not to FDE? »* — dedicato al **Forward Deployed Engineer**, diventato *« la risposta a quasi ogni domanda difficile nel go-to-market dell'IA »*. Osservazione di partenza: Anthropic e OpenAI hanno costruito bracci di deployment enterprise esplicitamente modellati su Palantir, *« ogni azienda a stadio seed »* pubblicizza un'offerta FDE, e le offerte di lavoro per questo titolo sarebbero aumentate di diverse centinaia di punti percentuali in un anno. **(A) La genealogia Palantir** fornisce il quadro di riferimento: la formula di **Shyam Sankar** (CTO), *« FDEs eat pain and excrete product »*, e il richiamo di **Joe Lonsdale** secondo cui Palantir ha trascorso quasi vent'anni a essere definita una *« glorified consultancy »* sulla base di un'osservazione accurata. Le implementazioni su misura di **Gotham** (CIA, NSA, intelligence militare) sono state codificate in primitive di piattaforma — ontologia, modelli di oggetti, permessi, motori di workflow, tracciamento della provenienza — che sono diventate **Foundry**, poi Apollo e AIP; la standardizzazione ha portato il margine lordo intorno all'80% e Palantir è passata da un modello basato su FDE a una vendita account-based, con molti FDE migrati verso l'ingegneria core. *« The pain was the input to the product, not a cost of sale. »* **(B) Il criterio proposto** non è rinunciare agli FDE ma sapere quando fermarsi: partire presto, poi chiedersi se si sta ancora **scoprendo** — *« The trap is not starting. It's not stopping. »* **(C) Una distinzione che pochi fanno: FDE ≠ implementazione.** *« Building that integration into their ticketing system »* è lavoro reale, ma è esecuzione contro una specifica nota, non scoperta di una specifica ignota; confondere le due cose *« is how a company convinces itself that a growing services org is a product investment »*. Frase di chiusura: *« If your FDEs are eating pain and excreting more pain, you don't have an FDE team. You have a services business. »* Vengono avanzate due cifre riguardo a Decagon — *« two-thirds of deployment work is now done autonomously via Duet »* e *« a few days on average to launch the first AOP, even for large banks, airlines, telcos »* — senza che venga definito il denominatore del "deployment work" né sciolto l'acronimo AOP.
#Forward Deployed Engineer#FDE#ingegnere integrato presso il cliente
**Jesse Zhang** — cofondateur et **CEO de Decagon** (agents IA de service client, San Francisco) · 85 000 abonnés sur X · site personnel `jessezhang.org`. Il cite son cofondateur **Ashwin Sreenivas** · **ex-Palantir** · d'où la profondeur du récit Palantir. Publié le **11 août 2026**.
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.
Editoriale approfondito pubblicato su **sfeir.com** il 1° agosto 2026, a firma di **SFEIR** (la voce editoriale dell'azienda). Riunisce **due pubblicazioni del luglio 2026** dalle metodologie opposte — l'esperimento sul campo preregistrato **"The Cybernetic Teammate"** presso **Procter & Gamble** (Dell'Acqua, Ayoubi, Lifshitz, Sadun, **Ethan Mollick** et al., *Organization Science* 37(4), 2026) e il primo report della serie **"Work at the Frontier"** di **OpenAI Economic Research** (27 lug. 2026, oltre 800.000 messaggi di utenti ChatGPT statunitensi) — in un'unica tesi: *"l'IA generativa non si limita ad accelerare il lavoro esistente, ridistribuisce chi fa cosa."* L'architettura si sviluppa in quattro tappe: **il meccanismo** (P&G: l'IA agisce come dispositivo di *boundary-spanning*, cancellando i silos funzionali — un individuo + IA raggiunge il livello di una coppia senza IA, **+0,37 σ**), **la scala** (OpenAI: il **43,5%** dei messaggi specifici a una professione esce dalla professione dell'utente stesso), **l'agenda** (Mollick: le barriere si stanno assottigliando, la divisione del lavoro va ripensata, e una ricomposizione ben orchestrata "ripaga ampiamente"), poi **la risposta dell'azienda** — la **Skill Based Organisation (SBO)**, adottata in SFEIR su impulso di **Rosalie Zandona** (VP People & Culture): la **competenza effettivamente operativa** sostituisce la job description come unità di organizzazione (**fino a 13 competenze individuate per ruolo**), passando da un'**identità basata sullo status** ("sono un manager") a un'**identità operativa** ("so progettare architetture complesse"). La mossa retorica è la prova per esempio interno: *"abbiamo fatto il passaggio internamente prima di raccomandarlo."* **Vengono segnalate tre riserve**: il passaggio alla SBO risale a **febbraio 2026**, quindi *precede* la diagnosi che dovrebbe risolvere (l'ordine argomentativo inverte l'ordine cronologico); **nulla nei dati dimostra** che un'organizzazione basata sulle competenze assorba il crossover meglio di una basata sui ruoli (un'ipotesi di design non testata); il risultato P&G circola **dal marzo 2025** (NBER w33641) — il "qualche settimana prima" si applica alla pubblicazione sottoposta a peer review, non al risultato in sé.
#Skill Based Organisation#SBO#organizzazione basata sulle competenze
**SFEIR** — ESN française « AI Only » (~850 ingénieurs, 8 agences France & Benelux). Voix éditoriale du cabinet (byline « SFEIR »).
Post e report di **OpenAI Economic Research** pubblicato il **27 luglio 2026**, primo numero della serie **Work at the Frontier**, che analizza **oltre 800.000 messaggi di utenti ChatGPT statunitensi**. **Concetto coniato**: ***task crossover*** — *« lavoro storicamente associato a un'occupazione che compare nell'uso dell'IA di persone di un'altra »*. **La cifra di apertura è in realtà due cifre, ed è questo il punto che la copertura mediatica perde**: il **16,8% dei messaggi legati al lavoro** riguarda compiti associati a un'altra occupazione, e il **43,5% dei messaggi specifici a un'occupazione**. L'imbuto metodologico spiega lo scarto: il **61,5% dell'uso è generico** (scrivere, riassumere, pianificare — troppo condiviso per contare come prova di crossover) ed è escluso; del **restante 38,5%**, il **43,5% è esterno all'occupazione** e il 56,5% è *« interno **o vicino** »* — l'estremo superiore è quindi calcolato su una base ridotta, mentre l'estremo inferiore è calcolato sull'intero uso professionale. **Per occupazione** (quota di messaggi specifici a un'occupazione che rimandano a un compito esterno): esperienza cliente **77%**, design **75%**, HR **69%**, legale **56%**, marketing **53%**, vendite **40%**, finanza **40%**, ingegneria **28%** — *« una maggioranza in cinque degli otto gruppi »*. **Due direzioni distinte di circolazione**: il design **importa** (35,2%) e **non esporta** quasi nulla (1,7%); l'ingegneria fa l'opposto (importa 18,5%, esporta 7,4%); **il marketing fa entrambe le cose** (importa 24,3%, esporta **8,9%**, la quota d'uscita più alta del campione). **Due compiti compaiono nella top 3 dei prestiti per gli altri sette gruppi**: **calcolo finanziario** e **risoluzione di problemi tecnologici**. **La heatmap, assente dalla copertura mediatica, è l'oggetto più ricco**: fornisce la distribuzione completa dei compiti per occupazione dell'utente, e la sua diagonale è sorprendente — l'ingegneria conserva il **53%** del proprio lavoro mentre l'esperienza cliente ne conserva solo l'**11%**, l'HR il **10%** e il design il **12%**. **Effetto dimensione**: la quota esterna all'occupazione scende dal **18,9%** (2-5 dipendenti) al **16,3%** (>100 dipendenti) — **ma solo « tra gli utenti medi »**, precisando OpenAI che *« tra gli utenti più intensivi, non osserviamo lo stesso andamento monotono »*, e concludendo in modo condizionale: *« l'IA **potrebbe essere** particolarmente utile come strumento generalista dove le risorse specializzate scarseggiano. »* **Statuto rivendicato**: un **segnale precoce**, visibile *« prima che le aziende riscrivano le job description o creino nuovi titoli di lavoro »*. **Riserva strutturale**: OpenAI misura l'uso del proprio prodotto, solo su utenti ChatGPT statunitensi, e presenta questa posizione come un vantaggio — *« la nostra finestra unica su come sta cambiando il mondo del lavoro »*.
