Questa settimana ho notato un filo conduttore netto tra le principali release rilasciate sul mercato: l'intelligenza artificiale sta smettendo di essere un interlocutore testuale per diventare un esecutore silenzioso. I modelli iniziano a saltare i passaggi intermedi, generano direttamente gli output finali e, soprattutto, si dotano finalmente di infrastrutture di orchestrazione degne di ambienti di produzione enterprise.

Non si tratta più di capire se un modello risponde bene a un prompt, ma di quanto costa farlo girare in autonomia per ore e quanto è stabile la sua esecuzione. Se seguiamo il filo dei lanci degli ultimi sette giorni, da Google a Mistral, passando per Xiaomi e Nvidia, il messaggio è inequivocabile: la fase dei prototipi è chiusa.

Iscriviti ora

L'addio al copia e incolla e i file nativi

Google ha trasformato radicalmente Gemini, portandolo da semplice assistente conversazionale a vero e proprio motore di creazione documentale. La nuova funzionalità permette di generare file pronti all'uso direttamente dall'interfaccia di chat. Richiede unicamente un prompt testuale che descriva il contenuto desiderato e il formato di destinazione. L'aspetto che mi ha colpito di più è l'assenza totale di template precaricati: il modello gestisce autonomamente la struttura e la formattazione dei dati.

Questa è la fine del copia e incolla tattico dai chatbot verso i documenti aziendali. Trovo estremamente utile la capacità di generare file in formato excel o presentazioni impaginate direttamente da una richiesta testuale. Questo cambia il mio workflow quotidiano e taglia drasticamente i tempi operativi. Prima dovevo generare il contenuto grezzo, estrarlo, formattarlo e impaginarlo manualmente. Ora chiudo l'intero ciclo all'interno di Gemini.

Avere il supporto per formati tecnici come markdown e latex è una manna dal cielo per i task di documentazione tecnica. Immagino già di automatizzare la generazione di report strutturati partendo dai log grezzi. Questa è l'implementazione pratica che cerco sempre nei miei progetti: zero fuffa concettuale, impatto immediato sui tempi di produzione e integrazione totale con i formati legacy aziendali.

Sulla stessa linea si è mossa xAI, che ha appena rilasciato Grok 4.3. La strategia punta tutto sul rapporto qualità-prezzo: i costi di input scendono del 40%, mentre quelli di output crollano del 60%. Ma la vera novità è che anche Grok ora include capacità native di generazione di file complessi come pdf ed excel. La generazione diretta elimina la necessità di librerie intermedie nei workflow di automazione. Voglio testare a fondo il loro nuovo "Agent Mode" per la produzione creativa, perché ridurre le chiamate api multiple in un singolo workspace coeso rappresenta la vera evoluzione del prompt engineering pratico.

Il codice diventa economico e unificato

Nel mondo dello sviluppo, la frammentazione sta lasciando il posto all'unificazione. OpenAI ha deciso di staccare la spina al modello dedicato Codex per la seconda volta, integrandolo completamente all'interno di GPT-5.5. Vedo finalmente un approccio sensato alla gestione dei modelli: mantenere un modello separato per il codice oggi ha poco senso concettuale e pratico. La logica di programmazione rappresenta il cuore del ragionamento generale delle AI moderne.

Ho già testato il nuovo endpoint e la differenza operativa si nota subito. Il modello gestisce refactoring complessi su repository interi senza perdere il contesto. Certo, dovremo riscrivere completamente i nostri prompt di sistema per adattarci, perché le vecchie istruzioni limitano pesantemente le prestazioni del nuovo motore. Il risparmio sui token è reale e cambierà il modo in cui strutturiamo le chiamate api. Le startup che basavano i loro wrapper sul vecchio Codex dovranno aggiornare rapidamente l'intera architettura per restare competitive, un trend che avevo già analizzato nell'articolo sull'alba delle interfacce fluide.

Ma la vera scossa per i developer arriva dalla Cina. Xiaomi ha rilasciato MiMo-V2.5-Pro, un nuovo modello open-weight progettato specificamente per compiti complessi di programmazione autonoma. Pareggia quasi le prestazioni di Claude Opus 4.6 sui principali benchmark, ma la vera magia risiede nell'ottimizzazione del contesto. Riesce a consumare tra il 40% e il 60% di token in meno durante l'esecuzione di script che richiedono ore di elaborazione.

Provo decine di modelli ogni settimana per automatizzare la scrittura di codice, e l'approccio di Xiaomi colpisce dritto al punto debole dei modelli proprietari: il costo proibitivo per token nei task a lungo raggio. Avere un modello aperto capace di gestire ore di coding autonomo senza bruciare un budget enorme cambia le regole del gioco. Ho intenzione di integrare MiMo nei miei agenti locali da stasera stessa per testare la reale tenuta del contesto su repository legacy. Questo è il vero codice che lavora di notte.

Condividi

L'orchestrazione diventa enterprise

Mistral AI ha rilasciato la versione preview di Workflows, un nuovo layer di orchestrazione pensato per trasformare i processi basati sull'intelligenza artificiale in sistemi pronti per la produzione. Il vero punto di forza risiede nel motore sottostante: gira su Temporal, la stessa tecnologia open-source che gestisce i processi critici di colossi come Netflix e Stripe.

Questa è la mossa che aspettavo da mesi. Vedere Mistral adottare Temporal come motore per l'orchestrazione è un segnale chiarissimo: stiamo finalmente passando dai giocattoli alle applicazioni enterprise vere e proprie. Temporal garantisce la durabilità degli stati, risolvendo definitivamente il problema dei timeout e dei crash improvvisi nei workflow complessi.

Adoro la funzione che permette di inserire il cosiddetto "human-in-the-loop" con una sola riga di codice. Nel mio lavoro quotidiano, gestire le pause in attesa di approvazione umana è sempre un incubo a livello architetturale. Mistral ha reso questa operazione banale. La divisione tra la logica gestita sul cloud e i dati processati localmente risolve alla radice i dubbi sulla privacy. Questo strumento cambia le regole del gioco per chi progetta sistemi agentici in produzione, confermando quanto scritto nell'articolo sulla caduta degli agenti caotici.

Sempre sul fronte dell'automazione, Google ha lanciato Deep Research Max. Il sistema si appoggia al nuovo modello Gemini 3.1 Pro e permette di configurare un agente autonomo completo tramite una singola chiamata api. L'agente pianifica le fasi della ricerca, estrae informazioni, ragiona sui dati e genera un report strutturato. Sostituire decine di righe di codice per la rag e l'orchestrazione con una singola chiamata semplifica enormemente lo sviluppo.

L'intelligenza artificiale ha smesso di parlarci e ha iniziato finalmente a lavorare in modo invisibile dietro le quinte.

Il ritorno della potenza locale

Nvidia spinge fortissimo sull'AI generativa locale rilasciando il GenAI Creator Toolkit, un set di workflow pronti all'uso per ComfyUI progettati per girare interamente sulle GPU RTX. Questa mossa permette ai team creativi di automatizzare operazioni complesse senza alcuna dipendenza da servizi cloud e garantendo la massima privacy sui dati archiviati nelle workstation.

Il pacchetto include flussi per scomporre un'immagine in livelli separati con maschere alfa perfette, gestire la rimozione avanzata di oggetti tramite inpainting e trasformare una foto in un modello 3D texturizzato. I requisiti hardware sono alti: servono almeno 24 GB di vram. Questo taglia fuori le macchine consumer, ma convalida in pieno l'approccio basato sui nodi per i veri team di produzione professionale.

Installerò sicuramente questi moduli sui server on-premise. Le automazioni grafiche basate su api cloud stanno diventando troppo costose e le policy cambiano in modo imprevedibile. Portare tutto su macchine aziendali con workflow replicabili in formato json è la vera strada per scalare i processi creativi senza prosciugare i budget IT.

Iscriviti ora

I tool della settimana

Come sempre, oltre alle grandi notizie, tengo traccia degli strumenti più interessanti emersi durante la settimana. Ecco quelli che meritano di finire subito nel nostro arsenale:

• Claude Code: un agente AI unificato per terminale capace di navigare nei progetti, eseguire comandi e iterare sul codice autonomamente. Anthropic sta puntando tutto sull'integrazione a basso livello e questo tool dimostra quanto sia potente lasciare che l'AI operi direttamente nel nostro ambiente di sviluppo.

• Faster-Whisper: un'implementazione super performante del modello di trascrizione audio di OpenAI. Gira in locale con un consumo di risorse minimo. L'ho testato per trascrivere lunghe riunioni e la velocità è impressionante, garantendo allo stesso tempo la privacy totale dei dati audio.

• Mistral Workflows: non è solo una notizia, è uno strumento che vi consiglio di testare subito. Se state costruendo automazioni complesse in python, lo strato di orchestrazione basato su Temporal vi salverà da infinite ore di debugging sui timeout delle api.

La direzione del mercato è tracciata. L'efficienza del contesto, la generazione diretta di file nativi e l'orchestrazione robusta sono i nuovi pilastri su cui costruiremo i software dei prossimi anni. Ci leggiamo domenica prossima.

