Le ultime tre settimane sono state tra le più rivelatrici che abbia mai avuto nello sviluppo software assistito dall'IA.
Claude Fable è rientrato in scena, e nello stesso periodo OpenAI ha rilasciato GPT‑5.6 con Sol, Terra e Luna. Il segnale del mercato era chiaro: i laboratori all'avanguardia non stanno più lanciando innovazioni isolate, ma stanno comprimendo il divario tra capacità, fasce di prezzo e ritmo di implementazione. Anthropic ora vende Fable 5 come modello di punta per orizzonti lunghi a circa il doppio del prezzo di listino di Opus 5, mentre OpenAI presenta GPT‑5.6 come una famiglia che scala dalle capacità di punta fino al lavoro più sensibile ai costi. xAI, nel frattempo, sta fissando il prezzo di Grok 4.5 in modo così aggressivo da dover essere preso sul serio in qualsiasi discussione su costi e prestazioni.
Eppure, la cosa più importante che ho imparato in quelle settimane aveva ben poco a che fare con pagine di lancio o slide di benchmark.
La vera svolta nel mio ambiente è stata la preparazione.
Avevamo storie pronte. Avevamo il lavoro suddiviso in pezzi che potevano essere effettivamente eseguiti da sistemi di codifica agentici. Una volta creata quella coda, la produttività è diventata assurda. Tra Codex, Claude, Cursor, Grok e altri strumenti nel flusso di lavoro, sono state scritte più di 2 milioni di righe di codice in circa dieci giorni. Quel numero sembra un'esagerazione finché non vedi cosa lo ha reso possibile: non magia, non autonomia in astratto, ma un flusso costante di lavoro delimitato con abbastanza struttura per permettere ai modelli di andare avanti.
Questa è la prima cosa che ancora troppe persone non capiscono. L'esplosione di output non avviene perché i modelli sono diventati improvvisamente ingegneri auto-diretti. Avviene perché gli umani hanno preparato il campo di battaglia.
La seconda cosa che ho imparato è che i bug si manifestano più velocemente su larga scala di quanto il marketing ammetta mai.
Codex è un buon esempio. Il materiale di OpenAI sul lavoro a lunga durata chiarisce che i thread persistenti comportano un compromesso: la continuità è utile, ma i thread di lunga durata possono anche diventare più costosi e difficili da gestire rispetto a ricominciare da capo. La funzione Goals è progettata proprio per mantenere un thread legato a un obiettivo delimitato, invece di trasformare ogni compito difficile in un prompt sempre più lungo. In pratica, questo corrisponde a ciò che ho visto. Se un processo dura troppo a lungo, la strategia migliore è spesso fermarlo, chiedere un passaggio di consegne pulito, riavviare la sessione e continuare con un nuovo obiettivo. Non è solo una comodità. È spesso igiene operativa.
C'è anche un problema più concreto di Codex che ora ha una traccia pubblica visibile: esplosioni di subagenti e stato locale.
Il problema aperto #34061 documenta un caso in cui un thread padre ripreso ha prodotto migliaia di log JSONL figli e centinaia di gigabyte di cronologia di sessione persistita. Un altro problema avverte esplicitamente che fork_context=true può far sì che grandi cronologie padre vengano istanziate negli agenti figli, amplificando sia il rischio di correttezza che il consumo di token. Un altro rapporto pubblico mostra che gli avvii a freddo di Codex degenerano in attese di 1-5 minuti una volta che ~/.codex accumula grandi log SQLite e stato di sessione. Nell'insieme, questi rapporti descrivono una modalità di fallimento che molti utenti esperti riconosceranno immediatamente: una volta che il livello di metadati locale diventa abbastanza grande, la persistenza della sessione diventa una parte seria dell'esperienza di prodotto.
Questo è importante perché la codifica multi-agente sembra sempre migliore nelle demo che su una macchina di sviluppo sotto stress.
La promessa è chiara. I documenti multi-agente di OpenAI descrivono perché i subagenti paralleli possono accelerare flussi di lavoro indipendenti, e quella promessa è reale. Ma gli stessi documenti avvertono anche che i subagenti aumentano l'uso di token e potrebbero non essere adatti per compiti che comportano scritture frequenti su stato mutabile condiviso. La guida per agenti paralleli su ChatGPT Learn è ancora più esplicita: iniziare con lavoro ad alta lettura come esplorazione, test, triage e sintesi; essere più cauti con flussi ad alta scrittura perché conflitti e overhead di coordinamento aumentano rapidamente. Quell'avvertimento non è teorico. Chiunque abbia visto una flotta di agenti precipitarsi contemporaneamente verso una suite di test completa sa esattamente cosa significa.
Nella mia configurazione, questo è ora uno dei problemi operativi che definiscono l'intera categoria.
Il problema non è se i modelli siano abbastanza intelligenti da parallelizzare. Lo sono chiaramente. Il problema è che hanno ancora bisogno di confini di orchestrazione molto migliori, perché "abbastanza intelligente da delegare" non è la stessa cosa di "abbastanza intelligente da preservare la salute della macchina, la priorità locale e la disciplina dei costi sotto contesa."