#OpenAI Economic Research#Work at the Frontier#task crossover
**OpenAI Economic Research** — équipe de recherche économique d'OpenAI ; la page crédite simplement *« OpenAI »* et la classe sous les tags *Economic Research* et *2026*. Le billet est la porte d'entrée d'un **rapport PDF** (`work-at-the-frontier-report.pdf`) et s'adosse à un cadre antérieur de la même équipe · l'**AI Jobs Transition Framework** · dont il reprend la thèse que de nombreux métiers vont **se réorganiser** plutôt que disparaître.
Capgemini (Aiman Ezzat, CEO) — intervista a Investir, "numero speciale boss": IA agentique come svolta operativa, non solo un'ennesima tecnologia; 2 miliardi di euro investiti, +30% sullo sviluppo applicativo e −20% sugli incidenti, oltre l'11% dei bookings del Q1, TAM di oltre 400 miliardi di dollari all'anno entro il 2030 — ma "molto lontano dal plug and play" (Investir / Les Echos)
#Aiman Ezzat#Capgemini#IA agentique
Aiman Ezzat (directeur général de Capgemini) · propos recueillis par La Rédaction d'Investir
Editoriale di approfondimento pubblicato su **sfeir.com** il 23 luglio 2026, a firma **SFEIR** (la voce editoriale dell'azienda). È un **commento strategico alla nota Trésor-Éco n. 391** della DG Trésor (giugno 2026 — cfr. [[dgtresor-ia-effets-emploi-2026-06-30]]), letto attraverso la dottrina SFEIR « **amplificare l'IA piuttosto che subirla** ». L'articolo elogia il **tono prudente da economista** di Bercy (meccanismi più incertezza piuttosto che una previsione) e ne trae una **tesi in tre parti**: (1) **nessun effetto aggregato misurabile** allo stato attuale (due forze che si compensano — sostituzione vs. produttività — adozione UE ~20%); (2) un **unico segnale empirico solido, sui junior** (−16% di occupazione tra i 22-25enni esposti negli USA); (3) un **pericolo di lungo periodo che sposta la questione** — il **ritardo competitivo** (mancata adozione), non la distruzione di posti di lavoro. Il nucleo analitico che SFEIR mantiene: l'**elasticità dei prezzi** determina l'effetto sull'occupazione (il paradosso di **Jevons** applicato al codice) → l'argomento è **strutturalmente pro-occupazione per gli sviluppatori**. L'articolo **smonta la narrazione dei "licenziamenti IA"** (4,5-6,2% degli annunci di licenziamento negli USA, "labeling" al 59%) e segnala gli **angoli ciechi** della nota (lo scenario agentico relegato a una nota a piè di pagina; la velocità di diffusione non discussa; OpenAI/Anthropic diventati fonti per Bercy = un bias di fonte non segnalato). La **traduzione operativa di SFEIR** (per CIO/CTO): il valore migra verso intento/architettura/controllo, formare **ingegneri aumentati** (programmi **AI Champions**), ed evitare un'adozione affrettata (**workslop**, debito tecnico) tramite **context engineering** e governance.
#IA e occupazione#ritardo competitivo#mancata adozione
**SFEIR** — ESN française « AI Only » (~850 ingénieurs, 8 agences France & Benelux). Voix éditoriale du cabinet (byline « SFEIR »). Positionnement de la maison sur la transformation IA des DSI ; ce texte prolonge la ligne éditoriale portée notamment par Didier Girard (cf. [[girard-sfeir-ai4it-vs-ai4business-budgets-2027-2026-06-24]]).
Analisi SFEIR (voce di una società di consulenza, "la lettura di un ingegnere") che articola due framework troppo spesso confusi: lo **SDLC** (Software Development Life Cycle — *costruire il software in modo corretto e affidabile*) e il **PDLC** (Product Development Life Cycle — *costruire il prodotto giusto e avere successo sul mercato*). Tesi centrale: i due cicli non sono concorrenti ma **annidati** — lo SDLC è il sottoinsieme del PDLC **ospitato nella sua fase di sviluppo**; quando un team di prodotto raggiunge la fase di "build", al suo interno gira un ciclo SDLC completo (progettazione → costruzione → test → revisione → deployment). Lo SDLC è standardizzato (**ISO/IEC/IEEE 12207**, edizioni 2017 e 2026), con la sua genealogia di modelli (Waterfall 1970, modello a V, iterativo/spirale, **Agile 2001**, **DevOps/DevSecOps 2009+**) e le sue metriche **DORA** (throughput, stabilità, MTTR, change failure rate). Il PDLC, essendo il ciclo ombrello, si estende dall'**ideazione/discovery** al **ritiro dal mercato** (da non confondere con il **PLC** di marketing di Theodore Levitt, 1965, che descrive una *curva commerciale*, non un *lavoro organizzato*: "il PLC osserva una curva; il PDLC organizza il lavoro"). **Punto di svolta**: lo SDLC affronta nativamente **un solo rischio su quattro** — tramite il framework dei **"Four Big Risks" di Marty Cagan** (Valore → PM, Usabilità → Designer, Fattibilità → Lead Engineer, Sostenibilità economica → PM) — un'organizzazione eccellente sullo SDLC ma cieca sul PDLC produce "software che nessuno vuole" — la **"feature factory"** di John Cutler (successo misurato sull'output, non sull'outcome). **Perché l'IA cambia tutto**: l'IA generativa **comprime lo SDLC** (dati Google/JetBrains, maggio 2026: **~85% degli sviluppatori** usa regolarmente agenti di coding, **~41% del nuovo codice** è generato dall'IA; l'implementazione passa da settimane a ore), quindi il **collo di bottiglia si sposta a monte** — decidere *cosa* costruire (Marty Cagan, aprile 2026: "quando il costo della delivery crolla, il collo di bottiglia si sposta sulla discovery"). Conseguenze: DORA 2025 (~5.000 professionisti, 90% di adozione dell'IA) mostra una **correlazione positiva con il throughput ma negativa con la stabilità** (più funzionalità non validate significa più instabilità e rework); Andrew Ng (AI Startup School, luglio 2025) segnala team che **invertono il rapporto "1 PM per 4 ingegneri" in "2 PM per 1 ingegnere"**; e con lo **spec-driven development**, il confine PDLC/SDLC diventa **poroso** (la specifica di prodotto diventa direttamente eseguibile dagli agenti). **Cosa dovrebbe trarne un CIO**: uno SDLC potenziato diventa uno **standard di mercato, non un elemento di differenziazione** — bisogna strumentare la giunzione con il prodotto, esigere **specifiche eseguibili** come input, incrociare le metriche tecniche con le metriche di outcome, e **rifiutare** il ruolo di "fornitore di feature". Per un CPO: lo spostamento del collo di bottiglia verso la discovery è al tempo stesso una **promozione** (il giudizio di prodotto torna a essere una risorsa scarsa) e un **avviso ad agire** (industrializzare la discovery per raggiungere la parità con lo SDLC). Il framework interno di SFEIR ("Progettare e costruire nell'era agentica" — **ciclo a 11 fasi** + **Software Factory 10x**) si posiziona come la risposta sul lato ingegneristico, con l'**articolazione dei due cicli** come prossima leva. Conclusione: "man mano che il codice diventa una commodity, il margine si sposta verso il giudizio di prodotto e la governance."