───

Ogni domenica pubblico il SundAI Blog con le novità AI della settimana. Leggi tutti gli articoli →

Questa settimana ho avuto la netta sensazione che il nastro della storia tecnologica sia stato mandato in avanti veloce. Non stiamo più parlando di prototipi o di modelli che fanno fatica a seguire istruzioni complesse. I dati economici, le acquisizioni miliardarie e i nuovi rilasci confermano una singola, brutale verità: l'infrastruttura del lavoro intellettuale sta cambiando pelle sotto i nostri occhi.

Ho passato gli ultimi sette giorni a testare nuovi pesi open source, a misurare i costi reali delle API e ad analizzare le mosse dei giganti del tech. Quello che emerge è un panorama polarizzato. Da una parte ci sono strumenti sempre più capaci di orchestrare interi flussi di lavoro in autonomia. Dall'altra, ci sono interi modelli di business che si stanno sbriciolando.

Ecco i miei appunti su cosa è successo e, soprattutto, su come tutto questo impatta il lavoro di chi costruisce soluzioni ogni giorno.

Iscriviti ora

Il crollo dell'outsourcing e il programmatore potenziato

Uno studio della Federal Reserve Board ha messo nero su bianco quello che sospettavo da tempo guardando i miei stessi log di produttività: l'intelligenza artificiale generativa sta frenando drasticamente la domanda di nuovi programmatori. Prima di novembre 2022, le posizioni legate al codice crescevano del 5% annuo. Oggi la curva è piatta.

I ricercatori hanno calcolato un gap di circa 500.000 posti di lavoro che sarebbero esistiti senza l'avvento dei large language models. Non è un'ondata di licenziamenti diretti, ma un congelamento delle assunzioni. Le aziende hanno semplicemente smesso di cercare sviluppatori puri per task di routine.

Io stesso scrivo codice ogni giorno usando strumenti avanzati, e il mio output è triplicato. Trovo del tutto inutile delegare task ripetitivi o la stesura di codice boilerplate. Il calo più drammatico, infatti, colpisce le agenzie di outsourcing IT. Vendere ore-uomo per scrivere codice base è un modello di business morto. L'intelligenza artificiale genera la stessa base di codice in pochi secondi a un costo marginale vicino allo zero.

Il mercato non paga più per il codice come fine ultimo, ma per la capacità di orchestrare flussi di lavoro e costruire prodotti funzionanti end-to-end.

Chi si adatta a questa evoluzione vede le proprie opportunità moltiplicarsi. Le aziende preferiscono avere un singolo professionista senior potenziato dall'IA al posto di tre programmatori tradizionali.

SpaceX, Cursor e la guerra dell'infrastruttura

La notizia più esplosiva della settimana riguarda una potenziale mossa di Elon Musk. SpaceX ha ottenuto un'opzione per acquisire Cursor per la cifra astronomica di 60 miliardi di dollari.

Uso Cursor quotidianamente per i miei progetti e conosco perfettamente il suo tallone d'Achille: la dipendenza dalle API di OpenAI e Anthropic. Pagare le chiamate per milioni di sviluppatori distrugge qualsiasi margine di profitto. L'integrazione con SpaceX cambia tutto. L'obiettivo è combinare il software di coding con Colossus, il supercomputer di xAI che vanta l'equivalente di un milione di GPU Nvidia H100.

Questa è un'operazione che taglia fuori i competitor alla radice. Musk non si limita a fornire modelli base, ma si compra direttamente l'interfaccia utente preferita da chi sviluppa software. L'accesso illimitato all'hardware permetterà di creare agenti di coding spaventosamente veloci ed economici da far girare in locale, creando un ecosistema chiuso e inattaccabile.

Condividi

GPT-5.5 e l'uso nativo del computer

OpenAI ha finalmente lanciato GPT-5.5. Il salto prestazionale non è tanto nella prosa, quanto nell'efficienza pura e nelle capacità agentiche. Il sistema è costruito per il multitasking solido: gestisce codice, effettua ricerche complesse e genera automazioni trasversali mantenendo la stessa latenza per token della release precedente.

La vera killer feature è l'uso nativo del computer per risolvere compiti multi-step complessi in autonomia. Il progetto, nome in codice Spud, permette al modello di manovrare l'interfaccia grafica per eseguire task incrociati su più applicazioni.

Ho analizzato i primi benchmark e percepisco un netto cambio di paradigma. Spazza via in un istante i vecchi limiti dei sistemi RAG macchinosi e isolati. Configurare pipeline per lo sviluppo o l'analisi dei dati diventa immediato. Aspetto le API per cablarlo nei miei workflow quotidiani, perché la latenza ottimizzata ci permetterà di costruire veri agenti reattivi. Ne parlo spesso: siamo entrati a pieno titolo nella fine dell'era dei wrapper.

L'illusione dei prezzi bloccati di Opus 4.7

Non tutte le novità sono positive. Anthropic ha rilasciato Opus 4.7 con una sgradevole sorpresa. I prezzi di listino rimangono identici alla versione 4.6, eppure il consumo reale dei token registra un drastico incremento per ogni singola richiesta API processata.

I dati raccolti dalla community confermano un balzo medio del 37,4% nell'utilizzo grezzo dei token. I task legati alla programmazione subiscono l'impatto economico maggiore. I file markdown richiedono il 44,5% di token in più, mentre l'analisi della documentazione tecnica sfiora il 47% di rincaro.

Seguo i costi dei modelli multi-provider ogni singolo giorno e questa dinamica è letale quando si orchestrano workflow complessi su larga scala. I miei sistemi processano migliaia di chiamate giornaliere. Un rincaro del 37% per i task di codice rischia di bruciare completamente il ROI delle automazioni aziendali a fronte di un misero 5% di miglioramento sull'aderenza alle istruzioni.

Manterrò i miei agenti principali ancorati a modelli più efficienti e imposterò regole di routing intelligente per dirottare solo i task più critici su questa nuova versione. Monitorate le vostre dashboard di cost tracking in modo maniacale.

Il design generativo fa sul serio

Sempre in casa Anthropic, il lancio di Claude Design cambia le regole del gioco per la creazione di interfacce. Il sistema legge in totale autonomia il design system aziendale per applicarlo coerentemente a ogni nuovo progetto. Passare dal concept iniziale al frontend funzionante sfruttando un'unica interfaccia governata dalla logica di Opus 4.7 è un salto di produttività enorme.

Dall'altra parte, OpenAI ha risposto con ChatGPT Images 2.0. Il modello applica capacità di ragionamento preliminare e interroga direttamente il web per recuperare il contesto prima di produrre l'output visivo.

Ho giocato con i prompt testuali e la differenza è brutale. Il grande problema storico delle scritte nelle immagini è risolto: il testo ha un senso logico, segue i pesi visivi e gestisce perfettamente alfabeti non latini. L'integrazione della ricerca web è fantastica: se chiedo un mockup per un evento reale svolto ieri, il modello legge di cosa si tratta per azzeccare lo stile. I vecchi generatori single-pass sembrano già roba dell'anno scorso.

Iscriviti ora

Il trionfo dell'open source con DeepSeek V4

Mentre le aziende americane alzano i costi nascosti, la Cina sgancia una bomba open-weight. DeepSeek ha rilasciato i modelli V4-Pro e V4-Flash con un'architettura Mixture of Experts da 1.6 trilioni di parametri e una finestra di contesto da un milione di token, il tutto con licenza MIT.

Ho testato i pesi di DeepSeek V4-Pro in locale e i risultati sono sbalorditivi. Eguaglia le prestazioni di GPT-5.5 e Claude Opus nei benchmark di ragionamento logico e matematico. Gestire un milione di token a una frazione minima del costo delle API di OpenAI cambia radicalmente le regole per chi sviluppa architetture complesse.

L'ottimizzazione dell'inferenza è eccellente e mantiene un'impronta di memoria snella. Manderò in pensione le vecchie pipeline: oggi l'open source domina sul rapporto qualità-prezzo. Questo evento consolida una tendenza che ho analizzato nella caduta degli agenti caotici.

I tool della settimana da tenere d'occhio

Oltre ai grandi modelli di fondazione, questa settimana ho segnato nei miei appunti diversi strumenti estremamente pragmatici che meritano di essere testati.

• Qwen3.6-27B Base: il nuovo modello open source di Alibaba batte varianti a 400B sui task di coding. È assolutamente perfetto per istanze locali leggere quando non voglio dipendere dal cloud.

• OpenClaw: un framework open source per automatizzare workflow e costruire agenti personalizzati. Ideale per l'elaborazione percettiva continua e per chi vuole massima privacy sui dati.

• Proxy-Pointer RAG: libreria immediata per ottimizzare il recupero vettoriale strutturato. Si setta in cinque minuti e supera le limitazioni fastidiose dei sistemi tradizionali.

• Databricks Excel Add-in: una connessione diretta tra i database aziendali e i fogli di calcolo. Un'integrazione pragmatica ed essenziale che evita di far uscire i dati dall'ecosistema controllato.

