Nell'ultimo anno, il dibattito sull'ingegneria agentica si è spostato verso imbracature e cicli, flotte e fabbriche software. La mia opinione è che gli ingegneri debbano possedere il ciclo esterno - la responsabilità per questi sistemi. Questo diventa sempre più vero man mano che modelli potenti come Fable e GPT-5.6 diventano disponibili.
Gli agenti hanno leva, e la leva crea obblighi. Qualcuno deve essere in grado di spiegare esattamente cosa è cambiato, perché era sicuro e cosa succederà se si sbaglia. Altrimenti, le loro azioni non possono essere giustificate. Il che rende improbabile che la loro organizzazione li richieda in primo luogo.
E quindi voglio parlare di tre termini. Il primo, Qualità, si riferisce a tutti i controlli che installiamo prima di lasciare che il sistema operi liberamente. Questi controlli producono prove, e da queste prove deriviamo un Verdetto.
Il secondo, Verdetto, si riferisce alla decisione finale che prendiamo prima che il lavoro entri nel nostro sistema dipendente: io sono il produttore di linea di questo contenuto. Gestisco il team il cui lavoro viene pubblicato sotto il mio nome. Il modello può scrivere la riga, ma il Verdetto è mio. Il lavoro del mio team non entrerà nei nostri sistemi dipendenti senza la mia decisione. Un Verdetto è la decisione produttiva: dovremmo pubblicare, bloccare, reindirizzare, restringere la risposta, aggiungere un guardrail o rifiutare del tutto?
Il terzo, Rispondibilità, si riferisce alla garanzia che se qualcuno chiede, io possa spiegare perché.
Per dirla in un altro modo: il nostro agente (che definisco come un modello più un'imbracatura di file, strumenti, memoria, competenze, sandbox, permessi, osservabilità e ripristino) è ciò che esegue il nostro ciclo (che definisco come indagine, implementazione, verifica e ripetizione). Ed è ciò che crea la nostra fabbrica software.
Il modello è solo il motore. L'imbracatura - strumenti, memoria, permessi, sandbox, test - è l'auto che costruisci attorno ad esso in modo che possa svolgere un lavoro reale in sicurezza.
Avvolgi quell'imbracatura in un ciclo ripetibile: indaga, implementa, verifica, ripeti. Il ciclo è il modo in cui una buona esecuzione diventa un processo di cui ti puoi fidare per eseguirlo di nuovo. Avvolgi quell'imbracatura in un ciclo ripetibile - indaga, implementa, verifica, ripeti - dove un controllo indipendente, non la semplice affermazione del modello, decide quando il lavoro è finito.
Ora esegui molti cicli contemporaneamente. Una fabbrica è cicli su larga scala - gli agenti spediscono il lavoro all'interno, mentre gli umani possiedono le decisioni al confine.
E al centro di quella fabbrica c'è un attento confine tra ciò che è dentro il sistema e ciò che è fuori. All'interno del sistema: raccogliamo input (dall'intento del team di prodotto, o dalla conoscenza di lavori precedentemente pubblicati, o di incidenti recenti, o di feedback specifici degli utenti). Il ciclo dell'agente indaga il compito, implementa un piano e verifica il risultato. Poi, le prove attraversano quel confine. Un umano, che possiede il sistema dipendente, vede le prove e decide se procedere.
E questo, amici, è il cambiamento che stiamo cercando di fare. Prima, i nostri agenti stavano eseguendo il ciclo interno del ciclo di esecuzione. Ora eseguono il ciclo di esecuzione interno. Gli ingegneri possiedono il ciclo esterno.
All'interno del sistema, c'è davvero solo un tipo di cosa che i nostri agenti stanno facendo: capacità. La capacità di indagare compiti, implementare piani, testare i loro risultati e riferire. Questa è la capacità di un modello. E come abbiamo detto, quel futuro è già qui.
Fuori dal sistema, c'è un singolo tipo di cosa: agentività. L'agentività di decidere, verificare, approvare e possedere.
Stiamo ancora parlando di codice, vedete. Deve solo vivere in un luogo ed essere eseguito da persone che sanno cosa stanno facendo.
