Nel corso dell’evento Sequoia AI Ascent 2026, la presenza di Andrej Karpathy ha avuto un effetto che va oltre la consueta apertura ispirazionale tipica delle conferenze tecnologiche della Silicon Valley. Il suo intervento ha funzionato piuttosto come un aggiornamento implicito del sistema operativo concettuale con cui l’industria interpreta il software stesso, introducendo una tesi che, se presa sul serio, ridisegna la catena del valore digitale: il passaggio dal software come codice al software come orchestrazione di agenti, contesto e verifica continua. Non è un cambio estetico, ma un cambio di grammatica economica.
Il punto di partenza è apparentemente personale e quasi disarmante nella sua semplicità. Karpathy ha ammesso di non essersi mai sentito così “indietro” come programmatore, non per perdita di competenze, ma per disallineamento rispetto alla velocità con cui gli agenti stanno superando la soglia della mera assistenza. Il coding, in questa nuova fase, non è più un atto lineare di scrittura ma una negoziazione continua tra intenzione, modello, strumenti e feedback. È qui che emerge la sua tassonomia ormai diventata centrale nel dibattito: Software 1.0 come codice scritto dall’uomo, Software 2.0 come reti neurali addestrate su dati, e Software 3.0 come sistema programmato attraverso prompt, contesto, strumenti e meccanismi di verifica. La differenza non è semantica, è industriale.
In questo schema, il ruolo del programmatore si sposta verso una figura ibrida che somiglia più a un architetto di vincoli che a uno scrittore di istruzioni. Il software non è più un artefatto deterministico, ma un sistema adattivo che interpreta obiettivi. L’implicazione più rilevante per il mercato è che il “programma” diventa un oggetto fluido composto da memoria, feedback loop e capacità di azione. In termini pratici, questo significa che l’interfaccia principale non è più l’IDE, ma il contesto stesso, cioè ciò che viene fornito al modello per orientarne il comportamento.
Il passaggio successivo riguarda la natura stessa delle applicazioni. Karpathy ha insistito su un punto che nel linguaggio della Silicon Valley suona quasi eretico: molte applicazioni AI attuali non sono prodotti stabili, ma semplici strati temporanei sopra limiti dei modelli. Il caso tipico è quello di sistemi complessi che orchestrano OCR, estrazione dati e generazione di contenuti, solo per scoprire che il modello base è già in grado di comprimere l’intera pipeline in un singolo passaggio. In questo senso, l’applicazione non è più un asset difendibile, ma una funzione transitoria del progresso dei foundation model, inclusi quelli sviluppati da OpenAI.
Il concetto più rilevante per il futuro dell’industria emerge però nella distinzione tra automazione del specificabile e automazione del verificabile. Il software tradizionale ha sempre richiesto specifiche rigide, mentre l’intelligenza artificiale si muove in direzione opposta: non serve definire ogni passaggio, basta poter verificare il risultato. Questo spiega perché settori come codice, matematica, sicurezza informatica e data processing mostrano una velocità di adozione superiore rispetto ad altri domini. Non perché siano più semplici, ma perché offrono loop di verifica chiari, ripetibili e ottimizzabili.
Questa asimmetria introduce un criterio strategico che molti founder stanno iniziando a interiorizzare con ritardo: il vero vantaggio competitivo non è costruire un wrapper, ma progettare ambienti di verifica. In altre parole, sistemi in cui l’output del modello può essere testato, corretto e migliorato in modo continuo. Finance, compliance, assicurazioni e logistica diventano così meno settori verticali e più infrastrutture di apprendimento, dove il software non esegue soltanto, ma evolve.
Sul piano architetturale, la conseguenza più dirompente è la nascita di sistemi agentici nativi. La maggior parte del software attuale è progettata per utenti umani che cliccano, leggono e configurano. Gli agenti, al contrario, richiedono interfacce machine-first: permessi espliciti, documentazione strutturata, API pensate per esecuzione autonoma e flussi di lavoro decomponibili in azioni atomiche. È una trasformazione silenziosa ma profonda, perché implica la riscrittura implicita di intere categorie di prodotto, dalla SaaS enterprise alle piattaforme infrastrutturali.
Karpathy introduce qui una frattura culturale tra “vibe coding” e “agentic engineering”. Il primo democratizza la produzione software, abbassando drasticamente la soglia di accesso. Il secondo alza la soglia di responsabilità, perché impone di garantire qualità, sicurezza e coerenza in sistemi dove la generazione è delegata a entità non deterministiche. L’ingegnere non scompare, ma cambia ruolo: diventa supervisore di sistemi che producono codice a velocità superiore alla capacità umana di revisione.
Il nodo finale riguarda il capitale umano. In un contesto in cui la generazione di codice diventa marginale come skill distintiva, ciò che diventa scarso non è la capacità di produrre output, ma quella di interpretarlo. Taste, giudizio e comprensione tornano centrali in modo quasi controintuitivo. Il paradosso è che più l’intelligenza diventa economica, più diventa costoso capire cosa farne. L’industria si avvicina a una situazione in cui l’abbondanza di capacità computazionale non elimina la complessità decisionale, ma la amplifica.
La traiettoria delineata a Sequoia AI Ascent non descrive quindi un futuro dominato da strumenti più intelligenti, ma da sistemi in cui la responsabilità si concentra sempre più sull’umano come punto di verifica finale. Il software 3.0 non è una promessa di automazione totale, ma un cambio di regime in cui la domanda non è più cosa può fare la macchina, ma quanto a lungo l’umano riesce ancora a capire cosa sta accadendo dentro la macchina stessa.