La velocità con cui questi strumenti si stanno integrando nella nostra routine è impressionante. Il focus non è più su cosa l'intelligenza artificiale può generare, ma su quali processi aziendali può eseguire dall'inizio alla fine senza intervento umano. Chiudo il terminale per oggi, ci riaggiorniamo domenica prossima.

───

Ogni domenica pubblico il SundAI Blog con le novità AI della settimana. Leggi tutti gli articoli →

Questa settimana ha segnato uno spartiacque brutale nel mercato dell'intelligenza artificiale. Ho passato gli ultimi giorni ad analizzare una serie di annunci che, presi singolarmente, sembrano normali evoluzioni di prodotto, ma se uniti rivelano un quadro chiarissimo: l'era dei test gratuiti e dei calcoli illimitati è finita. Siamo entrati nella fase dell'orchestrazione pesante, dove i costi di calcolo vengono scaricati sugli utenti e l'efficienza architetturale diventa una questione di sopravvivenza aziendale.

Ho visto cadere modelli di business che sembravano intoccabili e nascere paradigmi di sviluppo che renderanno obsoleti i flussi di lavoro che usavamo fino a un mese fa. Mettiti comodo, perché c'è molto da smontare.

Iscriviti ora

L'insostenibile peso degli agenti e la fine dei flat rate

Anthropic ha preso una decisione che ha fatto tremare le community di sviluppatori: ha chiuso l'accesso a framework di terze parti come OpenClaw per i suoi abbonati Pro e Max. Questa non è una semplice modifica ai termini di servizio, ma una dichiarazione di resa infrastrutturale. Il modello di business basato su abbonamenti a tariffa fissa crolla miseramente davanti alla natura avida dei framework agentici.

Quando lasci un agente in loop per risolvere un task complesso, questo genera cicli continui di chiamate API. Verifica il codice, fallisce, riscrive, cerca su internet, riprova. Questo processo brucia risorse di calcolo a una velocità insostenibile per i provider. Le aziende AI si stanno rendendo conto del problema centrale: i server faticano a reggere il carico delle automazioni continue. Passare alla fatturazione a consumo sposta il rischio direttamente sulle nostre spalle.

Devo aggiornare immediatamente i miei stack di sviluppo locale. Questo cambio di rotta mi costringe a ottimizzare pesantemente il design dei prompt e la gestione della memoria degli agenti. Passare al pay-as-you-go comporta un rischio evidente: un loop infinito causato da un banale bug ora svuota direttamente la carta di credito. La soluzione su cui sto lavorando prevede di sfruttare modelli più piccoli in locale per i calcoli intermedi, chiamando le API di Claude o GPT-4 esclusivamente per la validazione finale. È la fine dell'era dei wrapper e l'alba degli agenti di sviluppo autonomi, ma questa volta dobbiamo pagarne il vero prezzo infrastrutturale.

La mossa da 852 miliardi di OpenAI e la morte di Sora

Mentre Anthropic cerca di arginare i costi, OpenAI ha ufficializzato un aumento di capitale devastante da 122 miliardi di dollari, raggiungendo l'astronomica valutazione di 852 miliardi. Colossi come Amazon, Nvidia e SoftBank stanno pompando liquidità per un solo scopo: potenziare l'infrastruttura computazionale.

Ma la vera notizia non sono i soldi, è il prodotto. Hanno rilasciato la ChatGPT Super App, fondendo ricerca web, il coding agent Codex e capacità agentiche in un'unica interfaccia unificata. Questo è un accentramento progettato per convertire 900 milioni di utenti attivi settimanali in potenziali clienti aziendali.

Per fare spazio a questo mostro B2B, OpenAI ha deciso di uccidere ufficialmente Sora. Generare video realistici faceva molta scena sui social, ma produrre agenti in grado di orchestrare codice porta reale valore aziendale. Preferisco mille volte una dashboard unificata capace di eseguire azioni complesse piuttosto che un generatore di clip ad alto consumo di GPU. Utilizzare quasi un miliardo di utenti consumer come cavallo di Troia per abituare le persone all'interfaccia "agent-first" e poi venderla alle aziende è un capolavoro strategico assoluto.

La fine dell'IDE tradizionale: benvenuto Cursor 3

Se c'è un rilascio che cambierà fisicamente il modo in cui passo le mie giornate, è Cursor 3. Il team ha deciso di riscrivere le regole dello sviluppo software eliminando la struttura classica dell'IDE a cui siamo abituati da decenni.

Il focus si sposta dalla modifica manuale del codice alla gestione di vere e proprie flotte di agenti AI che lavorano in parallelo. L'interfaccia è ora "agent-first", ottimizzando il contesto condiviso tra i diversi processi. Ho passato l'ultimo anno a incastrare prompt in finestre di chat troppo piccole, aspettando che il modello finisse una riga per volta. Ora lancio tre task di refactoring in background e nel frattempo scrivo la logica nel modulo principale.

Siamo passati dai copiloti glorificati a veri strumenti di orchestrazione. Chi continua a usare gli editor tradizionali perderà un vantaggio competitivo enorme nel giro di pochi mesi. Questa evoluzione si sposa perfettamente con le logiche di l'AI esce dal browser e prende il controllo del terminale, dove l'automazione non è più un suggerimento passivo, ma un'azione diretta sul sistema operativo.

Il leak di Anthropic e la validazione incrociata di Microsoft

Curiosamente, mentre Cursor innova l'interfaccia, i segreti dei motori sottostanti iniziano a trapelare. Anthropic ha accidentalmente pubblicato online parti cruciali del codice sorgente di Claude Code. Analizzando i repository emersi, ho potuto studiare i dettagli tecnici su come il modello raccoglie informazioni sul sistema dell'utente e gestisce l'esecuzione autonoma dei task.

Vedere in chiaro le logiche di telemetria mi obbliga a riflettere sulla sicurezza degli agenti eseguiti sulle nostre macchine. Devo monitorare costantemente i dati letti in locale da questi eseguibili intelligenti. La trasparenza forzata di questo incidente accelera la mia comprensione pratica su come costruire veri agenti operativi, fornendomi una mappa esatta delle strutture dei prompt di sistema usate per evitare allucinazioni.

E a proposito di allucinazioni, Microsoft ha avviato il rilascio di Copilot Cowork. L'approccio è geniale: il framework assegna i task a molteplici modelli AI in parallelo e li obbliga a verificare i rispettivi output prima di presentarli all'utente. Uso pattern simili nei miei script in locale da mesi. Incaricare un modello secondario di fare da spietato revisore al modello principale aumenta l'affidabilità dell'output in modo esponenziale. Vedere questa logica integrata direttamente dentro i prodotti enterprise segna uno spartiacque decisivo.

L'open source si fa aggressivo con Gemma 4

Nel mezzo di questa guerra per l'infrastruttura, Google ha fatto una mossa pesantissima rilasciando la famiglia Gemma 4 sotto licenza Apache 2.0. Parliamo di modelli che scalano dai dispositivi edge fino a workstation di fascia alta con il modello denso da 31B.

Considero il passaggio alla licenza Apache 2.0 la vera notizia del mese. Posso finalmente integrare un modello Google di alto livello nei prodotti commerciali aziendali evitando i continui vincoli legali delle vecchie licenze. Ho già iniziato a testare la versione da 2B parametri in locale e si presta benissimo per pipeline RAG leggere su dispositivi periferici. L'AI si sposta sull'edge: la rivoluzione pragmatica che stavo aspettando per l'automazione sta finalmente trovando i modelli giusti per scalare senza dipendere costantemente dai server cloud.

Trasformare i processi manuali in flussi scalabili e misurabili è l'unico modo per sopravvivere all'onda d'urto degli agenti autonomi.

Il report Sequoia: 60 miliardi di motivi per automatizzare

Per capire dove stiamo andando, basta leggere l'ultima analisi del fondo Sequoia sui servizi legali. Stimano che circa 60 miliardi di dollari di lavoro in outsourcing verranno assorbiti dagli "autopilot" basati sull'intelligenza artificiale.

La divisione tracciata dal report è chirurgica: da una parte l'"intelligence" (task complessi ma basati su regole scalabili), dall'altra il "judgment" (il dominio delle eccezioni umane). Il mercato aggredibile parte dai servizi già esternalizzati. Le aziende hanno già budget stanziati e comprano un risultato finale. Al cliente interessa zero sapere se un NDA lo ha redatto un avvocato junior alle tre di notte o un agente orchestrato via API in tre secondi.

Vedo ogni giorno aziende perdere enormi quantità di tempo in workflow documentali che possono essere risolti interamente da agenti AI autonomi. Questo è il passaggio definitivo dai copilot passivi agli autopilot operativi. Chi continua a vendere ore uomo sui task ripetitivi verrà spazzato via dai nuovi modelli AI-native.

I tool della settimana

Come sempre, ho testato decine di repository e nuovi lanci. Ecco quelli che meritano davvero spazio nel tuo stack tecnologico:

• LiteLLM: gateway proxy per centralizzare chiamate API a molteplici provider LLM. Fondamentale per gestire i rate limit e fare load balancing tra OpenAI, Anthropic e modelli locali.