Il potenziale per il codice AI non è più marginale. In un sondaggio Sonar 2026, abbiamo chiesto ai team la quota dei loro commit che erano assistiti dall'AI. Era piccola ma non trascurabile. E molti degli intervistati hanno detto che si aspettano che la quota di commit assistiti dall'AI cresca sostanzialmente. Il rapporto State of Code 2026 di Sonar ha rilevato che il 42% del codice committato era generato dall'AI o significativamente assistito dall'AI, con aspettative che tale quota continui a crescere piuttosto che stabilizzarsi.
La creazione, in altre parole, sta diventando più economica. Le risorse più scarse sono la revisione, la validazione, la comprensione e la manutenzione.
Abbiamo spostato la velocità di generazione più velocemente di quanto abbiamo spostato la velocità di controllo. E quindi abbiamo un divario di fiducia-verifica. Molte persone con cui parliamo esprimono ancora un certo grado di sfiducia nel codice AI. Eppure, meno di loro sembrano costruire costantemente quella sfiducia nei loro processi di verifica.
E questo è un posto pericoloso in cui trovarsi. Avremo bisogno di modi più economici e chiari per verificare l'affidabilità del codice AI.
Se guardi il rapporto GitLab di giugno 2026, vedrai che le domande sulla governance sono cambiate. La ricerca di GitLab sulla responsabilità dell'AI di giugno 2026 mostra che la revisione e la validazione sono gli attuali colli di bottiglia quando si utilizza l'AI e, cosa più preoccupante, che la governance di solito avviene dopo la creazione del codice, dopo che abbiamo accettato il rischio e perso il controllo sulla proprietà. Oggi, non si tratta solo di controllo. Si tratta di quali vincoli impostiamo sul sistema. Si tratta di come controlleremo il lavoro con le prove e di come riterremo i team responsabili. Si tratta di chi possiederà quale parte del ciclo di vita dell'AI.
Quindi la distinzione finale in questa serie è tra processo e qualità. La qualità è il concetto di contropressione. Lo intendiamo letteralmente. Non vogliamo concedere ai nostri agenti tutta l'autonomia che possono esercitare. Vogliamo concedere loro abbastanza autonomia da avere abbastanza contropressione per fermarli, regolarli, controllare il loro lavoro e garantire la nostra umanità.
L'ingegneria ordinaria solleva molti segnali che indicano che il lavoro svolto sta facendo la cosa giusta. Controlli di tipo, test, hook, limiti sandbox, log di audit, monitor. I nostri sistemi di ingegneria sono pieni di questi tipi di segnali e sono progettati per fornire abbastanza contropressione per mantenere il sistema onesto.
E quindi, finché i nostri agenti emettono questi stessi segnali, possiamo fidarci della nostra ingegneria ordinaria per fornire un'appropriata contropressione.
Fidarsi dei nostri sistemi non significa che non vogliamo un umano nel ciclo. Significa solo che l'umano non ha bisogno di essere nel ciclo interno. Li vogliamo nel ciclo dei vincoli (quali input, architetture, istruzioni o invarianti dovremmo impostare?), nel ciclo di campionamento (quanto output dovremmo campionare e rivedere?), nel ciclo di audit (quali prove dovremmo conservare e come assicurarci che il nostro log di audit sia efficace?), e nel ciclo di proprietà (quale parte del confine di produzione dovremmo possedere).
Ma l'umano non ha bisogno di essere nel ciclo interno.
L'agente può spedire più di quanto tu possa revisionare.
E la risorsa scarsa è il tuo stesso giudizio umano fondamentale, informato da segnali di qualità come log o test.
Il rapporto AI di giugno 2026 mostra che, in ambito sperimentale, la delega agentica su orizzonti temporali di ore è essenzialmente qui. Il lavoro di OpenAI di quest'anno sugli agenti e il futuro del lavoro è stata un'ottima fonte per queste idee. Quindi dobbiamo iniziare a pensare a come stabilire questo confine di proprietà, poiché i nostri sistemi iniziano a spedire più di quanto possiamo revisionare.
Ed è qui che entra in gioco la rispondibilità.