Boris Cherny (Head of Claude Code) e Cat Wu (Head of Product, Claude Code) pubblicano un breve video su LinkedIn, "Reflecting on a year of Claude Code", in cui avanzano una tesi: **i ruoli di prodotto e ingegneria si stanno fondendo**. In Anthropic, il team di prodotto, il devrel e il design **scrivono tutti codice**; molti ingegneri **portano i prodotti end-to-end** (idea → sviluppo → legale/marketing/security → rilascio nel mondo). La loro conclusione: l'IA avvantaggia i profili con **curiosità**, **gusto per il prodotto** e propensione alla **titolarità end-to-end**. La scheda documenta soprattutto la **discussione nel thread dei commenti** (55 commenti, 28 sostanziali): un consenso che **riformula** la tesi — non sono i ruoli a scomparire, è che **spedire diventa economico**, il che sposta il valore verso il giudizio e la definizione del problema giusto — contrapposto a una minoranza lucida sul rovescio della medaglia (accountability, governance, proprietà intellettuale).
#Boris Cherny#Cat Wu#Claude Code
Boris Cherny (Head of Claude Code, Anthropic) et Cat Wu (Head of Product, Claude Code, Anthropic) — vidéo ~47 s publiée par Claude for Business sur LinkedIn · repartagée par Claude. Commentateurs cités : Omer K. · Syed T. · Andrei K. van Noordt · Kristóf Nagy · Natasha Egan · Natasha Newbold · Rehan Nazir · Noman A. · Kevin Schoovaerts · Sunny Vara · Paul Breuler · Ron H. · Mohammadjavad Sayadi · Chris Bounds · Mohamed Anis · Panny Malialis · David H. · plebs.me · James Hutchinson · Dewayne J Grunden II · e.a. (28 commentaires de fond retenus sur 55).
**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)
Netflix — Lettera agli azionisti Q2 FY2026: il GenAI si espande in produzione (≈300 titoli nel 2026), LLM per la scoperta e la ricerca in linguaggio naturale, strumenti AI lungo l'intero ciclo pubblicitario (Netflix)
Digest di tech-watch da fonti primarie sulla posizione di **Gregor Hohpe** (autore di *Enterprise Integration Patterns*, *The Software Architect Elevator*, *Cloud/Platform Strategy*; ex Enterprise Strategist per AWS e Google Cloud, ex Chief Architect di Allianz) riguardo al ruolo dell'architetto nell'era dell'IA generativa. Tesi: l'IA **non svaluta** l'architetto, ne **sposta il valore** dal codice a ciò che l'IA non fa — **prendere e assumersi decisioni, arbitrare i trade-off, "vendere opzioni," comunicare con gli esseri umani, produrre astrazioni solide**. Formula chiave (Craft Conference 2026): "*Developers mainly interact with machines… GenAI. In contrast, architects communicate with humans*". La sua tesi distintiva (l'architetto non dovrebbe essere la persona più intelligente della stanza, dovrebbe **rendere più intelligenti tutti gli altri**) si rafforza man mano che il codice diventa abbondante: il vantaggio deriva dalla **disciplina decisionale** e dal **far emergere trade-off nascosti**, non dal volume. Il digest analizza inoltre le sue posizioni per ruolo (enterprise architect: da **cartografo a esploratore**; software architect: **debug** delle decisioni piuttosto che scrittura di codice; platform architect: **astrazioni, non illusioni**), la sua metafora delle **opzioni reali** (valore crescente con la volatilità tecnologica, analogia con Black-Scholes) e i suoi avvertimenti ("*An AI-driven SDLC punishes bad habits much faster*"; i vincitori dell'IA si distingueranno per la velocità con cui passano dalla sperimentazione alla **produzione governata**). ⚠️ La formula ampiamente diffusa "gli architetti che usano l'IA sostituiranno chi non la usa" **non è di Hohpe**. Dominio: architettura del software, ruolo dell'architetto, processo decisionale, opzioni reali, piattaforme, GenAI nell'SDLC.
Nota di analisi SFEIR che ripercorre il ruolo dell'architetto software nell'era dell'IA generativa attraverso il framework di **Gregor Hohpe** (*The Software Architect Elevator*). Tesi centrale: l'architetto « **Oracolo** » — il supremo custode della conoscenza che emette regole dalla torre d'avorio — è superato, poiché l'IA genera codice e proposte su richiesta; l'architetto moderno diventa un **amplificatore di intelligenza (IQ Amplifier)** che fornisce ai team i modelli mentali, il contesto di business e gli strumenti decisionali per sfruttare l'IA garantendo al contempo la coerenza del sistema. Il documento scompone l'impatto **piano per piano dell'"Architect Elevator"** (Enterprise / Solution / Platform / Software architect) e argomenta a favore del **Domain-Driven Design (DDD)** come salvaguardia indispensabile: il **linguaggio ubiquo** sottende i *system prompt* (un dizionario di dominio iniettato tramite `.clinerules`/template, che riduce le allucinazioni e le interpretazioni errate del business), e i **bounded context** limitano l'ambito affidato all'IA per massimizzare l'affidabilità della generazione. Conclusione: l'IA non è una minaccia ma un catalizzatore che solleva l'architetto dai compiti tecnici di input per mettere in primo piano la sintesi, la visione strategica, la modellazione e il legame umano tra tecnologia e business. Dominio: architettura software, ruolo dell'architetto, DDD, prompting strutturato, governance dell'IA aziendale.
Prasanna Sankar (co-fondatore/CTO di Rippling, fondatore di Vorflux) pubblica "The Great Flattening" — un saggio-manifesto che sostiene che i modelli di coding sono diventati **sovrumani** e che il collo di bottiglia si è spostato dalla produzione di codice alla **codifica del giudizio** negli *agent harness*. Tutto, all'interno dell'organizzazione, "collassa verso l'harness"; il vero lavoro di ciascuno diventa *self-profiling*: estrarre i framework decisionali taciti dalla propria testa per codificarli nella codebase. Lancio simultaneo di Vorflux ("autopilot for software engineering"), seed da 15 milioni di dollari (Y Combinator, Peak XV Partners, Alliance DAO). Il saggio ha totalizzato oltre 60.000 visualizzazioni su X in 24 ore.
#Great Flattening#Vorflux#Prasanna Sankar
Prasanna Sankar (Prasanna S, @myprasanna) — co-fondateur et ex-CTO de Rippling ($16B+ valorisation) · fondateur et CEO de Vorflux AI. Article publié sur X (format long-form article) le 14 juillet 2026 · contenu repris comme manifeste Vorflux (vorflux.com/manifesto).
Messaggio di **Linus Torvalds** sulla mailing list **linux-media** (thread "Linking Patchwork with Sashiko?", relativo a uno strumento LLM per l'assistenza ai maintainer), in cui il creatore e **top-level maintainer** del kernel Linux **fissa ufficialmente la posizione del progetto sull'IA**. Rispondendo a Roman Gushchin, che aveva fatto notare come un messaggio ostile esprimesse una posizione "molto anti-LLM in generale", Torvalds concorda ("Yes") e poi **nega categoricamente che questa sia la posizione del kernel** ("And no, that's not the position of the Linux kernel"). **Batte i pugni sul tavolo** come maintainer supremo: **"Linux is not one of those anti-AI projects"**; chi non è d'accordo può **"do the open source thing: fork it"** — "or just walk away". **Tesi centrale**: **"AI is a tool, like the other tools we use, and clearly a useful tool"**; forse non era "così 'chiaramente' vero un anno fa, ma oggi non è in discussione". Distingue le questioni **ancora aperte** ("what the AI economy will actually look like in the end") dalla questione che è **risolta** ("is it useful?") — "anybody who doubts that clearly hasn't actually tried it". **Ammette** che lo strumento può essere **"painful"** — carico per i maintainer, e il fatto che "continua a trovare bug imbarazzanti" — ma rifiuta la postura da struzzo ("put your head in the sand going 'La La La, I can't hear you'"). **La risposta giusta**: fare in modo che gli **strumenti LLM aiutino i maintainer** invece di causare loro dolore. **Non coercizione, deliberatamente**: "nobody is forced to use it, but **I will very loudly ignore those who try to prevent others from using it**". Sull'imperfezione: "AI isn't perfect, but hell, anybody who points at its problems had better also point at the mirror" — "**natural intelligence isn't always all that great either**". **Quadro di governance**: il progetto kernel "has always been and will remain about **technology**"; l'aspetto sociale dell'open source è un "side benefit, not the _point_"; **"this is *NOT* some kind of 'social warrior' project, never has been, never will be"**; "we do open source because it results in **better technology**, not for religious reasons". Conclusione programmatica: **"we decide based on technical merit first. Not on fear of new tools."** Da leggere come una **dichiarazione di posizione dottrinale** da parte di una delle figure più influenti del software — in eco alla controtestimonianza pro-LLM di ESR (un altro pilastro dell'open source, [[raymond-llm-coding-empowering-2026-07-08]]).