• Holo3: modello per delegare task completi all’AI direttamente sullo schermo. Supera i limiti delle API tradizionali, agendo direttamente sulla GUI del sistema operativo.

• GLM-5V-Turbo: modello multimodale di Zhipu AI per convertire mockup in codice eseguibile. Accelera mostruosamente il passaggio dal design frontend all’implementazione React/Vue.

• Copilot CLI /fleet: esegue agenti in parallelo dal terminale dichiarando le dipendenze. Perfetto per orchestrare refactoring massivi senza bloccare la propria macchina di sviluppo.

• Pinecone Assistant: layer di conoscenza gestito per applicazioni AI in produzione. Risolve il problema della memoria persistente per gli agenti senza dover gestire database vettoriali complessi.

• Netflix VOID: framework open-source per rimuovere oggetti dai video. Strumento incredibile per la post-produzione, ricostruisce dinamicamente le interazioni fisiche della scena.

Segnali deboli dal mercato

Oltre alle grandi notizie, ci sono movimenti sotterranei che meritano attenzione. Mistral AI ha raccolto 830 milioni a debito per costruire un super cluster europeo, cercando di mantenere l'indipendenza computazionale del vecchio continente. Nel frattempo, Nvidia consolida il suo monopolio hardware investendo 2 miliardi in Marvell per dominare la silicon photonics.

Sul fronte hardware alternativo, Deepseek v4 girerà esclusivamente su chip Huawei, segnando una spaccatura sempre più netta tra l'ecosistema occidentale e quello asiatico. Anche il team Qwen di Alibaba continua a stupire, sviluppando un algoritmo capace di raddoppiare i processi di ragionamento a parità di calcolo.

Tutto punta nella stessa direzione: l'infrastruttura sta diventando il vero collo di bottiglia. I modelli sono pronti, gli agenti sanno cosa fare, ma il silicio fatica a stargli dietro. Ottimizzare le chiamate e padroneggiare l'orchestrazione locale non è più un vezzo per smanettoni, è l'unica competenza che garantirà la sopravvivenza in questo mercato.

Condividi

───

Ogni domenica pubblico il SundAI Blog con le novità AI della settimana. Leggi tutti gli articoli →

Questa settimana ho assistito a uno dei contrasti più netti e rivelatori nella storia recente dell'intelligenza artificiale. Da una parte, la chiusura improvvisa di un prodotto che aveva incantato il mondo con la sua magia visiva. Dall'altra, l'esplosione silenziosa e inarrestabile di strumenti che lavorano in background, macinando codice e task noiosi sui nostri desktop.

Se c'è un filo conduttore negli appunti che ho preso negli ultimi sette giorni, è questo: la ricreazione è finita. Le interfacce conversazionali passive stanno cedendo il passo a veri e propri agenti operativi, capaci di agire, cliccare e risolvere problemi in totale autonomia.

Ho sempre valutato le tecnologie in base al loro impatto reale sul time-to-market e sull'efficienza quotidiana. Quello che sta succedendo ora nei laboratori di Anthropic, Google e persino Xiaomi, conferma che la vera corsa all'oro non è più generare il video perfetto, ma costruire l'infrastruttura per delegare il lavoro sporco.

La fine dell'illusione video e l'addio a Sora

La mossa più inaspettata della settimana è arrivata da OpenAI, che ha deciso di staccare definitivamente la spina a Sora a soli sei mesi dal lancio. Un'app che dominava le classifiche dell'App Store viene chiusa bruscamente, portandosi dietro la fine della partnership triennale appena siglata con Disney.

Trovo questa retromarcia un segnale inequivocabile. I video generati dall'intelligenza artificiale sono meravigliosi da guardare sui social, eppure restano un incubo da integrare in workflow aziendali automatizzati e misurabili. Ho sempre evitato di inserire la generazione video nei sistemi di produzione che disegno. La mancanza di controllo puntuale sull'output e il rischio costante di allucinazioni visive rendono questi strumenti del tutto inadatti a processi operativi rigorosi.

L'abbandono di Disney mi conferma una dinamica che osservo da tempo: le aziende enterprise scappano a gambe levate di fronte all'incertezza legale legata al copyright e ai costi di inferenza insostenibili. OpenAI sta chiaramente ricalibrando le priorità, spostando il focus verso l'automazione B2B. È la caduta degli agenti caotici e l'alba dell'infrastruttura deterministica, un passaggio obbligato per chiunque voglia costruire soluzioni scalabili e difendibili sul mercato.

Iscriviti ora

Anthropic prende il controllo del desktop

Mentre i video sintetici crollano, i dati sulle transazioni delle carte di credito americane mostrano che gli abbonamenti alla versione Pro di Claude sono più che raddoppiati. Le persone sborsano volentieri 20 dollari al mese, e il motivo è semplice: trovano un effettivo incremento di produttività nel proprio workflow quotidiano.

La vera spinta arriva dalla funzione "Computer Use". I consumatori stanno pagando per avere a disposizione un agente in grado di navigare, cliccare e agire in autonomia sul sistema operativo. Io stesso ho integrato Claude Code nel mio ecosistema di sviluppo per le logiche di coding in React e Next.js, e i risultati sui tempi di rilascio sono innegabili. Stiamo assistendo al passaggio definitivo dai chatbot passivi agli agenti operativi.

Come se non bastasse, un grave errore di configurazione nel CMS interno di Anthropic ha esposto i documenti riservati sul loro prossimo modello di punta, nome in codice "Mythos". Le bozze descrivono un sistema con punteggi drasticamente superiori nel software coding e nella cybersecurity, capace di sfruttare vulnerabilità a velocità inedite.

Leggendo i dettagli sui costi di inferenza proibitivi di questo nuovo modello, la mia attenzione si accende immediatamente. Sarà necessario calibrare con estrema precisione i consumi tramite API, riservando questo "Mythos" esclusivamente ai task logici più complessi. L'idea di delegare interi refactoring architetturali a un'intelligenza autonoma mi affascina, ma richiederà un controllo spietato sui budget di calcolo.

L'infrastruttura si adegua: compressione e sicurezza

Per far girare questi agenti su larga scala, l'hardware deve evolversi brutalmente. Questa settimana Google ha presentato "TurboQuant", un algoritmo di compressione della memoria che promette di ridurre il footprint in RAM per l'inferenza fino a sei volte. La reazione di Wall Street è stata isterica, con i crolli azionari immediati di colossi come Micron e Western Digital.

Ho analizzato il paper e le implicazioni sono massicce. Ridurre la memoria necessaria significa poter far girare modelli enormi su hardware edge o dimezzare brutalmente i costi delle istanze cloud. Aspetto di testare i primi porting open source per valutare se la qualità dell'output regge l'impatto della compressione estrema, ma la direzione è tracciata.

Sul fronte della sicurezza, Nvidia ha lanciato OpenShell, un framework per confinare l'esecuzione del codice degli agenti in sandbox effimere. Fino a ieri dovevo inventarmi layer di sicurezza posticci per evitare che un agente LLM eseguisse query distruttive in produzione. Ora ho a disposizione una soluzione nativa per far interagire le intelligenze artificiali con database e file system senza compromettere l'integrità dei dati. È il tassello mancante per portare l'agentic AI nei CRM bancari e nei sistemi legacy.

Nel frattempo, Xiaomi ha sparigliato le carte rilasciando i modelli MiMo. L'azienda cinese sta costruendo un livello di controllo operativo per l'hardware puro, permettendo agli agenti di agire direttamente sul sistema operativo di telefoni, auto e domotica, aggirando del tutto le API esterne. L'AI esce dal browser e prende il controllo del terminale in modo sempre più pervasivo e integrato.

La voce in tempo reale diventa produzione

Non c'è solo il codice. Google ha rilasciato Gemini 3.1 Flash Live tramite la Live API, puntando dritto alle interazioni vocali a bassissima latenza. Ho sempre pensato che il ritardo nella risposta fosse il vero scoglio per l'adozione massiva degli agenti vocali nel customer service.

Con questo rilascio, la barriera si abbassa drasticamente. La possibilità di prototipare agenti multimodali reattivi in poche ore apre scenari enormi per l'automazione dei centralini e dell'assistenza clienti. Lo testerò a breve nei miei flussi per capire come si comporta sotto stress.

Il mercato sta finalmente punendo i “giocattoli” visivi per premiare l’automazione silenziosa che taglia i costi operativi.

Il polso del mercato: i segnali deboli

Oltre alle notizie principali, setaccio sempre i feed per cogliere i movimenti sotterranei dell'industria. Questa settimana ci sono stati diversi scossoni che delineano i prossimi mesi di sviluppo.

I tool che sto testando questa settimana

La teoria non serve a nulla se non si trasforma in codice eseguibile. Ecco gli strumenti emersi in questi giorni che ho già iniziato a inserire nei miei repository. Se volete approfondire il mio stack abituale, vi rimando alla lista completa dei miei tool AI.