Perché con gli agenti a lungo orizzonte, le decisioni prese su scale temporali di ore sono proprio questo - decisioni. E non tutte le decisioni verranno registrate. Non puoi rintracciarle tutte fino ai token di input. Se tutto ciò che fai è fidarti che l'output che ottieni sia la scelta corretta per il problema in questione, le centinaia o addirittura migliaia di ore di lavoro umano di cui avrai bisogno per ricostruire la catena di decisioni che vi ha portato diventano impossibili. E così, ancora una volta, la rispondibilità diventa qualcosa che deve essere al centro della progettazione del nostro sistema.
Tre costi nascosti
E ci sono tre costi nascosti:
Resa cognitiva ~ accettare ciecamente ciò che l'AI ti dà. Quando deleghi il lavoro a un agente, il lavoro stesso può apparire come il lavoro dell'agente. Ma in realtà è il tuo lavoro. È la tua reputazione. È la tua responsabilità. Ed è il tuo software che ha subito i difetti nell'output. Ed è il tuo software che deve essere modificato per riflettere quell'output. Quindi l'output dell'agente diventa la tua risposta. E con essa arriva tutta la responsabilità. Lo studio di Wharton che ha messo insieme questo è rassicurante quando l'AI ha ragione. Ma quando si sbaglia, la notizia non è buona. Quando l'AI si sbagliava, quasi tre quarti delle persone lo accettavano comunque e si sentivano più sicuri di quanto non si sarebbero sentiti senza l'AI.
Debito cognitivo ~ erosione della tua comprensione e memoria di come risolvere i problemi. Quando deleghi il lavoro a un agente, stai scaricando tutto il lavoro di pensiero sull'agente. E mentre pensare a tutto da solo richiede tempo ed energia, pensare a tutto su un'enorme base di codice richiede risorse che non sono disponibili quando stai cercando di risalire la curva di apprendimento. Quindi l'output che ottieni è spesso irraggiungibile da te. E più lungo è l'orizzonte temporale della pianificazione agentica, maggiore diventa il divario tra il codice che l'agente produce e la tua comprensione di esso. Il divario si accumula. Il debito si accumula. E il costo di risalire la curva di apprendimento cresce quasi esponenzialmente. C'è uno studio controllato randomizzato di Anthropic che esamina se gli ingegneri che si affidano all'AI per scrivere codice lo capiscono bene quanto gli ingegneri che lo scrivono da soli. La conclusione è stata cupa: in un quiz di comprensione, gli ingegneri che hanno lavorato tramite AI hanno ottenuto un punteggio di diciassette punti percentuali inferiore rispetto a quelli che non lo hanno fatto, 50% contro 67%.
E poi c'è la tassa di orchestrazione ~ è facile creare molti agenti ora, ma la tua larghezza di banda cognitiva non si parallelizza allo stesso modo. Guidare il tuo agente lontano dai comportamenti peggiori, ordinare il lavoro che l'agente produce per identificare quelli che richiedono la tua attenzione, dirigerlo a concentrarsi prima sul lavoro a cui tieni, verificare i tuoi vincoli più importanti e le tue ipotesi più pericolose prima di lasciarlo eseguire...
Tutto questo richiede lavoro e non può essere automatizzato.
Non c'è sostituto per il giudizio umano.
I sistemi brownfield sono particolarmente pericolosi qui, perché il comportamento del sistema che devi controllare non vive nel codice. Vive nelle cicatrici.
Soluzioni? Rendi l'attenzione la priorità nelle tue decisioni architetturali. Usa worktree, ambiti e prove per ridurre l'accoppiamento tra il tuo piano iniziale e il lavoro che ne emerge. Limita il tempo per risolvere i passaggi non attuabili. E rendi il cambiamento nel tuo software un permesso strettamente opt-in.
Alfa, decadimento e gusto: questi sono i tre modelli fondamentali che modellano carriere e performance in tutti i domini.
