La dichiarazione di Boris Cherny, responsabile di Anthropic e del progetto Claude Code, ha il tono secco delle frasi che non cercano consenso ma descrivono un cambio di stato. “Non prompto più Claude. Ho loop che promptano Claude e decidono cosa fare. Il mio lavoro è scrivere loop.” In una singola frase si condensa uno spostamento che molti nel settore stanno già vivendo ma che pochi ammettono esplicitamente: la transizione dal prompting umano alla costruzione di sistemi agentici che generano, valutano e correggono i propri input. Non si tratta più di dialogare con un modello, ma di progettare ambienti in cui il modello dialoga con sé stesso.
La logica sottostante a strumenti come Claude Code non è semplicemente quella dell’assistenza alla programmazione, ma quella di un ciclo iterativo di decisione, verifica e riscrittura. Il prompt, nella sua forma classica, perde centralità perché diventa solo uno degli stati iniziali di una macchina più ampia. I loop citati da Cherny rappresentano pipeline in cui un modello genera ipotesi, un secondo passaggio le valuta, un terzo le corregge e così via, fino a convergere su una soluzione operativa. La conseguenza è quasi imbarazzante nella sua semplicità: il valore non è più nella singola istruzione, ma nella struttura che decide quando e come le istruzioni vengono create. Il programmatore diventa architetto di sistemi auto-regolati, più simile a un ingegnere dei controlli che a un tradizionale sviluppatore software.
Questo cambio di paradigma ridisegna anche la nozione stessa di competenza tecnica. L’industria ha venduto per mesi l’idea del “prompt engineering” come nuova abilità strategica, una sorta di interfaccia naturale tra linguaggio umano e capacità computazionale. Quella fase appare oggi transitoria, quasi ingenua nella sua linearità. Nei sistemi a loop, il prompt non è più un asset da ottimizzare ma una variabile dinamica, riscritta continuamente dal sistema stesso. Il risultato è una struttura che si auto-alimenta e che riduce progressivamente la dipendenza dall’intervento umano diretto. La promessa implicita è quella di una produttività quasi continua, ma la realtà ingegneristica è meno poetica: più livelli di astrazione significano anche più punti di failure, più ambiguità, più costi di debugging.
Dal punto di vista enterprise, la questione è meno filosofica e più brutalmente operativa. Le aziende che stanno integrando agenti autonomi nei flussi di sviluppo scoprono rapidamente che il problema non è far generare codice ai modelli, ma controllare la coerenza dei cicli decisionali. Un loop che si auto-prompta può ottimizzare soluzioni in modo sorprendente, ma può anche amplificare errori sistemici senza una chiara visibilità delle assunzioni interne. In questo contesto, la governance diventa una funzione tecnica, non più solo organizzativa. Logging, tracciabilità delle decisioni e simulazione dei percorsi decisionali diventano infrastrutture tanto critiche quanto i modelli stessi. Il sogno dell’automazione totale si scontra con la realtà di sistemi che, proprio perché più autonomi, richiedono più supervisione strutturale.
Sul piano economico, la dichiarazione di Cherny segnala anche un’altra dinamica meno discussa: la progressiva commoditizzazione del prompting umano. Se il valore si sposta verso la progettazione di loop e architetture agentiche, la barriera competitiva si alza e si concentra su pochi attori in grado di costruire infrastrutture sofisticate. Il resto del mercato rischia di restare intrappolato in un livello intermedio, dove si utilizza l’AI senza comprenderne la struttura decisionale sottostante. È una dinamica tipica delle fasi di maturazione tecnologica: la superficie si democratizza, mentre il controllo reale si centralizza. Il risultato è un ecosistema dove molti “usano” l’intelligenza artificiale, ma pochi ne definiscono il comportamento.
Resta tuttavia una tensione strutturale che nessuna retorica sull’autonomia degli agenti può risolvere completamente. I sistemi a loop non eliminano l’incertezza, la redistribuiscono. Ogni iterazione introduce una nuova forma di opacità, e ogni livello di automazione aggiunge una distanza tra decisione e comprensione. L’idea che il developer possa limitarsi a scrivere loop è affascinante, ma implica una fiducia quasi sistemica nella stabilità dei modelli sottostanti. Una fiducia che, nella pratica industriale, viene continuamente testata da edge case, comportamenti inattesi e degradazioni silenziose delle performance. Il futuro evocato da Anthropic non è necessariamente sbagliato, ma è certamente meno lineare di quanto suggerisca una frase ben costruita su un social network tecnico.