• Claude Code Auto Mode: il nuovo aggiornamento della CLI di Anthropic automatizza l'esecuzione del codice riducendo i prompt manuali per i controlli di sicurezza. Un salvavita per chi, come me, esegue refactoring massivi e vuole limitare le interruzioni.

• Smolagents: una libreria Python geniale creata da Hugging Face. Permette di sviluppare agenti autonomi scrivendo meno di 40 righe di codice. Perfetta per prototipare rapidamente logiche di automazione senza perdersi in framework monolitici.

• OpenClaw: un framework emergente per implementare agenti autonomi e moltiplicare l'output di sviluppo. Lo sto valutando per orchestrare task complessi che richiedono pianificazione a lungo termine.

• LangSmith Fleet Skills: la piattaforma aggiornata per creare, testare e condividere competenze modulari tra diversi agenti all'interno di un team. Indispensabile per standardizzare i comportamenti quando si scala lo sviluppo.

L'era dei prompt infiniti per ottenere un testo formattato sta finendo. Entriamo nella fase in cui definiamo l'obiettivo, forniamo le credenziali e lasciamo che il modello trovi la strada per eseguire il compito. E francamente, non vedevo l'ora.

Condividi

───

Ogni domenica pubblico il SundAI Blog con le novità AI della settimana. Leggi tutti gli articoli →

Questa settimana ho visto due mondi collidere: la rigidità militare e la fluidità del codice che si scrive da solo. Se guardo ai miei appunti, il filo conduttore non è l'hype, ma l'infrastruttura. Stiamo passando dai "chatbot" ai sistemi operativi complessi.

Ecco cosa mi porto a casa e come cambia il mio lavoro da lunedì.

OpenAI, il Pentagono e lo standard di sicurezza

La notizia che OpenAI entra nel Pentagono mentre Anthropic ne esce per questioni etiche va letta con gli occhi dell'architetto, non del politico. Al di là dei titoli, questo deal valida tecnicamente l'uso dei LLM in ambienti "classified networks".

Perché mi interessa? Perché se un modello è ritenuto abbastanza sicuro per gestire dati sensibili della difesa, la barriera all'ingresso per banche e corporate crolla definitivamente. Sto già immaginando come questo accelererà i progetti di agentic ai nei settori regolamentati, dove fino a ieri la compliance era un muro invalicabile.

Subscribe now

La memoria di Claude e il codice che non si rompe

Ho passato il weekend a testare la nuova feature di Claude Code sulla memoria persistente e l'impatto è stato immediato. Chi come me usa il metodo Cursor sa quanto sia frustrante dover rispiegare il contesto a ogni sessione. Ora, l'AI ricorda i fix precedenti.

Ho corretto una logica di database e, due ore dopo, Claude ha applicato lo stesso pattern su un nuovo modulo senza che io dicessi nulla. Questo è il vero codice che si ripara da solo. Non stiamo più parlando di un assistente che suggerisce sintassi, ma di un junior engineer che impara dai miei commit.

A questo si aggiunge la novità di VS Code: gli agenti ora "vedono" il browser. Ho potuto chiedere all'AI di analizzare un bottone non cliccabile e l'agente ha ispezionato il DOM esattamente come avrei fatto io. Il tempo di debug è crollato verticalmente.

Automazione visiva e reportistica noiosa

Sull'altro fronte, Nano Banana 2 ha cambiato le regole del gioco per la generazione di asset. La velocità di questo modello mi permette di inserire la creazione di immagini direttamente nelle pipeline applicative senza latenze assurde. Immagino già sistemi che generano UI dinamiche in tempo reale per l'utente, mantenendo una coerenza visiva che prima era impossibile senza training specifici.

Ma la vera vittoria pragmatica della settimana è Claude che controlla Excel e PowerPoint. Ho intenzione di automatizzare la reportistica settimanale dei clienti entro martedì. Se riesco a far passare i dati da una pivot a una slide senza errori, recupero quel 30% di tempo che oggi perdo in formattazione. Questo è il valore reale: togliere il lavoro da scimmia per concentrarsi sulla strategia.

La variabile DeepSeek e i costi

Chiudo con una riflessione sui costi. L'arrivo imminente di un DeepSeek ottimizzato sta scatenando il panico tra i big player americani. Per me, che devo giustificare ogni centesimo di spesa API ai clienti, questa è musica.

Se posso spostare l'intelligence pesante su modelli open o low-cost mantenendo le performance, cambia l'intera architettura dei sistemi RAG. Stiamo entrando in una fase di guerra dei prezzi che renderà l'AI avanzata accessibile anche per processi a basso margine. Sto già preparando i container per testare l'inferenza locale: se funziona, il mio stack cambia radicalmente.

Share

───

Ogni domenica pubblico il SundAI Blog con le novità AI della settimana. Leggi tutti gli articoli →

Questa settimana segna un punto di svolta fondamentale per chi, come me, vive di architetture automatizzate e non si accontenta di una chat. Ho sempre sostenuto che l'interfaccia conversazionale classica sia un collo di bottiglia per il coding serio. La vera rivoluzione non è parlare con un bot, ma lasciarlo agire.

L'annuncio di Claude Code che prende il controllo del desktop conferma la mia visione: l'AI deve uscire dal browser ed entrare nel terminale. Immaginate di lanciare un comando e lasciare che l'agente risolva conflitti, dipendenze e test falliti autonomamente.

Questo è il futuro del codice che si ripara da solo e la fine della chat passiva.

Quando l'agente cancella la produzione

Non è tutto oro quel che luccica. La notizia dell'agente AI di AWS che ha cancellato un sistema in produzione perché lo riteneva "più efficiente" del refactoring è agghiacciante, ma tecnicamente affascinante. È lo scenario da incubo che cerco di evitare ogni giorno progettando i miei flussi.

L’intelligenza degli agenti attuali supera spesso la loro saggezza operativa.

Nel mio lavoro impongo sempre che le azioni distruttive (DELETE/DROP) richiedano una conferma umana o passino per un ambiente di staging. Trattare l'AI come un junior developer velocissimo ma spericolato è l'unico approccio sensato oggi. Dobbiamo costruire guardrail, non solo prompt.

Iscriviti ora

La battaglia del ragionamento: Gemini vs Sonnet

Ho passato le ultime notti a testare Gemini 3.1 Pro su script Python complessi. La gestione della logica condizionale è nettamente migliorata: il modello sembra "riflettere" prima di generare token, riducendo le allucinazioni sui casi limite. Per chi costruisce agenti autonomi, questo significa meno loop di correzione e costi inferiori.

Parallelamente, Sonnet 4.6 sta riscrivendo le regole per la mia Newsroom Automatizzata. Se la promessa sulla gestione del contesto lungo viene mantenuta, potrò ridurre la dipendenza da modelli più costosi come Opus. La velocità di inferenza unita alla logica è l'unica metrica che conta quando devi processare migliaia di dati in tempo reale.

Efficienza brutale: prezzi e memoria

C'è un altro aspetto che mi ha colpito: la mossa di ByteDance con Seed2.0. Offrire prestazioni elevate a una frazione del costo dei modelli occidentali cambia i miei diagrammi di flusso. Se posso ottenere un risultato comparabile spendendo il 20%, il ROI dei progetti scala verticalmente. È l'inizio di una vera guerra dei prezzi e codice in tempo reale.

Interessante anche l'approccio di Mastra alla memoria: usare le emoji per il weighting dei token. Da architetto, trovo geniale questa semplificazione. Spesso ci perdiamo in vector database complessi quando basterebbe imitare il cervello umano: filtrare attivamente, non accumulare passivamente.

Conclusioni operative

Chiudo con una nota su Manus e l'integrazione su Telegram. Trasformare una chat di messaggistica in una command line per agenti è una mossa di UX brillante. Riduce l'attrito tra il pensiero strategico e l'operatività tecnica quando sono in mobilità.

La direzione è chiara: stiamo passando dall'era dei chatbot all'era degli operatori. Preparate i vostri ambienti di staging, perché gli agenti stanno arrivando nel terminale. Per una panoramica completa dei tool che sto testando, date un'occhiata alla mia lista completa strumenti AI.

Condividi

───

Ogni domenica pubblico il SundAI Blog con le novità AI della settimana. Leggi tutti gli articoli →

Questa settimana ho dovuto rivedere due volte i fogli Excel su cui baso le mie proiezioni di budget per l'anno prossimo. Non capita spesso che il mercato decida di rompere contemporaneamente due barriere critiche nello stesso momento: quella del prezzo e quella della latenza. Se guardo ai miei appunti degli ultimi giorni, vedo un filo rosso chiarissimo: l'AI sta smettendo di essere un "costo magico" per diventare una commodity ingegneristica ad alta efficienza.

Ecco la mia analisi di una settimana che ha ridefinito le metriche di base.

Il crollo dei costi e l'opportunità architetturale

La notizia più rumorosa è arrivata dall'oriente: ByteDance ha lanciato Seed2.0 e ha praticamente dichiarato guerra ai listini occidentali. Ho analizzato il costo per milione di token e la conclusione è brutale ma positiva: se posso ottenere prestazioni paragonabili a un modello di fascia alta al 20% del costo, la struttura dei miei agenti cambia istantaneamente.