L'alfa è la parte di testa assunta dal più alto realizzatore nella competizione, quando stai giocando la tua mossa di maggior valore. I decadimenti sono modelli consolidati che tutti imparano attraverso la ripetizione e l'osservazione degli altri (plateau, se preferisci). Il gusto è il primo momento in cui possiamo percepire il vantaggio in un alfa o il cambiamento in un decadimento. È il nostro giudizio su ciò che sta arrivando prima di avere qualsiasi prova che qualcosa stia accadendo. Il punto di Paul Graham è che quando chiunque può fare qualsiasi cosa, scegliere cosa fare conta di più, e la definizione di Mitchell Hashimoto è quella operativa: fare giudizi qualitativi di alta qualità dove non esiste ancora una metrica oggettiva. D'ora in poi, il gusto guida tutto: i cambiamenti di alfa sono cambiamenti di gusto. E i decadimenti svaniscono perché iniziamo a percepire qualcosa di diverso.
Prossimo passo? Operazionalizza il tuo gusto. Come? Dagli un nome che rifletta ciò che stai cercando di spostare da limbico a conscio. Praticarlo nella critica e negli esempi. Rendere esplicita la sua logica.
E continua a fare la mossa che offre il vantaggio competitivo più duraturo nel tuo settore. Qual è? Continua a spostare il limite dal semplice svolgere il compito all'insegnarlo, sistematizzarlo, decidere quando dovrebbe essere fatto e possedere il risultato.
Tutti sono sviluppatori, ma non tutti sono ingegneri. L'ingegneria è ciò in cui uno sviluppatore si trasforma quando abbraccia una disciplina di lavoro più rigorosa: ragionamento approfondito e logicamente valido, considerazione di vincoli e compromessi, riconoscimento del rischio e dell'esposizione e responsabilità pratica.
In futuro, le persone lasceranno il lavoro amministrativo dell'ingegneria e abbracceranno nuovi ruoli che emergeranno man mano che l'ingegneria diventerà più impegnativa. Ruoli che sono separati dallo spirito dell'artigianato ma chiariscono cosa fa ogni persona. Ci saranno quelli che prototipano. Quelli che costruiscono. Quelli che spazzano. Quelli che crescono. Quelli che mantengono.
Gli umani tengono il confine del sistema anche nell'altra direzione. Aumentando l'alfa nell'altra direzione: scegliere cosa vale la pena fare, definire i vincoli entro cui dovrebbe essere fatto, decidere se le prove sono sufficienti per procedere e prendersi cura del risultato. Che si tratti di un singolo team o di cento team, questo è il confine che solo gli umani possono tenere.
La responsabilità scalerà la fabbrica. Come l'attenzione e il gusto, anche la responsabilità è una delle tre dualità che fa funzionare tutto. Senza responsabilità, non ci sono regole. Nessuna discussione con gli interlocutori. Nessun compromesso. Nessun rischio. Nessuna rete di sicurezza. Se nessuno possiede la conseguenza di una decisione, allora un'elevata agentività può portare solo caos.
L'emivita di un confine è un rilascio, ma l'emivita di una firma è una carriera. Una firma è il tuo nome sul lavoro, in modo tale da sentire di poter sostenere ciò che è stato pubblicato. Le competenze ti danno leva; la responsabilità trasforma la leva in fiducia.
Solo le persone possono scegliere. Solo le persone ereditano le conseguenze. Agli agenti può essere chiesto di scegliere, instradare, unire e escalare in sicurezza all'interno di una policy, ma non possono ereditare le conseguenze.
Ogni codebase dovrebbe forse essere fornita con una sorta di contratto di responsabilità che dichiari esplicitamente la checklist che è stata compresa quando la modifica è stata accettata, le prove che sono state utilizzate nella decisione, chi era responsabile della modifica e lo stato del sistema dopo che la modifica è stata bloccata. Proprio come:
- La tua attenzione e il tuo gusto
- Le tue prove, il tuo verdetto e la tua proprietà
- Il tuo alfa, decadimento e gusto
Alta agentività
In un tipico flusso di lavoro agentico, l'alta agentività è l'arte di sapere quando delegare, quando ispezionare, quando fermarsi e quando possedere il risultato di un processo. La scala dell'agentività va da bassa ad alta: segnalare un potenziale problema, indagarlo, eseguire un'azione contro di esso, diagnosticarlo, proporre soluzioni, raccomandare correzioni e risolvere il problema. Un gradino alto sulla scala dell'agentività è il discernimento: trovato, non vale la pena aggiustarlo, si va avanti.