#Linus Torvalds#Linux#Linux kernel
Linus Torvalds ([email protected]) — ingénieur logiciel finlando-américain · **créateur et mainteneur suprême du noyau Linux** (depuis 1991) et de **Git** (2005). Employé de la **Linux Foundation**. Figure centrale et notoirement franche de l'open source · dont la parole sur les mailing lists du kernel fait autorité et jurisprudence dans la communauté. S'exprime ici en sa qualité de **top-level maintainer** pour fixer la position officielle du projet vis-à-vis des outils d'IA. Autres participants au thread cités : Roman Gushchin (linux.dev) · Laurent Pinchart · Mauro Carvalho Chehab · Konstantin Ryabitsev (Linux Foundation) · Steven Rostedt · Stephen Finucane · Jason Gunthorpe · entre autres. (Message de mailing list linux-media ; date : 2026-07-14 ; date d'ajout à la veille : 2026-07-17.)
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.)
Un saggio di Jean-Paul Paoli (*The Intelligence Fabric*) che sposta la paura dell'IA sul lavoro: il vero pericolo non è la **sostituzione** (il posto che scompare) ma lo **sfilacciamento silenzioso** dei legami di squadra mentre *tutti restano occupati*. Tesi: quando ogni dipendente fa dell'IA il proprio **primo confidente e collaboratore**, tre "fili" del tessuto organizzativo si disfano senza licenziamenti — i **legami tra pari** (il trasferimento di conoscenza tacita da junior a senior cortocircuitato), il **legame manager-dipendente** (i segnali di allarme precoce scompaiono, il manager diventa "l'ultimo a sapere invece del primo") e il **giudizio professionale** (le persone smettono di formare chi sa *fare* il lavoro e valutare se la macchina sbaglia). Paoli chiama il fenomeno **shadow intimacy** (per analogia con lo *Shadow IT*) e prescrive non un divieto ma una "ritessitura" deliberata, filo per filo. Ambito: management, trasformazione organizzativa, IA sul lavoro, dipendenza emotiva dai modelli.
#Shadow intimacy#sostituzione IA#legami di squadra
Approfondimento (punto di vista) pubblicato su **sfeir.com** il 24 giugno 2026, a firma di **Didier Girard** (Managing Director, SFEIR). **Tesi centrale**: nel 2024 tutti puntavano sull'**AI4Business** (l'IA nei processi aziendali) come grande giacimento di valore; nel 2026 il quadro si è **ribaltato** — è l'**AI4IT** (l'IA per produrre il sistema informativo: codice, SDLC, fabbrica del software) a generare valore **misurabile**. L'articolo *fonda* questa tesi sulla veille tecnologica dell'azienda: delusione dell'AI4Business (lo studio del MIT "95% dei pilot senza ROI", contestato ma rivelatore; un blocco **organizzativo** / il problema hayekiano di Mollick) contro le evidenze quantificate dell'AI4IT (Salesforce, Intercom, Raiffeisen, AWS/Bedrock, Atlassian, DORA). Spiegazione meccanicistica: **il codice si verifica da solo** (compilazione, test, CI) mentre i processi aziendali non hanno né compilatore né loop di feedback immediato. **Conseguenza sui budget 2027**: uno spostamento **CapEx→OpEx**, la dinamica del prezzo dei token (picco in salita — Fable 5 a 2× Opus — contro un'inferenza ÷280 e la pressione al ribasso dei pesi aperti/dell'inferenza desktop), e un **AI FinOps** guidato dal **costo per risultato**. Si chiude con **4 raccomandazioni per il COMEX**.
#AI4IT#AI4Business#ribaltamento
**Didier Girard** — Managing Director (CTO / DG) de **SFEIR** · ESN française (~1 000 personnes, France · Belgique · Luxembourg · Suisse). Auteur de l'article ; voix éditoriale du cabinet sur la transformation IA des DSI.
Intervista podcast « À la French » (canale tech in lingua francese, registrata al DevSummit) con Mathieu Grymonprez, Global CDO del gruppo Adeo (Leroy Merlin, Obramat, Weldom). Come un gruppo retail familiare centenario abbraccia l'ondata dell'IA agentica: cultura vs struttura, accountability, costo dei token e FinOps, lock-in dell'intelligenza aziendale, memoria d'impresa e orchestrazione degli agenti. Dominio: trasformazione digitale, IA agentica, retail, strategia IT.
#IA agentica#trasformazione digitale#CDO
Mathieu Grymonprez (Global CDO, groupe Adeo) — invité ; Jean-Baptiste Kempf · Steeve Morin · Mehdi Medjaoui (hôtes du podcast « À la French »)
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
Caso di studio pubblicato dal **Cornell AI Innovation Hub** (15 giugno 2026): come una collaborazione durata due semestri tra l'AI Hub, studenti laureandi e il team Treasury di Cornell ha trasformato un'indagine manuale dispendiosa in tempo in uno strumento AI che ha **recuperato $100.000** in pagamenti non identificati su un primo lotto. Un caso d'uso **AI4Business** riuscito (processo finanziario) che illustra quasi punto per punto il framework **Leader-Lab-Crowd** di **Ethan Mollick**: l'**AI Hub** interpreta il ruolo del **Lab** (un team centrale e ambidestro di tecnologi più studenti); il **Treasury** (Cheryl Barnes, Marie Graves…) è il **Crowd** che porta la conoscenza di business e il punto di dolore reale; e i **$100.000** costituiscono la **ricompensa visibile** (vivid win) che ancora l'adozione — esattamente la leva di incentivo che Mollick considera decisiva. Metodo chiave: **"prima il contesto, poi il piano, poi la costruzione"** tramite **Claude Code Plan Mode**, una catena di **fuzzy matching → Gemini Enterprise Web Search → sintesi Claude**, tutto all'interno del **Cornell AI Gateway** governato. *"I $100.000 sono un inizio."*
#Cornell AI Innovation Hub#pagamenti non identificati#riconciliazione pagamenti
**Pete Stergion** — Desktop Engineer au Cornell AI Innovation Hub · co-tech lead du projet (avec Phil Williammee). Article institutionnel signé de l'AI Hub.
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.