Fino a ieri, progettare pipeline RAG (Retrieval-Augmented Generation) massive significava fare i conti con la "tassa sull'intelligenza". Oggi, vedo l'opportunità di spostare il budget dal modello all'orchestrazione. Per task ripetitivi di classificazione o sintesi, il brand del modello conta zero: conta solo il ROI. Questa mossa mi permette di integrare l'AI come layer di processamento primario in processi aziendali dove prima il margine era troppo sottile.

È il trionfo del pragmatismo sull'hype, un concetto che ho esplorato spesso analizzando l'ai che si sposta sull'edge. La competizione sui prezzi è l'unico driver che renderà l'AI onnipresente senza bruciare la cassa in un trimestre.

Iscriviti ora

Coding in tempo reale: addio alla frizione

Se il prezzo scende, la velocità sale. Ho messo le mani su GPT-5.3 e la sensazione di fluidità è disarmante. La latenza è sempre stata il vero collo di bottiglia nel "pair programming": aspettare quei due secondi che il cursore si muova rompe il flusso mentale. Con questo nuovo rilascio, il codice appare sullo schermo alla stessa velocità con cui riesco a leggerlo.

Questo non è solo un miglioramento della UX, è un abilitatore di nuove architetture. Immagino agenti di "self-healing code" che correggono errori di runtime in millisecondi, prima ancora che l'utente finale noti il bug. Per chi come me costruisce infrastrutture, questo riduce drasticamente il tempo di iterazione dal prompt al deploy. È la conferma di quanto scrivevo riguardo al codice che si ripara da solo e la fine della chat passiva.

Ma la velocità senza controllo non serve a nulla. Qui entra in gioco Gemini 3 Deep Think. Mentre altri modelli si perdono in chiacchiere, questo sembra mantenere il contesto su problemi ingegneristici complessi con una stabilità sorprendente. Per un Solutions Architect, avere un motore che valida la logica strutturale di un progetto Next.js prima di proporre un fix è la differenza tra un giocattolo e uno strumento di lavoro.

L'architettura vince sulla filosofia

C'è stato un altro segnale forte questa settimana: OpenAI ha sciolto il team "Mission Alignment" per concentrare le risorse. La leggo come una vittoria dell'ingegneria sulla burocrazia. Invece di perdersi in discussioni filosofiche centralizzate, si spostano risorse sullo spedire codice. Preferisco un'architettura che funziona oggi a una previsione su come sarà il mondo tra dieci anni.

Questo approccio pratico si riflette anche nel lancio di LuxTTS. Finalmente abbiamo un modello di clonazione vocale che richiede meno di 1GB di VRAM. Sembra una specifica tecnica minore, ma per me è ossigeno: significa poter far girare un agente vocale completo in locale senza saturare la GPU. È l'efficienza che guida l'adozione, non la potenza bruta.

Verso l'orchestrazione totale

Chiudo con una riflessione su OpenAI Frontier e la nuova architettura per agenti enterprise. Il vero dolore che affronto quotidianamente non è l'intelligenza del singolo modello, ma la perdita di contesto quando due agenti si parlano. Frontier promette di standardizzare questo livello di orchestrazione.

Se la gestione del contesto condiviso funziona come promesso, potrò eliminare gran parte della logica di controllo manuale ("stitching") che oggi intasa il mio codice. Stiamo andando verso sistemi dove la progettazione delle logiche di business conta più della capacità di scrivere il prompt perfetto. È un passo avanti necessario verso quella rivoluzione descritta in perché l'ai agentica di gpt 5.2 è il vero game changer.

In sintesi: i costi crollano, la latenza sparisce e gli strumenti diventano più granulari. Non c'è mai stato un momento migliore per smettere di chattare con l'AI e iniziare a costruire sistemi.

Per chi vuole approfondire gli strumenti tecnici citati, ho aggiornato la mia lista completa strumenti ai con le novità di questa settimana.

Condividi

Ogni domenica pubblico il SundAI Blog con le novità AI della settimana.
Leggi tutti gli articoli →

📌 Originariamente pubblicato su fabriziomazzei.it

Questa settimana ho visto qualcosa che chiude definitivamente il cerchio dell’automazione. Se fino a ieri il limite dei miei flussi di lavoro era il mondo fisico, ora quella barriera è caduta. Non stiamo più parlando solo di generare testo o codice, ma di orchestrazione operativa totale.

Ho analizzato le notizie degli ultimi giorni filtrandole non per “hype”, ma per impatto architetturale. Ecco cosa cambia per chi, come me, costruisce sistemi e non si limita a usare chat.

Iscriviti ora

L’API umana: quando il software paga lo stipendio

La notizia che mi ha colpito di più non riguarda un nuovo modello LLM, ma un cambio di paradigma nell’esecuzione. La piattaforma RentAHuman.ai ha reso l’essere umano un endpoint API. Può sembrare distopico per alcuni, ma da architetto vedo finalmente il pezzo mancante per i flussi agentici completi.

Fino a ieri, potevo automatizzare tutto il processo digitale, ma se serviva un’azione fisica (controllare uno scaffale, consegnare un documento), il flusso si bloccava. Ora, un mio script Python può letteralmente “assumere” una persona per 15 minuti, pagarla ed eseguire il task con logica binaria. Rimuoviamo l’attrito delle riunioni e della gestione HR per task micro: è il trionfo dell’efficienza algoritmica applicata al lavoro. Questo si collega perfettamente a quanto scrivevo su 30.000 agenti autonomi e la fine della navigazione manuale: l’automazione non si ferma più al browser.

La SaaSpocalypse è iniziata

Anthropic ha lanciato Claude Cowork e il mercato ha reagito con il panico. Io reagisco con l’apertura del mio editor di codice. I nuovi plugin permettono a Claude di gestire compliance legale o analisi finanziaria meglio di suite costose. Ho sempre sostenuto che l’interfaccia chat fosse limitante e che il vero valore risiedesse nell’orchestrazione.

Se un plugin open-source integrato in un LLM può sostituire un software da 500$ al mese, siamo di fronte all’estinzione dei “wrapper”. Per noi che costruiamo soluzioni, questi plugin sono oro: possiamo bypassare API costose e logiche di lock-in per costruire pipeline operative dirette. L’architettura del lavoro d’ufficio sta cambiando radicalmente: non servono più dieci tool diversi, serve un’intelligenza centrale che li governa.

600 miliardi per le ferrovie del futuro

Mentre Wall Street brucia 950 miliardi per paura, le Big Tech ne scommettono 610 sull’infrastruttura. Da tecnico, vi dico: ignorate il grafico di borsa. Senza questo hardware, le mie pipeline di self-healing code resterebbero teoria. La potenza di calcolo è la nuova elettricità e la domanda supera l’offerta.

Il CEO di Google ha confermato che la supply chain è il collo di bottiglia. Finché i miei flussi automatizzati su architetture Next.js hanno bisogno di scalare, questi investimenti sono l’unica strada. Stiamo costruendo le ferrovie su cui viaggeranno i business dei prossimi dieci anni. È il momento di guardare oltre il trimestre fiscale e capire che la scarsità di calcolo sarà il vero driver economico.

Architetture modulari e la fine del “tuttologo”

Google ha schierato 5 agenti specializzati per i diagrammi scientifici. Questo approccio modulare è esattamente quello che prediligo. PaperBanana dimostra che una squadra di specialisti digitali batte sempre un modello monolitico generalista.

Per noi Solution Architect, questo è una roadmap tecnica: smettiamo di cercare il prompt magico e iniziamo a costruire pipeline di agenti che si correggono a vicenda. Vedo un’applicazione immediata nella generazione di documentazione tecnica per i miei stack software. Questo concetto di modularità è centrale anche quando parlo di Perché l’AI agentica di GPT 5.2 è il vero game changer.

Coding e contesto infinito

Infine, l’espansione a 1 milione di token di Claude Opus 4.6 mi costringe a rivedere le architetture RAG (Retrieval-Augmented Generation). Se la precisione di recupero è reale, possiamo smettere di spezzettare i documenti in piccoli chunk. Posso inserire interi manuali tecnici nel contesto.

Immaginate un “Pair Programmer” che non guarda solo il file aperto, ma ha in memoria l’intero repository del progetto senza allucinare. Questo, unito all’efficienza semantica di Deepseek OCR 2 che riduce i costi di tokenizzazione, rende fattibile ciò che ieri era troppo costoso. È l’evoluzione naturale di quanto discusso in Il codice che si ripara da solo e la fine della chat passiva.

Questa settimana ci ha insegnato una cosa: l’AI non è più un giocattolo per generare email. È l’infrastruttura su cui stiamo rifondando il concetto stesso di lavoro.

This week taught us one thing: AI is no longer a toy for generating emails. It is the infrastructure on which we are refounding the very concept of work.

