L’industria del software sta assistendo a un cambiamento che rischia di essere molto più radicale del semplice passaggio dalla programmazione tradizionale agli assistenti AI. Il concetto di Loop Engineering, emerso quasi simultaneamente nel giugno 2026 grazie alle riflessioni di Addy Osmani, Peter Steinberger e Boris Cherny, introduce infatti una mutazione sostanziale nel ruolo dell’ingegnere: non si tratta più di scrivere prompt migliori, ma di costruire sistemi che generano autonomamente i prompt necessari agli agenti artificiali. In altre parole, l’essere umano esce dal ciclo operativo quotidiano e diventa architetto del ciclo stesso. La differenza può sembrare semantica; in realtà rappresenta una cesura storica comparabile all’introduzione delle pipeline CI/CD o del cloud computing.
Il documento evidenzia come il Loop Engineering si collochi al quarto livello di una gerarchia evolutiva composta da Prompt Engineering, Context Engineering, Harness Engineering e, infine, Loop Engineering. Se il Prompt Engineering si occupa delle istruzioni fornite al modello e il Context Engineering decide quali informazioni inserire nella finestra contestuale, il Loop Engineering si pone un gradino sopra e affronta una domanda molto diversa: come costruire un sistema capace di funzionare autonomamente nel tempo, senza attendere continuamente l’intervento umano.
La tesi più interessante del paper è che il vero collo di bottiglia non è più la generazione di codice. Quella sta rapidamente diventando una commodity. Il bene scarso è il giudizio. Gli autori sostengono che gli agenti possono produrre quantità quasi illimitate di codice, pull request, refactoring e documentazione; tuttavia non possiedono ancora la capacità di distinguere in modo affidabile ciò che appare ragionevole da ciò che è realmente corretto. Questa osservazione possiede implicazioni economiche enormi. Gli sviluppatori il cui valore era legato principalmente alla velocità di digitazione o alla memorizzazione delle API rischiano di essere progressivamente marginalizzati. Al contrario, gli ingegneri dotati di forte capacità critica, comprensione sistemica e visione architetturale vedranno amplificato il proprio valore.
Il cuore operativo del Loop Engineering è costituito da cinque movimenti fondamentali: scoperta del lavoro da svolgere, assegnazione del compito agli agenti, verifica del risultato, persistenza dello stato e schedulazione automatica del ciclo successivo. La mancanza di uno solo di questi elementi produce sistemi fragili o addirittura inutili. Un loop privo di persistenza dimentica continuamente ciò che ha fatto; uno senza verifica si trasforma in una macchina che approva automaticamente i propri errori; uno senza schedulazione rimane un semplice script eseguito manualmente.
Particolarmente rilevante è il modello Generator/Evaluator promosso da Anthropic. Gli studi citati mostrano che un agente incaricato di valutare il proprio lavoro tende sistematicamente a sopravvalutarne la qualità. Il fenomeno ricorda il vecchio principio bancario del maker-checker: chi esegue un’operazione non dovrebbe essere la stessa persona che la approva. Nel contesto AI, il generatore produce il codice mentre un secondo agente indipendente, configurato con atteggiamento deliberatamente scettico, verifica l’output eseguendo test, simulando interazioni utente e cercando sistematicamente difetti. La separazione strutturale tra autore e revisore emerge come il principale meccanismo di sicurezza dell’intero paradigma.
Il caso industriale più impressionante riportato nel documento riguarda Stripe. La piattaforma interna “Minions” genera e gestisce oltre 1.300 pull request settimanali scritte esclusivamente da agenti software. La parte sorprendente non è il volume, bensì l’architettura. Stripe limita deliberatamente l’autonomia dei modelli utilizzando orchestratori deterministici per raccogliere documentazione, contesto e codice rilevante prima che l’LLM inizi a lavorare. Tutto ciò che può essere espresso tramite regole esplicite viene sottratto all’intelligenza probabilistica del modello. È una lezione strategica che molte startup AI sembrano ignorare: l’affidabilità non deriva necessariamente da modelli più grandi, ma da vincoli migliori.
Naturalmente il Loop Engineering introduce nuove forme di debito tecnologico. Il documento identifica quattro rischi silenziosi: debito di verifica, deterioramento della comprensione del codice, resa cognitiva dell’ingegnere e crescita incontrollata dei costi computazionali. Il pericolo più insidioso è forse proprio la cosiddetta cognitive surrender, ossia la progressiva rinuncia dell’essere umano a esercitare il proprio giudizio critico perché il sistema “sembra funzionare”. Chiunque abbia gestito grandi infrastrutture automatizzate riconoscerà immediatamente il pattern: l’automazione crea fiducia, la fiducia genera disattenzione, la disattenzione produce incidenti.
La conclusione strategica è netta. Il Loop Engineering non elimina l’ingegnere; elimina soltanto le attività meccaniche che storicamente occupavano gran parte del suo tempo. Rimane il compito più difficile: decidere cosa vale la pena costruire, quando fermare il sistema e quali risultati meritano fiducia. In un’epoca nella quale generare software tende verso un costo marginale prossimo allo zero, il giudizio umano diventa il principale fattore competitivo. Il futuro appartiene quindi non a chi scrive più codice, ma a chi progetta i migliori cicli decisionali.
Scarica il pdf