Saggio cardine di **Dan Shipper** (CEO Every) pubblicato il **21 maggio 2026** su every.to, *"After Automation"* — una risposta argomentata alla tesi del collasso del lavoro intellettuale guidato dall'IA. **Tesi cardine**: il progresso dell'IA crea **più lavoro per gli umani, non meno**. Meccanica del ciclo (***"il ciclo di commodificazione"***): (1) l'IA rende merce (commoditizza) la competenza umana di ieri; (2) quella competenza a basso costo viene ampiamente adottata → abbondanza; (3) l'abbondanza produce *uniformità* (lo *"slop"*); (4) gli umani chiedono differenziazione → domanda rinnovata di esperti; (5) gli esperti usano l'IA per affrontare i problemi di oggi → il ciclo riparte. **Citazione canonica**: ***"There's more work to do than ever"***; ***"AI commoditizes the residue of human expertise, creating demand for what's different"***. **Quadro concettuale centrale — Frame vs. Framer**: i benchmark misurano la performance ***"within frames"*** (inquadrature specifiche del problema); una volta saturata, *cambiare l'inquadratura azzera il contatore* — i modelli **progrediscono all'interno delle inquadrature ma non sostituiscono chi le definisce**. Formula cardine: ***"the frame is not the framer"***. Anche all'AGI, gli umani devono **specificare gli obiettivi e interpretare i risultati** — *"the frame problem regenerates one level up"*. **Il "Human Sandwich"**: l'umano imposta l'inquadratura → l'IA esegue → l'umano giudica ed estende. **Due modalità di lavoro con gli agenti**: (a) ***agent employees*** — delega asincrona (collega / incorporato — Claudie, Andy, Viktor, Fin); (b) ***human-AI collaboration*** sincrona (Claude Code e equivalenti). **Dati Every**: il 95% delle email del CEO è processato dall'IA; **Fin (Intercom) risolve il 65% delle conversazioni di supporto**. **Il paradosso di Zenone dell'IA**: l'IA riduce continuamente il divario, ma gli umani restano "la tartaruga davanti" perché sono ***"alive to a specific moment"*** — *"running wants, running concerns"* — mentre i modelli operano su dati di addestramento storici. **Benchmark dettagliati**: **GPT-5.5 = 62/100 sulla riscrittura di codebase Senior Engineer** (contro un 80-90 umano); **GDPval**: 40-49% del livello umano esperto, **ma con un'ampia inquadratura umana**. **OpenClaw 44.469 PR** a maggio 2026 (contro le 5.200 di Kubernetes nel 2022) — prova che il lavoro agentico crea *"more work"*, non *"less human work"*. **Implicazioni per l'AGI**: anche all'AGI, il **framer umano** resta strutturalmente in vantaggio — affrontando problemi *"current, situated"* mentre il modello opera su *"historical training data"*. **Conclusione anti-tipping-point**: non è un evento di svolta, è ***uno schema persistente*** che definisce il futuro del lavoro. **Rilevanza principale**: una contronarrazione esplicita a *Amodei white-collar bloodbath* / *Sun permanent underclass* / *Anthropic Economic Index* — Shipper, **CEO di un'azienda che vive quotidianamente con gli agenti**, offre il quadro teorico che concilia le due osservazioni empiriche (l'IA fa di più + gli umani restano indispensabili). Forte convergenza con **Ng "No AI jobpocalypse"** (2026-05-08), **Mollick × roon ASI / FDE** (2026-05-10), **Tatsyi/Raiffeisen "AI made engineers different"** (2026-05-05), **Curran/Intercom 3× R&D** (2026-04-16) — tutti descrivono gli umani come *ridistribuiti verso l'inquadratura* piuttosto che *sostituiti*. Tensione produttiva con **Sun NYT permanent underclass** (2026-04-30), **Wallace-Wells AI populism** (2026-05-08), **Osmani Cognitive Surrender** (2026-05-05 — il framer umano deve restare attivo). Da valorizzare per COMEX / DG / consigli di amministrazione: vocabolario strategico per il 2026 — *"frame vs framer"* diventa la griglia canonica per la governance dell'IA.
#Dan Shipper#Every#after automation
**Dan Shipper** — CEO et co-fondateur de **Every** (média / studio AI-native, créateur de la newsletter *Every*, propriétaire du framework et plugin *Compound Engineering* — cf. fiche `shipper-klaassen-compound-engineering-every-agents-2025-12-11.md`). Profil rare : **opérateur-théoricien** · dirige une organisation entièrement augmentée par l'IA (95 % emails CEO automatisés, agents Claudie/Andy/Viktor en production, Fin pour le support) tout en publiant régulièrement des essais conceptuels sur every.to. Voix éditoriale anglo-saxonne de référence dans le corpus 2025-2026 sur les **modes de travail humain-IA**. Article publié sur **every.to/p/after-automation** le **21 mai 2026**.
Articolo pivot **Ivan Chepurin & Travis Turner** (Evil Martians Chronicles, **May 19, 2026**) — ***« AI-assisted engineers are burning out, is this fine? »*** — **diagnosi strutturata del burnout tra gli sviluppatori assistiti dall'IA** e un **toolkit di intervento a 5 assi**. **Tesi pivot**: la produttività accelerata dall'IA nasconde un **costo occulto — l'esaurimento dello sviluppatore**. *« Higher productivity doesn't translate to sustainable work practices or job satisfaction. »* Epigrafe di Shunryu Suzuki sull'agitazione mentale. **TL;DR — 3 rimedi essenziali**: (1) ripristinare il piacere del processo, (2) ricostruire realizzazione / ownership / orgoglio, (3) rimuovere la pressione della massimizzazione continua della produttività. **Cornice narrativa centrale — Ben vs Alice**: Ben (coding tradizionale) = 4 h di lavoro costante, carico cognitivo distribuito, soddisfazione al completamento; Alice (assistita dall'IA) = 2 h di lavoro ad alta intensità cognitiva, task-switching continuo, **nessuna soddisfazione** + riempie il tempo liberato con più task → **escalation esponenziale del carico** nonostante l'output accelerato. **Formula canonica**: ***« We compensate for a lack of satisfaction with work quantity. »*** **Disgregazione strutturale del ciclo dell'artigianato**: (pianificazione → creazione → risultato) compresso in (pianificazione → risultato), rimozione della fase meditativa di creazione sostituita da **code review cognitivamente impegnativa**. Convergenza diretta con lo **studio HBR 2026** (citato): *« cognitive exhaustion from intensive oversight of AI agents is both real and significant »* + **ricerca UC Berkeley 2026**: i lavoratori riempiono le pause naturali con task IA. **Quiet career change** — concetto pivot: gli sviluppatori assunti per programmare ora svolgono **un lavoro diverso senza una transizione di carriera consapevole**. 4 percorsi possibili: (1) trovare piacere nella nuova struttura (prioritario), (2) ignorare l'IA, (3) lavorare senza piacere (insostenibile), (4) cambiare carriera. **5 fattori quotidiani di burnout identificati**: (1) ***Losing context*** — l'agente porta la comprensione del progetto all'esterno, spostamento del debito cognitivo dal codice alle persone, perdita dell'intuizione di sistema; (2) ***No time for passive thinking*** — *« The model fills the silence before your own thinking has a chance to connect dots »* (docce, passeggiate eliminate come momenti di risoluzione inconscia dei problemi); (3) ***False expectations*** — velocità iniziale = baseline irrealistica, rallentamenti successivi vissuti come fallimento; (4) ***Review bottlenecks*** — *« the more code is generated, the more code needs to be reviewed »*, carico cognitivo sproporzionato sui senior, diffusione della responsabilità; (5) ***Endless possibilities*** — bassa frizione di prompting incoraggia pivot costanti, assenza di scoping naturale. **Toolkit a 5 interventi**: (a) **Acknowledge your wins** (win-log, demo di team, tracker delle ore); (b) **Rethink AI workflow** (pianificazione > review, **max 3-4 iterazioni**, niente task-switching parallelo, separare i task IA-intensivi con pause, decomporre); (c) **Keep exercising your craft** (ore di artigianato protette senza IA, *modalità « ask » > modalità generazione*, agenti spenti sui progetti personali); (d) **Discipline + work-life balance** (orari fissi, pause reali, intenzioni quotidiane, fermarsi quando finito); (e) **Find new areas of interest** (ricerca utente, soft skills, analytics, fine-tuning degli agenti + guardrail, ottimizzazione delle performance). **Conclusione**: *« AI can be helpful. Problems appear only if you misuse it. »* Evoluzione del settore = inevitabile; benessere individuale = controllabile. Convergenza importante con **Osmani Cognitive Surrender** (2026-05-05), **Frizzo "Year With Claude Code"** (2026-05-05 — *« writing muscle atrophy »*, *« deep flow rare »*), **Bedard BCG/HBR Brain Fry** (2026-03-05 — 1.488 dipendenti, picco di 3 strumenti, +39% errori, +39% intenzione di lasciare). Rilevanza importante per **CTO / VP Engineering / IT HR** alle prese con la retention degli ingegneri potenziati dall'IA nel 2026.
#Ivan Chepurin#Travis Turner#Evil Martians
**Ivan Chepurin** & **Travis Turner** — auteurs Evil Martians (cabinet de conseil ingénierie indépendant, Berkeley/global, ~150 ingénieurs, spécialiste Ruby on Rails / React / produits SaaS depuis 2010 ; éditeurs du blog *Evil Martians Chronicles* — référence dans la communauté Rails et JS). Article publié dans la catégorie **AI / Developer Community** sur evilmartians.com le **19 mai 2026**. Profil Evil Martians : voix éditoriale **opérateur-praticien** · articles longs ancrés dans le terrain produit · registre **soin du craft + lucidité business** · public habituellement développeurs / CTO / fondateurs early-stage.