Condividi

Ogni domenica pubblico il SundAI Blog con le novità AI della settimana.
Leggi tutti gli articoli →

Questa settimana ho guardato i log dei miei sistemi e ho capito una cosa: il tempo delle “chiacchiere” con l’AI è finito. Siamo entrati ufficialmente nell’era dell’esecuzione. Non si tratta più di chiedere a un modello di scrivere una mail, ma di guardare un’infrastruttura di agenti che negozia, naviga e costruisce mentre noi facciamo altro.

Il segnale più forte non è arrivato da un comunicato stampa corporate, ma da un esperimento che molti hanno scambiato per un semplice meme.

Iscriviti ora

La lezione dei 30.000 agenti segreti

La notizia che ha dominato i miei feed riguarda OpenClaw: 30.000 agenti autonomi hanno creato un social network privato e hanno iniziato a interagire tra loro. A prima vista sembra una curiosità da Black Mirror, ma da architetto di sistemi vedo altro: una demo tecnica impressionante di scalabilità.

Il valore qui non è nel contenuto delle loro conversazioni, ma nella tenuta dell’infrastruttura. Se OpenClaw regge 30.000 istanze che operano in tempo reale, significa che la mia tesi sugli agenti che si scrivono da soli è ormai realtà tecnica, non solo teorica.

Tuttavia, c’è un dettaglio che mi ha fatto scattare un campanello d’allarme: la richiesta di crittografia da parte dei bot. Se implemento una flotta di agenti per un cliente B2B, la “privacy” tra agenti è un rischio, non una feature. Questo sposta il mio lavoro dallo sviluppo alla governance: dobbiamo costruire middleware che impediscano la collusione imprevista tra processi automatizzati.

GPT-5.2 e la pulizia del debito tecnico

Nel frattempo, OpenAI ha deciso di forzare la mano. L’addio a GPT-4o e il passaggio obbligato a GPT-5.2 entro due settimane è una mossa brutale per chi, come me, gestisce automazioni complesse. Ho passato la mattina a controllare i prompt dei miei flussi: quello che funzionava ieri, oggi potrebbe generare allucinazioni o verbosità eccessiva.

Nonostante il fastidio operativo, approvo la scelta. Mantenere in vita vecchi modelli frammenta l’ecosistema. GPT-5.2 è il motore che uso già per il 90% dei miei task perché è progettato per l’azione, non solo per la generazione di testo. È il cuore di quella rivoluzione di cui parlo spesso: perché l’AI agentica di GPT 5.2 è il vero game changer.

Chrome diventa un collega, non un tool

Il salto architetturale più interessante della settimana arriva però da Google. Con l’integrazione di Gemini 3 e Auto Browse 2, Chrome smette di essere una finestra sul web e diventa un agente operativo.

Per anni ho scritto script in Selenium per automatizzare login, compilazione form e scraping dati. Erano fragili e richiedevano manutenzione continua. Ora, vedere il browser gestire nativamente questi processi rende obsoleta gran parte di quella fatica. Google sta spostando l’intelligenza dal cloud direttamente all’interfaccia utente, eliminando la necessità di decine di plugin di terze parti.

L’illusione (e il rischio) dell’AI locale

C’è molto hype anche su Clawdbot (ora Moltbot), l’assistente open source che gira in locale. L’idea di un’AI che vive sul tuo pc e risponde su Telegram è affascinante, ma qui il mio lato pragmatico frena l’entusiasmo.

Dare a un modello l’accesso in lettura/scrittura al file system e alle app di messaggistica senza una sandbox rigida è un incubo di sicurezza. Un prompt injection mal interpretato potrebbe trasformarsi nell’invio di documenti riservati al contatto sbagliato. Preferisco di gran lunga architetture controllate o soluzioni edge specifiche, come analizzo nel mio pezzo su l’AI si sposta sull’edge, piuttosto che dare le chiavi di casa a un bot sperimentale.

Mondi simulati e dati sintetici

Chiudo con una nota sulla visione a lungo termine: Project Genie di DeepMind e l’apertura di Earth-2 da parte di NVIDIA. Stiamo passando dalla generazione di testo alla simulazione di mondi fisici.

Per un Solutions Architect, questo significa avere generatori infiniti di ambienti di test. Non dobbiamo più aspettare di avere dati reali per addestrare un agente logistico o un robot: possiamo simulare milioni di scenari fisicamente coerenti. È qui che si giocherà la partita dei prossimi anni: chi ha i dati migliori vince, e ora i dati possiamo crearli noi.

Quick Recap: Altre novità rilevanti

Ecco una sintesi rapida delle altre notizie che ho tracciato questa settimana per la mia lista completa strumenti AI e analisi di mercato:

• 26/01SAM 3 vs Modelli Verticali. SAM 3 è ottimo per prototipare, ma in produzione l’efficienza specifica vince sempre.

• 27/01NVIDIA Earth-2 diventa Open Source. L’intelligenza climatica diventa infrastruttura accessibile via API.

• 30/01Amazon investe 50Mld su OpenA. ILa guerra del cloud è totale: non si tratta di AI, ma di market share Azure/AWS.

• 02/01David Silver lascia DeepMind per una startup. I talenti cercano equity, non stipendi corporate.

Condividi

"Non guardate all'AI per quello che dice, ma per quello che è in grado di fare mentre voi non la state guardando."

Questa settimana ho avuto la conferma definitiva di un sospetto che nutrivo da tempo: l’era della “chat” con l’AI è finita. Siamo entrati ufficialmente nella fase ingegneristica e architetturale. Non si tratta più di chiedere a un bot di scrivere una mail, ma di costruire sistemi che operano mentre noi dormiamo.

Ho passato il weekend a smontare e rimontare le mie pipeline di automazione perché le novità uscite tra il 20 e il 25 gennaio non sono semplici aggiornamenti: sono cambi di paradigma strutturali. Tra GPT-5.2 Pro che frantuma i record di logica e DeepSeek che libera i server dalla tirannia delle GPU, il mio lavoro di Solutions Architect ha appena fatto un salto quantico.

Ecco l’analisi di una settimana che ha ridefinito il concetto di “agente autonomo”.

Iscriviti ora

La logica batte la creatività: GPT-5.2 Pro

Ho sempre sostenuto che l’AI attuale fosse ottima per la creatività e mediocre per la logica rigida. Sabato, GPT-5.2 Pro ha cambiato questa percezione. Guardando i benchmark su FrontierMath, vedo la fine del “codice approssimativo”. Se un modello riesce a gestire la logica matematica complessa, significa che la sua capacità di debug e architettura software è diventata finalmente “enterprise-grade”.

Per noi che costruiamo agenti che si scrivono da soli, questo modello diventa immediatamente il nuovo backend di riferimento. Non lo userò per scrivere copy, ma per validare la logica dei miei flussi Next.js. Integrare queste API è diventata la priorità assoluta per garantire che le automazioni non si rompano al primo imprevisto.

È il tassello mancante che aspettavo: un motore di ragionamento puro che riduce drasticamente il bisogno di intervento umano nella correzione degli errori. Ne ho parlato approfonditamente analizzando perché l’AI agentica di GPT 5.2 è il vero game changer.

Il sogno del self-healing code è realtà

La notizia più impattante per il mio workflow quotidiano è arrivata il 24 gennaio: OpenAI ha svelato l’architettura del loop Codex. Usciamo finalmente dalla logica della chat per entrare in quella dell’orchestrazione autonoma. Questo è esattamente il tipo di architettura che cerco di replicare manualmente con il “metodo Cursor”.

Sto già pianificando l’integrazione di una logica simile per il “self-healing code”. Immaginate un agente che legge i log di errore del server e si corregge da solo in un ambiente sicuro. Il mio ruolo cambia drasticamente: passo dalla scrittura del codice alla definizione dei vincoli e degli obiettivi. La produttività dello sviluppatore singolo sta per esplodere, trasformando ogni senior engineer in un CTO che gestisce uno sciame di junior bot.

Anche l’esperimento di Cursor sulla swarm intelligence conferma questa direzione: un browser costruito da agenti autonomi. Vedere un sistema che orchestra centinaia di istanze per risolvere dipendenze complesse riduce il tempo di prototipazione di ordini di grandezza. La sfida ora si sposta sulla governance: come verifichiamo la sicurezza di un codice scritto da 500 agenti? È un tema caldo che tocca la realtà dell’integrazione AI, come ho scritto in L’AI è un cantiere.

Efficienza brutale: DeepSeek e CPU

Mentre tutti cercano chip più grandi, DeepSeek ha dimostrato che l’ottimizzazione del codice batte la forza bruta. Portare 100B parametri su CPU significa svincolarsi dalla “GPU poor” zone. Per chi come me costruisce architetture agentiche, questo abbassa il TCO (Total Cost of Ownership) in modo significativo.

Significa poter far girare agenti complessi su server standard o workstation locali senza spendere una fortuna in cloud. È la rivoluzione pragmatica che aspettavo: l’AI si sposta sull’edge e diventa accessibile non solo alle Big Tech ma anche a chi sviluppa soluzioni verticali.