La stessa discrepanza si manifesta nei prezzi.
Cursor illustra il problema in modo chiaro. I suoi prezzi attuali sono trasparenti: ci sono due pool di utilizzo mensili, uno per i modelli propri di Cursor e uno per i "Modelli di Terze Parti". Mostra anche che Auto non è una cosa singola. Auto Cost utilizza prezzi fissi per token, ma Balance e Intelligence fatturano alla tariffa del modello instradato, e il router può scegliere tra modelli come Composer, GPT‑5.6, Claude o Grok. Per le persone che fanno lavoro interattivo occasionale, quella flessibilità è interessante. Per carichi di lavoro industriali a raffica, può diventare una trappola. Un budget mensile premium può sparire in pochi giorni molto produttivi.
Ho testato esattamente quella modalità di fallimento in uno scenario ad alta intensità di revisione.
Un progetto ha aggiunto circa 500.000 nuove righe di codice. Il nostro sistema di revisione ha segnalato circa 1.500 problemi in quel delta, inclusi duplicati e falsi positivi. A Cursor CLI è stato affidato il compito di esaminarli. I volumi grezzi di token erano enormi. L'output è stato utile. Ma l'economia non era adatta al mio caso d'uso. Quando un lavoro intensivo di revisione e correzione può consumare un'indennità mensile in una settimana, lo strumento può essere ancora buono, ma l'abbonamento smette di avere senso.
Quella tensione è ora ovunque.
Claude è ancora il sistema con cui preferisco lavorare. Ma è anche quello che mi rende più consapevole dei costi. Codex, specialmente nell'ecosistema più ampio di GPT‑5.6, può spesso sostenere una produttività molto maggiore di quanto i suoi critici ammettano. Grok 4.5 non è uno scherzo; i suoi prezzi e posizionamento pubblici lo rendono un contendente legittimo. Gli stessi prezzi di Anthropic rendono il compromesso tra Fable e Opus così ovvio che quasi scrive l'editoriale per te: la capacità di frontiera c'è, ma c'è anche la fattura.
E poi c'è il problema più difficile di tutti, quello che nessun evento di lancio risolve davvero.
In quasi tutti i modelli di codifica all'avanguardia che uso, c'è ancora un frustrante divario tra sottodimensionato e iper-ingegnerizzato.
La scelta è troppo spesso tra un modello che non sta pensando abbastanza e uno che sta pensando fin troppo per il compito da svolgere. La stessa guida di Anthropic per Fable 5 lo riconosce di fatto. Dice che uno sforzo maggiore può portare a una pianificazione eccessiva, che il lavoro di routine può beneficiare di uno sforzo minore e che istruzioni brevi spesso superano impalcature gonfiate. OpenAI dice qualcosa di simile nella sua guida per GPT‑5.6: quando si migra da modelli precedenti, iniziare con lo stesso livello di ragionamento e poi testare un livello inferiore, perché i modelli più recenti possono spesso preservare o migliorare la qualità con meno token. Questo è un modo tecnico per dire la stessa cosa che molti di noi stanno scoprendo empiricamente: la manopola dello sforzo è ancora troppo facile da superare.
Forse in parte è ancora colpa nostra.
Forse i file di istruzioni sono troppo lunghi. Forse alcune delle impalcature stanno ora combattendo i modelli invece di aiutarli. Questa teoria è almeno coerente con la guida di Anthropic sull'ingegneria del contesto, che dice che il contesto dovrebbe essere informativo ma stretto. C'è una reale possibilità che alcune delle complicazioni eccessive che attribuiamo ai modelli vengano amplificate da un'infrastruttura di prompt troppo cresciuta.
Ma anche dopo averne tenuto conto, la conclusione più ampia rimane invariata.
I modelli stanno commettendo meno errori evidenti di prima. Ma gli errori che ancora commettono sono spesso più pericolosi proprio perché sono più difficili da individuare. Si nascondono all'interno di codice che altrimenti sembra rifinito, ponderato e professionale. Quanto più l'implementazione sembra buona a prima vista, tanto più sospettoso ho imparato a essere.
Ecco perché rimango scettico sull'attuale ondata di trionfalismo della codifica con l'IA.
Capisco da dove viene l'hype. Se non hai vissuto dentro questi sistemi ogni giorno, la sola produttività può sembrare miracolosa. E in parte lo è genuinamente. Ma l'uso pratico quotidiano espone anche l'altro lato: incertezza sulla fatturazione, fallimenti di orchestrazione, fragilità delle sessioni lunghe, una tendenza verso una semplificazione superficiale o una progettazione eccessivamente elaborata, e il persistente bisogno di confezionamento, revisione e giudizio umani.
Siamo ancora molto lontani da un mondo ideale di codifica con LLM.
L'hype non è completamente sbagliato. Ma è ancora molto meno onesto della realtà operativa.