Lancio di **AI/works™**, una **piattaforma di sviluppo agentico** rivendicata da **Thoughtworks** come *"il nuovo standard per costruire e gestire sistemi di livello industriale nell'era dell'IA."* Il messaggio centrale è **economico**: *"il vecchio modello ti faceva pagare milioni per costruire, gestire, poi pagare di nuovo per ricostruire — AI/works™ pone fine a questa routine."* La piattaforma copre **l'intero SDLC** attorno a un concetto centrale, la ***Super Spec*** (una specifica dinamica e unificata che copre architettura, workflow, sicurezza, dati, UX), con **sei capacità**: Reverse Engineering (legacy → specifiche as-is), Dynamic Spec Development (requisiti grezzi → Super Spec), Spec to Code (agenti coordinati che generano codice testabile), Developer Experience (golden path governati), Control Plane (orchestrazione degli agenti con trasparenza dei costi, guardrail attivi, tracciabilità end-to-end), Runtime Ops (monitoraggio continuo che rileva i cambiamenti, aggiorna la Super Spec, rigenera il codice impattato). Metodologia **3-3-3**: 3 giorni per allinearsi sul concetto di prodotto, 3 settimane per il prototipo (desiderabilità/vitalità/fattibilità), 3 mesi per l'MVP in produzione. Riconoscimento di **Constellation Research**: *"cambiare l'economia della fornitura di software enterprise"* tramite un approccio *"spec-driven, lifecycle"*. Slogan di apertura: ***"We are doing it again for the AI era"*** — che richiama l'eredità XP/CI-CD/microservizi di Thoughtworks. Posizionamento anti-hype: *"si basa su un fondamento ingegneristico piuttosto che sull'entusiasmo"*, *"nessuna folla di consulenti"*, *"la finanza può aprire la fattura senza accendere le luci di emergenza."* Partner in evidenza: AWS, GCP, Azure, Databricks, Snowflake + Claude, OpenAI, DeepSeek, Gemini, Grok + NVIDIA, Groq, Stripe, Spotify, CAST, Cyn DX, Mechanical Orchard.
#Thoughtworks#AI/works#AI works trademark
**Thoughtworks** (auteur collectif corporate, page produit/marketing). Aucun individu cité sur la page. Contexte des figures Thoughtworks pertinentes en arrière-plan : **Martin Fowler** (chief scientist emeritus, *Refactoring*, *Patterns of Enterprise Application Architecture*) · **Rebecca Parsons** (CTO emeritus) · **Birgitta Böckeler** (Distinguished Engineer, *Harness Engineering for Coding Agents*, fiche 2026-04-02) · **Matt Kamelman** (*Service-as-Software*, fiche 2025-12-03) · **Sam Newman** (*Building Microservices*).
Il test di coerenza di Ethan Mollick (Wharton): sapremo che i laboratori di IA credono davvero nell'ASI il giorno in cui scioglieranno i loro team di *Forward Deployed Engineering* (FDE). Dibattito pubblico con roon (OpenAI) su LinkedIn: roon obietta che si tratta di un **problema hayekiano** (l'intelligenza non risolve automaticamente il flusso di informazioni organizzativo) e rilancia il termine "**Gentle singularity**". Consenso nei commenti: la tecnologia è la parte facile; la politica interna / i flussi di lavoro legacy / la responsabilità contrattuale sono il vero collo di bottiglia. Frase marcatore: *"Curare il cancro potrebbe essere più facile che sostituire Accenture"*. Opposizione epistemica **East Coast vs West Coast** sulla traiettoria dell'adozione dell'IA.
#ASI (Artificial Super Intelligence)#Forward Deployed Engineering (FDE)#consulenza IA
Dibattito televisivo su BFM Business (programma *Tech & Co Business*, segmento "The Debate", 17 minuti) con **Rémi Jacquet** (CEO di Cast Software France, fondatore nel 2023 di un think tank di circa un centinaio di CIO sull'impatto dell'IA generativa sullo sviluppo, partnership con Cigref / Epita) e **Didier Girard** (CTO e CEO di **SFEIR**, una società francese di servizi informatici (ESN) di circa 1.000 persone). Tesi forti: *"scrivere codice è diventato un anti-pattern"* (Girard), l'IA produce codice di qualità superiore rispetto alla maggior parte degli ingegneri ed è *"da 2 a 10 volte più efficiente"* — questa è una realtà, ma la professione non sta scomparendo. Lo sviluppatore diventa un **direttore d'orchestra / agent manager / arbitro**, gli sprint di 14 giorni sono sostituiti da ***bolt*** da un'ora a mezza giornata, il **Pizza Team** (8-10 persone) non funziona più nell'era agentica, sta emergendo un nuovo ruolo — il ***product engineer*** —, la durata di vita di una competenza scende da **10 anni a 1 anno**, e il consumo di **token** diventa il *carburante* della creazione di valore (aneddoto NVIDIA che pagherebbe bonus in token, metafora del tassista che non consuma benzina). SFEIR rivendica *"1.000 persone, capacità produttiva di 10.000"*. Sul fronte Cast: posizionamento sull'***harness engineering*** (IA deterministica vs probabilistica, controllo e guardrail), in linea con l'editoriale di Sylvain Duranton (BCG X) su *Les Échos* che afferma che *"un agente = un LLM + harness"*. Svolta storica: 2024 *prompt engineering* → 2025 *context engineering* → 2026 *harness engineering*. Avvertimento chiave: *"più l'IA diventa potente, più abbassiamo la guardia — più aumentano i rischi"* (Jacquet). Ruolo cardine delle HR nella trasformazione, revisione completa dello SDLC, raccomandazione ai junior di consolidare le basi dell'architettura software (*"il codice è lo spartito, bisogna padroneggiare la sinfonia"*).
#BFM Business#Tech & Co Business#dibattito televisivo
Editoriale su LinkedIn Pulse di Alexandre Frizzo dopo un anno di utilizzo quotidiano di Claude Code, che offre una **valutazione sfumata** rara nel corpus 2026 — produttività **moltiplicata per 3-5×** nel suo caso (coerente con Wescale, e in linea con la mediana dei praticanti impegnati; la coda d'élite va molto più in alto, cfr. Cherny *decine di PR/giorno + record di 150 PR* e Karpathy "picchi molto superiori a 10×"), ma **costi cognitivi nascosti** riconosciuti. Tesi cardine: ***"il nuovo collo di bottiglia è la supervisione"*** — il lavoro ha cambiato forma, non si *scrive* più codice, si *decide* sul codice generato dagli agenti. Guadagni: output 3-5×, progetti prima infattibili ora realizzabili (yak-shaving, boilerplate), costo di sperimentazione quasi nullo. Perdite riconosciute: ***"muscolo della scrittura"*** atrofizzato (il codice manuale ora risulta *faticoso*), **stato di flow profondo raro** (context-switching costante tra le supervisioni), **soddisfazione di appartenenza ridotta** (*"il codice è buono, ma non è proprio mio"*). Tensioni irrisolte: **FOMO** (*"ogni ora in cui non sono alla tastiera è un'ora in cui un agente potrebbe star guadagnando per me"*), **qualità della revisione** a volumi 3-5×, **atrofia delle competenze**. Statistiche citate: mediana di 3-4h di codifica effettiva su una giornata di 8h, **23 min** di recupero del contesto per interruzione (studio di Gloria Mark), 15-25 min per entrare in flow, 500% di produttività in flow (McKinsey). Posizione epistemica esemplare: rifiuta simultaneamente la narrazione *"l'IA è negativa"* e l'entusiasmo acritico. Un contrappeso benvenuto a *"coding is solved"* di Cherny (2026-05).