I dodici pilastri che sostengono la fabbrica software
Il brownfield è la frontiera per le fabbriche che sperano di scalare. Tutte quelle piccole e intelligenti innovazioni potrebbero non sembrare ancora molto, ma l'ambiente di produzione è molto. Quando si costruisce un sistema completamente nuovo, è molto più facile pianificare e implementare meccanismi di contropressione sufficienti perché hai il controllo completo. Tuttavia, quando aggiungi agenti intelligenti a un sistema legacy, è un'altra storia.
I sistemi legacy includono la totalità del comportamento di produzione, le aspettative future dei clienti, le storie di migrazione, le durate dei cicli di rilascio e budget, ipotesi non dette, casi limite, stranezze dei dati, procedure runbook e tutte le cicatrici che si sono accumulate senza la volontà di prendersi cura del sistema.
Essere un amministratore del brownfield richiede una forma di ingegneria durevole. È necessario lavorare per trasformare la conoscenza implicita in vincoli espliciti, mantenerla coerente tra i team e attraverso le generazioni, formalizzare quella conoscenza in procedure di test e specifiche funzionali e legare quella conoscenza a prove oggettive. Il tutto mentre si trasformano i fallimenti in più apprendimento. Perché se il sistema non riceve la cura che ha sempre ricevuto, tutto crollerà.
Il Nuovo Lavoro è Vero Lavoro
Il lavoro diventerà più interessante man mano che si scala. Perché quando tutto il resto è costruito, le persone vorranno costruire cose nuove. Vorranno impiegare l'alfa e il gusto che hanno sviluppato attraverso il loro mestiere per progettare nuovi cicli che possano essere innestati sulla fabbrica software. O vorranno costruire sistemi greenfield che impieghino tutta la conoscenza della fabbrica software in uno sforzo elegante, ben intenzionato e basato su principi. Vorranno progettare e implementare nuove forme di prova che si elevino al livello di verifica per i nuovi sistemi. Vorranno prendersi cura dei sistemi brownfield che ora sono così complessi da richiedere un'attenzione dedicata. Vorranno progettare e gestire nuovi meccanismi di contropressione. Vorranno progettare nuovi agenti. E vorranno costruire agentività.
E, mentre lo fanno, arriveranno a vedere che tutto questo è vero lavoro. Questa è una buona cosa.
L'automazione crea colli di bottiglia. Colli di bottiglia nella produzione che vale la pena possedere. Perché l'automazione ci dà il controllo su scala industriale. Ma ci sono anche nuovi colli di bottiglia che sorgono dalla scala industriale. Il collo di bottiglia si sposta da "possiamo costruirlo?" a "dovrebbe esistere, possiamo risponderne?"
Quello che sto suggerendo è un modello operativo pratico per scalare l'ingegneria agentica. Ci sono cicli interni ed esterni. Il ciclo interno è dove il lavoro viene svolto. I cicli sono progettati per essere il più indipendenti possibile. Metti tutte le garanzie di qualità e la verifica all'interno del ciclo. Una volta progettato e convalidato il ciclo stesso, l'unica cosa che ti resta da fare è concedere l'autonomia mettendo in atto un meccanismo di contropressione che agisca per controllare la velocità con cui il ciclo viene eseguito e il suo ambito di operazione. E metti gli umani al loro giusto posto, sulle decisioni giuste. Non trattare la comprensione come un passaggio di consegne o un gate di rilascio, ma piuttosto come un punto decisionale in cui gli umani sono preparati a fornire la loro intuizione. E poi per ogni artefatto che esiste e viene reimmesso nella produzione e in nuovi team e ingegneri, lascia dietro di te artefatti migliori.
Costruisci la fabbrica; tieni le luci accese; rendi il lavoro leggibile, verificabile, posseduto.
Un agente può scriverlo. Ma prima che raggiunga gli utenti, qualcuno deve spiegare perché dovrebbe esistere, perché è abbastanza sicuro da far parte della produzione e cosa farà quando sarà sbagliato.
Questa è l'ingegneria agentica al ciclo esterno - questo è il lavoro ora.
Pangram ha valutato questo articolo come scritto al 100% da umani: https://www.pangram.com/history/ae6caccc-b70f-4336-a019-5c3411516871