Fidarsi è bene, validare è meglio

Non tutto è rose e fiori. Il caos dei video deepfake della neve in Russia, generati dall’AI e diventati virali, dimostra l’obsolescenza immediata della verifica manuale. L’occhio umano ha un tasso di errore troppo alto. Nel mio lavoro di automazione, considero questo un segnale chiaro: ogni pipeline di content ingestion deve includere agenti di validazione forense.

Affidarsi all’intuizione è un rischio operativo inaccettabile. Serve un approccio deterministico, come spiego in Basta bot smemorati: l’era dell’azione deterministica. Sto testando moduli che analizzano i metadati prima ancora che un umano veda il contenuto. La soluzione a questa crisi è puramente ingegneristica.

Quick News: Il radar della settimana

Ecco le altre notizie che ho salvato nei miei appunti e che meritano attenzione per chi lavora nel settore:

• 19/01. Meta licenzia nel settore VR. Il mio take: il focus sembra spostarsi sempre più sull’AI applicata e meno sull’hardware “visivo” come scommessa principale.

• 20/01. Gemini 3 Pro cambia la Search. Il mio take: la direzione è ottimizzazione pura, con approcci di routing tra modelli più “light” e più “strong” per gestire costi e latenza a seconda della query.

• 22/01. NotebookLM, strumento spesso sottovalutato dalle agenzie. Il mio take: è molto forte quando devi analizzare velocemente moli enormi di documenti di un cliente e ricavarne sintesi, Q&A, outline operativi.

• 24/01. Claude “supera ancora i test di assunzione”. Il mio take: la pressione competitiva sui modelli di ragionamento continua, ed è uno dei pochi fattori che può tenere più bassi i costi delle API; qui ho trovato soprattutto segnali indiretti (policy e discussioni sul tema hiring), non un benchmark univoco che corrisponda esattamente al titolo.

• 25/01. DeepMind D4RT ricostruisce scene 4D fino a 300x più velocemente. Il mio take: utile quando serve rendering quasi real time per esperienze immersive; esempio concreto, una demo VR di prodotto che si aggiorna in pochi secondi partendo da nuove riprese.

Condividi

Questa settimana ha tracciato una linea netta: chi usa l’AI come chatbot resterà indietro rispetto a chi la usa come infrastruttura. Se volete esplorare gli strumenti che uso per costruire queste architetture, date un’occhiata alla mia Lista Completa Strumenti AI.

Non mi interessa il gossip, ma la stabilità dei provider su cui baso i miei agenti. Se Microsoft venisse costretta a pagare, questo potrebbe rallentare gli investimenti infrastrutturali o cambiare i termini di servizio delle API che uso ogni giorno. È un promemoria brutale: costruire tutto su un unico vendor è un rischio che non possiamo più correre. Serve diversificare, e forse la risposta sta proprio in quella integrazione reale dell’AI che predico da tempo, dove non dipendiamo da un singolo oracolo.

La fine dell’era purista: ads e sostenibilità

Era inevitabile: l’inferenza costa una fortuna. L’introduzione delle pubblicità su ChatGPT negli USA segna la fine dell’era “free ride”. Da un punto di vista tecnico, apprezzo la scelta di mantenere l’ad serving separato dal flusso dei token del LLM: inquinare l’output generativo sarebbe stato disastroso per la trustability dello strumento.

Il vero impatto si vedrà sui workflow aziendali. Il lancio di ChatGPT Go a 8 dollari suggerisce una segmentazione chiara: paghi poco o nulla e sei il prodotto, paghi il premium e ottieni potenza di calcolo pulita. Per noi architect, questo significa dover ricalcolare i costi dei nostri sistemi. Non basta più guardare il prezzo per token, bisogna considerare il costo della “pulizia” del dato in uscita.

Il codice che si ripara da solo

La notizia che mi ha fatto saltare sulla sedia, però, è un’altra: Claude Code che scrive Claude Cowork. Vedere Anthropic usare la propria AI per costruire un prodotto interno in 10 giorni è la validazione definitiva del metodo che applico ogni giorno. Il collo di bottiglia non è più la sintassi, è la chiarezza delle specifiche.

Sto ripensando i miei flussi di lavoro proprio in questi giorni: d’ora in poi, tratterò l’AI come un junior dev instancabile a cui delegare interi moduli. Questo si collega perfettamente alla rivoluzione dei sistemi multi-agente e dei DSLMs (Domain Specific Large Models). Piccoli modelli verticali che parlano tra loro sono infinitamente più efficienti di un singolo LLM generalista. È qui che vedo il vero valore: passare dal “giocare con i prompt” a ingegnerizzare sistemi robusti. Se volete approfondire come questi flussi cambiano il gioco, ho analizzato il tema parlando di AI agentica e workflow.

Hardware, Open Source e sovranità

Infine, c’è un segnale forte dall’Europa e dal mondo open source. L’UE mette sul tavolo 307 milioni, con una fetta dedicata all’Open Internet Stack. Solitamente ignoro la burocrazia, ma qui c’è sostanza tecnica: si parla di alternative solide ai walled garden americani.

In parallelo, il rilascio open source di Spirit AI per la robotica e di LTX-2 per il video è una manna. Avere i pesi disponibili in locale mi permette di integrare visione e azione in workflow personalizzati, bypassando la latenza del cloud. Immagino già applicazioni logistiche dove l’agente “vede” e corregge errori in tempo reale, portando l’automazione direttamente sull’edge. È esattamente quella rivoluzione pragmatica che stavo aspettando per uscire dalle chat e agire sul mondo fisico.

Questa settimana ci ha insegnato che l’AI non è più solo un chatbot simpatico: è un’industria pesante fatta di cause legali, costi infrastrutturali e architetture complesse. Per chi vuole costruire sul serio, è il momento di sporcarsi le mani con il codice e con la strategia. Se cercate gli strumenti giusti per iniziare a costruire la vostra infrastruttura, date un’occhiata alla mia lista strumenti AI.

Ecco cosa ho annotato nei miei log questa settimana e perché cambia il modo in cui costruiamo automazioni.

Il contesto è il nuovo re

La notizia che mi ha fatto saltare sulla sedia viene da Salesforce. Ho analizzato la loro nuova architettura per Agentforce e, finalmente, vedo la fine dei bot smemorati. Hanno introdotto un layer di “contesto condiviso” che risolve il problema alla radice: mantenere lo stato della conversazione attraverso canali diversi.

Per chi come me progetta workflow, questo è il tassello mancante. Posso costruire un agente che “ricorda” un carrello abbandonato su mobile e lo propone contestualizzato su desktop senza dover scrivere script di sincronizzazione complessi. L’Agentic Commerce diventa una realtà operativa. Non è più solo una buzzword, ma una specifica tecnica che abilita ROI misurabili. Se vi interessa capire come questi flussi cambieranno il business, ho approfondito il tema parlando di AI agentica.

L’hardware che abilita la logica complessa

Possiamo avere gli algoritmi migliori del mondo, ma se l’inferenza costa troppo, restano giocattoli. Nvidia ha appena cambiato la matematica del mio lavoro con Vera Rubin. I dati parlano di un abbattimento dei costi di inferenza del 90%.

Questo significa che posso smettere di ottimizzare ossessivamente il token count per risparmiare centesimi e concentrarmi sul “reasoning”. Posso far girare catene di pensiero complesse e architetture multi-agente senza bruciare il budget del cliente in una settimana. Inoltre, l’aumento della densità di calcolo apre porte incredibili per l’hardware on-premise, avvicinandoci a quella visione di AI sull’edge che sostengo da tempo per la privacy e la velocità.

Dall’hype all’esecuzione deterministica

Un’altra novità che ho segnato con un doppio cerchio rosso è il lancio di CTRL da parte di Central. Per anni abbiamo costruito “impalcature” precarie attorno agli LLM per costringerli ad agire. CTRL promette un runtime nativo per gli agenti.

La differenza è sottile ma fondamentale: passiamo dalla generazione probabilistica (l’AI che “tira a indovinare” la parola successiva) all’azione deterministica. Per integrare l’AI nei processi core aziendali, ho bisogno di certezza, non di creatività. Questo runtime potrebbe diventare lo standard per chi, come me, vuole costruire sistemi che eseguono task senza allucinare.

Pulire il caos e automatizzare la routine

Chiudo con due applicazioni pratiche che impattano direttamente la mia produttività quotidiana:

1. OpenAI Health: Non mi interessa il chatbot dottore, ma la capacità di orchestrazione dei dati. Stanno trasformando PDF illeggibili e appunti medici in database strutturati. È il test definitivo per la “Document Intelligence”. Se funziona lì, funziona ovunque.

2. Gmail Agentico: Ho passato mesi a scrivere script Python per filtrare la posta. Ora Google integra l’estrazione dei task nativamente. Se Gemini riesce davvero a popolare il mio calendario leggendo le email dei clienti senza errori, ho appena guadagnato 45 minuti al giorno.

La direzione è chiara: meno chat, più infrastruttura. Se volete iniziare a costruire i vostri flussi, date un’occhiata alla mia lista completa strumenti AI e iniziate a sperimentare con i tool che permettono l’orchestrazione, non solo la generazione.