#Alexandre Frizzo#LinkedIn Pulse#anno con Claude Code
Alexandre Frizzo (auteur LinkedIn Pulse, identité tech non précisée par le post au-delà du nom — auteur d'une tribune one-year retrospective Claude Code).
Articolo metodologico di Antoine HABERT (WEnvision) che formalizza **PROJ-AI**: uno strato metodologico leggero affinché i progetti collettivi diventino trasferibili invece di morire con il loro deliverable. Triade strutturante: un **repository git versionato** (fonte unica), un **agente AI** (Claude Code, Cursor) che legge la dottrina a ogni sessione, e una **dottrina markdown** che specifica i protocolli decisionali e i comportamenti dell'agente. Sei zone di directory (DOCS/, IDEAS/, DR/, OUT/, DOCTRINE/, AGENT/), ciclo operativo **DPEV** (Decide → Promise → Execute → Verify), Decision Record valutati su 7 dimensioni, interfaccia duale (Studio business + CLI/IDE tecnica), cinque direttive per l'agente, e una libreria condivisa **proj-ai-commons** che avvia un progetto in 30 minuti anziché 1 settimana. Metriche su 3 incarichi: onboarding **3 settimane → 2 giorni**, decisioni strutturali tracciate **30% → 100%**, compilazione della documentazione architetturale **6 settimane → continua**. Aforisma centrale: ***"Il progetto non è un sottoprodotto del deliverable. Il progetto È il deliverable."*** Posizione esplicita: tecnologia 20%, **disciplina del team 80%**.
#Antoine HABERT#WEnvision#PROJ-AI
Antoine HABERT (WEnvision — cabinet français de conseil en stratégie et IA agentique).
Editoriale su Medium di **Hryhorii Tatsyi** (CTO, **Raiffeisen Bank Ukraine**, ~900 ingegneri IT) che riporta uno **studio longitudinale di 12 mesi** (maggio 2025 → aprile 2026) sull'impatto reale dell'IA generativa in una grande banca europea. Tesi centrale: ***"L'IA non ha reso i nostri ingegneri semplicemente più veloci. Li ha resi diversi."*** A differenza dei resoconti individuali (Frizzo, Cherny) o di quelli a livello meta (Curran/Intercom), si tratta di una **valutazione organizzativa quantificata proveniente da una banca tradizionale e regolamentata** — un corpus ancora raro nel 2026. Risultati: **−75 persone (−8% dell'organico, di cui 64 ingegneri)** in 12 mesi, ma con **più codice rilasciato, meno incidenti, sicurezza migliorata**; adozione dell'IA **dal 62% all'83%**; **il 68% degli ingegneri riceve ≥50% del proprio codice tramite assistenza IA**; **onboarding dei nuovi ingegneri da 60-90 giorni a ~40 giorni** (coerente con i dati Anthropic di 82→40 giorni). Tre archetipi emergenti: (1) **Copilot-only** +10-25% sulle PR, stesso perimetro; (2) **Multi-tool** story point ×1,5-3, perimetro cross-repo +50-80%; (3) **Claude su stack aziendale** volume di codice ×4,5, perimetro radicalmente ampliato. **Sette prodotti IA costruiti** che prima non esistevano: Service Knowledge Hub (57 microservizi, 83 release/mese), Mobile Android workflow CI plan/implement/test, AI Agent Portal (2.085 utenti / 649 MAU in 87 giorni, generazione MCP tramite specifiche OpenAPI), Shift-left Security Plugin (−82% di segreti esposti), DevPortal Backstage + agenti di diagnostica Kubernetes (−68% del tempo di risoluzione degli incidenti critici), DRAIF MCP text-to-SQL su un Data Lake con 10.000 tabelle (embedding fine-tuned 2× rispetto a OpenAI), Call Evaluation (>97% di accuratezza nella trascrizione, votato miglior prodotto nel gruppo Raiffeisen). Stabilità: **incidenti bloccanti −70%, risoluzione critica −68%, allerte di sicurezza ad alta gravità risolte +155%**. Intuizione strategica centrale: ***"L'IA ha ampliato la nostra frontiera delle possibilità produttive, e abbiamo deliberatamente allocato la capacità liberata"*** — l'IA non fa la stessa cosa più velocemente, sposta **ciò che si può decidere di fare**. La domanda di valutazione da riformulare: non *"di quanto % sono aumentati i KPI esistenti"* ma ***"cosa hanno costruito i vostri ingegneri che prima non esisteva"***. L'IA porta i meno performanti al livello base più di quanto acceleri i top performer; **gli architetti senior tornano allo sviluppo attivo** dopo anni di distacco. Rilevanza importante per i comitati esecutivi dei settori bancario/assicurativo/regolamentato (Raiffeisen = banca, Ucraina = contesto bellico + resilienza operativa).
#Hryhorii Tatsyi#Raiffeisen Bank Ukraine#CTO banca
**Hryhorii Tatsyi** — CTO de **Raiffeisen Bank Ukraine** (filiale ukrainienne du groupe bancaire autrichien Raiffeisen Bank International, RBI). Auteur Medium @milhibisidek. Profil discret côté visibilité publique (25 followers Medium au moment de la publication) · mais position institutionnelle de premier plan : il dirige une organisation IT d'environ 900 ingénieurs dans une banque systémique opérant en contexte ukrainien (économie de guerre depuis 2022, résilience opérationnelle critique). L'article est sa première contribution publique d'envergure documentée sur cette plateforme.
Presentazione di Wescale (Francia) che formalizza la dottrina della ***Augmented Software Factory***: una catena del valore del software interamente orchestrata da agenti IA specializzati lungo sei linee di produzione (Intent/PRD-ADR → Plan/User Stories → **human sign-off** → Produzione 24/7 → Verifica di audit indipendente → Deployment DevOps), dove l'intervento umano si concentra in soli due momenti precisi. Tesi forti: il ritorno del **ciclo a V prevedibile** contro Scrum, guadagni realistici di **3-4x** (non 10x), il passaggio da *produttore di codice* a ***Giudice Strategico*** e da *sviluppatore solitario* ad ***Agent Manager***, le metriche DORA che sostituiscono la velocity, il ROI massimo sulla modernizzazione del legacy e sulla sostituzione di SaaS costosi, e soprattutto la ***governance iniettata*** come "strato quasi militare" che costituisce l'innovazione centrale e la vera barriera all'ingresso. Costruita mangiando il proprio dogfood: *"Ciò che abbiamo imparato costruendo Solario su Solario."*
#Wescale#Augmented Software Factory#catena di produzione aumentata
Wescale (cabinet français de conseil tech / cloud / DevOps) — auteurs collectifs (présentation corporate, pas d'auteur individuel cité dans le deck).
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.
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*).
Studio BCG-HBR (Bedard, Kropp, Hsu, Karaman, Hawes, Kellerman) su 1.488 dipendenti statunitensi, gennaio 2026: definizione formale di ***AI brain fry*** (affaticamento cognitivo acuto legato alla supervisione dell'IA), 14% dei lavoratori che usano l'IA colpiti (Marketing 26%, Legale 6%), produttività al picco con 3 strumenti simultanei, +33% affaticamento decisionale / +39% errori gravi / +39% intenzione di lasciare l'azienda tra i colpiti da "brain fry", distinzione empirica tra **burnout** (emotivo, attenuato dall'IA sui compiti di routine -15%) e **brain fry** (cognitivo acuto, aggravato dalla supervisione). 5 raccomandazioni per i leader, "AI orphan tax" (+5% affaticamento quando il manager si aspetta che il dipendente se la cavi da solo), work-life balance organizzativo -28%. Fonte accademica cardine citata da Les Echos e dal dibattito 2026.
Ritiro Thoughtworks sul futuro dello sviluppo software con gli LLM — riflessioni sull'impatto organizzativo, il debito cognitivo e la programmazione supervisionata
Ethan Mollick - Evoluzione IA in 3 Anni da GPT-3 a Gemini 3 - Dai Chatbot agli Agenti - Il Codice come Interfaccia Universale - Intelligenza di Livello PhD - Human-in-the-loop Antigravity
Benchmark AI oltre i test standard - Intervistare i modelli AI per casi d'uso specifici - Jagged Frontier - OpenAI GDPval - Vibes vs misurazioni reali - Esempio GuacaDrone - Ethan Mollick - One Useful Thing
Evoluzione del ruolo dello sviluppatore con l'IA generativa, trasformazione dei ruoli IT, ingegneria dei sistemi, orchestration agentique - Yves Caseau - Michelin - LinkedIn
#sviluppatore#IA generativa#generazione di codice
Yves Caseau (Group Chief Digital & Information Officer chez Michelin)
Deep Research - Rivoluzione AI4* - 6 pilastri della produzione software - Transizione da Copilot ad Agenti - Paradosso Vibe vs Check - Crisi del FinOps for AI - Governance come percorso critico - GenAI Landing Zone
Guida pratica all'uso dell'IA, scelta del modello, jagged frontier, Centaurs vs Cyborgs, dati di utilizzo OpenAI, Claude/Gemini/ChatGPT - Ethan Mollick
#scelta del modello di IA#ChatGPT vs Claude vs Gemini#jagged frontier
Ethan Mollick (Associate Professor, Wharton School, University of Pennsylvania ; Auteur "Co-Intelligence: Living and Working with AI" ; TIME 100 Most Influential People in AI 2024)
Panorama di Josh Bersin sul ruolo cruciale dei CHRO nella trasformazione IA: intervista a Patricia Frost (Seagate) "Leave No One Behind", citazioni di colleghi (Jacqui Canney/ServiceNow, Tracey Franklin/Moderna, Helen Russell/HubSpot, Kathleen Hogan/Microsoft), 4 strategie (prontezza all'IA, piattaforme, assunzioni/ricollocazione, supermanager), tesi "la trasformazione IA non riguarda la tecnologia: riguarda il lavoro, i posti di lavoro e le persone."
#CHRO#Josh Bersin#AI transformation
Josh Bersin (analyste RH et consultant, fondateur de The Josh Bersin Company) · citations de Patricia Frost (CHRO Seagate)
Perché i team non fanno escalation dei problemi, barriere organizzative, pressione da overcommitment, rischi di carriera, azioni della leadership - John Cutler LinkedIn
Ripresa da Legal.io dello studio MIT NANDA "The GenAI Divide: State of AI in Business 2025": il 95% dei pilot di IA aziendale non genera un ROI misurabile nonostante 30-40 miliardi di dollari investiti. Concetto di "GenAI Divide", "shadow AI economy", quattro fattori strutturali di fallimento, raccomandazione back-office e build-vs-buy. Giustificazione empirica per lo shift HR-organizzativo.
#MIT NANDA#GenAI Divide#fallimento del 95% dei pilot
Legal.io (relais et synthèse) — étude MIT NANDA "The GenAI Divide: State of AI in Business 2025"
Sintesi di Valence del summit virtuale "AI & the Workforce: The Adoption Gap": Ethan Mollick espone il framework Leader-Lab-Crowd, conia l'espressione "HR is R&D now" e sostiene che la "shadow economy" dell'IA e il collasso del modello di apprendistato costringono i CHRO a diventare gli architetti della trasformazione. Cinque esperimenti concreti per scrivere il playbook IA-HR.
#HR is R&D now#Leader Lab Crowd framework#Ethan Mollick
Alex McMurray (Valence) — synthèse de l'intervention de Ethan Mollick au sommet Valence "AI & the Workforce: The Adoption Gap"
Intervista esclusiva a Tracey Franklin (Chief People and Digital Technology Officer di Moderna) sulla fusione tra HR e IT in un unico dipartimento: il passaggio da un "workforce planning" e un "technology planning" separati a un "work planning" integrato, la metafora dell'"architect the flow of work", 3.000+ GPT personalizzati, 5.000 dipendenti, e una visione al 2030 di un'organizzazione adattiva uomo+agente.
#fusione HR-IT#Moderna#Tracey Franklin
Allie Nawrat (UNLEASH) · interview de Tracey Franklin
Case study ufficiale di OpenAI sull'implementazione di ChatGPT Enterprise presso Moderna: 750 GPT in 2 mesi, adozione al 100% nel reparto legale, il GPT Dose ID per i trial clinici, la citazione di Stéphane Bancel sui "100.000 dipendenti", un framework di trasformazione organizzativa (mChat, Generative AI Champions, un forum interno con 2.000 partecipanti).
#Moderna#OpenAI#ChatGPT Enterprise
OpenAI (étude de cas officielle, citations Stéphane Bancel, Brad Miller, Brice Challamel, Shannon Klinger, Kate Cronin, Meklit Workneh)
Editoriale di **Olivier Rafal** (Consulting Director Strategy presso **WeNvision**) pubblicato il **23 febbraio 2024** su **CIO-Online** (sezione *Tribune*), che avanza una tesi allora ancora controintuitiva: **l'IA generativa è più una questione di prodotto tecnologico che un progetto di IA/data science**. **Argomento 1 — la data science non è il problema centrale**: costruire un *foundation model* da zero richiede *« diversi mesi, milioni di euro e l'accesso a quantità enormi di dati »* — riservato ad attori con dataset specifici e monetizzabili (ad es. **Bloomberg** e il suo **BloombergGPT** per la finanza). Per quasi tutte le aziende, il riflesso corretto non è quindi assumere data scientist. **Argomento 2 — disallineamento delle competenze**: ciò che serve principalmente sono **ingegneri di sviluppo e integrazione** (back/front), **solide competenze cloud** e **DevOps**. Citazione di un cliente: *« Non è necessariamente indispensabile essere data scientist, ma bisogna comprendere i concetti di base, avere competenze di sviluppo back-office e solide competenze cloud. »* **Argomento 3 — architettura a piattaforma (orchestratori + API)**: costruire una **plateforme d'IA générative** aziendale tramite orchestratori e API rende *« possibile lavorare con i migliori LLM del mercato e passare dall'uno all'altro man mano che le rispettive capacità evolvono, senza dover rilavorare le applicazioni »* (anti vendor lock-in). **Argomento 4 — dal progetto al prodotto**: *« La piattaforma […] deve essere considerata un prodotto a tutti gli effetti »*; invece di un investimento una tantum, va previsto un **flusso di finanziamento mensile** (iterazione continua, innovazione permanente). **Argomento 5 — governance e shadow AI**: la democratizzazione senza precedenti della GenAI genera *« tanta shadow AI quanto forti aspettative verso la direzione IT »* → una governance per raccogliere i bisogni di business, **dare priorità ai prodotti in base al valore**, e vigilare sul corretto funzionamento. **Cambio di paradigma** annunciato: *« si passa dalla programmazione algoritmica classica ad agents Langchain che gestiscono parte delle decisioni »*. **Rilevanza per la veille**: un **testo fondativo (con 2 anni di anticipo)** della dottrina di WeNvision (prodotto > progetto, piattaforma/API, finanziamento a flusso, governance, shadow AI), successivamente ampliato da [[wenvision-ai-agents-enterprise-deployment-2025-10-01]], [[habert-ia-agentique-production-2025-10-29]] e rafal-wenvision-tokenomics-foundation-finops-ia-2026-06-04 (FinOps/token, finanziamento a flusso → governance finanziaria). Prefigura inoltre l'*harness/piattaforma attorno al modello* (Dropbox/Okumura: *systems around the model*) e l'**indipendenza dal modello** ottenuta grazie a uno strato di orchestrazione.
#IA generativa#prodotto tecnologico#prodotto vs progetto
**Olivier Rafal** · *Consulting Director Strategy* chez **WeNvision** (cabinet de conseil FR). Tribune publiée dans la rubrique *Tribune* de **CIO-Online**. Auteur déjà présent dans la veille (cf. fiches WeNvision/Atlas/Tokenomics). Publié le **23 février 2024**.
Crisi di significato sul lavoro - Il pulsante "Help me write" - Dare fuoco al proprio tempo - Segnali di impegno - Lettere di raccomandazione generate dall'IA - Ethan Mollick - One Useful Thing