Al Sequoia's AI Ascent 2026, Andrej Karpathy — co-fondatore di OpenAI, ex direttore AI di Tesla e fondatore di Eureka Labs — ha aperto con una sorprendente ammissione: non si è mai sentito così arretrato come programmatore. Non perché abbia perso le sue competenze, ma perché gli strumenti di codifica basati su AI stanno cambiando il significato della programmazione più velocemente di quanto chiunque possa tenere il passo.
Karpathy ha delineato un framework in tre fasi per comprendere questo cambiamento: vibe coding, agentic engineering e Software 3.0. È il modello mentale più chiaro che chiunque abbia offerto su dove sta andando lo sviluppo software — e quali competenze saranno più importanti.
Punto chiave
Il vibe coding permette a chiunque di costruire con prompt. L'agentic engineering permette ai professionisti di costruire con agenti AI mantenendo la qualità. Software 3.0 è quando le reti neurali diventano lo strato di programmazione stesso. Stiamo attualmente passando dalla fase 1 alla fase 2.
Cos'è il Vibe Coding?
Il vibe coding è il termine di Karpathy per la fase attuale in cui chiunque — tecnico o meno — può creare software descrivendo ciò che vuole in linguaggio naturale. Dici a un AI "costruiscimi una landing page con una sezione hero, tabella prezzi e form di iscrizione" e genera codice funzionante.
Il vibe coding ha abbassato la soglia d'ingresso. Un product manager può ora prototipare un'app. Un designer può creare un sito web funzionale. Uno studente può realizzare uno strumento che risolve un problema reale. La barriera per costruire è passata da "anni di esperienza di codifica" a "capacità di descrivere ciò che vuoi".
Strumenti che abilitano il vibe coding: Cursor, Bolt, v0, Replit e in parte ChatGPT e Claude con generazione di codice.
Il limite: Il vibe coding produce codice che funziona, ma spesso con difetti di design sottili. L'esempio di Karpathy: un'app generata da AI che abbinava pagamenti Stripe ad account Google tramite indirizzi email invece di ID utente persistenti. Il codice girava bene. L'architettura era sbagliata. Un developer junior non l'avrebbe notato. Un developer esperto l'avrebbe individuato subito.
È questo che Karpathy chiama "jagged intelligence" — la capacità dell'AI non è distribuita uniformemente. I modelli eccellono in aree con dati di training, ricompense e loop di verifica, e falliscono in modo imprevedibile in altre.
Cos'è l'Agentic Engineering?
L'agentic engineering è la fase successiva — usare agenti AI per lo sviluppo di qualità professionale mantenendo la supervisione umana su architettura, decisioni di design e standard di qualità.
Dove il vibe coding è "descrivi ciò che vuoi e accetta ciò che l'AI ti dà", l'agentic engineering è "usa agenti AI per eseguire mentre tu dirigi, revisioni e correggi la rotta". Il ruolo umano passa dalla scrittura di codice alla revisione del codice, dall'implementazione all'architettura, dalla codifica all'ingegneria.
Strumenti che abilitano l'agentic engineering: Claude Code, OpenAI Codex, Hermes Agent e la modalità agent di Cursor. Questi strumenti non generano solo codice — pianificano compiti multi-step, li eseguono, testano i risultati e iterano.
| Aspetto | Vibe Coding | Agentic Engineering |
|---|---|---|
| Chi lo fa | Chiunque — non serve codifica | Developer con giudizio ingegneristico |
| Ruolo dell'AI | Genera codice da descrizioni | Esegue piani multi-step autonomamente |
| Ruolo umano | Descrivi ciò che vuoi | Dirigi, revisiona, correggi la rotta |
| Qualità output | Funziona, ma può avere difetti di design | Pronto per produzione con supervisione |
| Competenza chiave | Capacità di prompting | Gusto, giudizio, conoscenza architetturale |
| Verifica | "Gira?" | "È corretto, sicuro, manutenibile?" |
Cos'è Software 3.0?
Il concetto più grande di Karpathy. Il suo framework per l'evoluzione del software:
Software 1.0: Gli umani scrivono ogni riga di codice. Istruzioni esplicite. Comportamento deterministico. Questa è la programmazione tradizionale.
Software 2.0: Le reti neurali imparano dai dati. Invece di scrivere regole, fornisci esempi e il modello impara i pattern. Computer vision, riconoscimento vocale, sistemi di raccomandazione. Karpathy ha coniato questo termine nel 2017.
Software 3.0: I large language model diventano uno strato programmabile. Invece di specificare ogni istruzione, i developer descrivono obiettivi, vincoli e contesto. Il modello interpreta ed esegue. L'interfaccia è il linguaggio naturale. Il programma è il prompt.
In Software 3.0, l'LLM è sia il runtime che il linguaggio di programmazione. Non scrivi codice che chiama un LLM — l'LLM È il codice. Il prompt È il programma. E il lavoro del developer è progettare il prompt, curare il contesto e verificare l'output.
È per questo che context engineering sta diventando la competenza più importante in AI. Se il prompt è il programma, allora il contesto che lo circonda determina il comportamento del programma. Gestire quel contesto è la nuova forma di ingegneria del software.
---📬 Stai traendo valore da questo? Pubblichiamo settimanalmente sulle competenze che contano in AI. Ricevilo nella tua inbox →
---Perché il Gusto Conta Più della Sintassi Ora?
La frase più citabile di Karpathy dal talk: "You can outsource thinking. You cannot outsource understanding."
Gli agenti AI possono scrivere codice, generare bozze, chiamare tool ed eseguire compiti. Ma non possono dirti se il risultato è buono. Questo richiede giudizio — la capacità di riconoscere quando qualcosa è tecnicamente corretto ma architetturalmente sbagliato, quando il codice gira ma non scala, quando una feature funziona ma crea una vulnerabilità di sicurezza.
Karpathy chiama questo "taste". È la capacità di guardare un output generato da AI e sapere se è giusto. Non solo "compila?" ma "un ingegnere esperto lo costruirebbe così?".
L'implicazione pratica: i developer che capiscono profondamente i fondamentali prospereranno. I developer che sanno solo codifica superficiale faticheranno, perché l'AI fa codifica superficiale meglio di loro. Il valore si sposta verso l'alto nello stack — dall'implementazione all'architettura, dalla sintassi al giudizio, dallo scrivere codice al valutare codice.
Cos'è la "Jagged Intelligence"?
È il termine di Karpathy per la distribuzione irregolare delle capacità dell'AI. I modelli possono performare straordinariamente bene su alcuni compiti mentre falliscono inaspettatamente su altri. L'intelligenza non è fluida — è frastagliata.
Insight chiave: l'AI automatizza ciò che può essere verificato. Compiti con loop di feedback chiari — il codice passa i test? i calcoli tornano? l'output corrisponde al formato atteso? — sono dove l'AI eccelle. Compiti che richiedono giudizio in situazioni ambigue — è questa l'architettura giusta? questa user experience è intuitiva? questa strategia ha senso? — sono dove l'AI fatica ancora.
Per i developer, significa: più l'output è misurabile, più gli strumenti AI sono utili. Codifica, testing, analisi dati e creazione di contenuti strutturati sono altamente automatizzabili. Product design, system architecture e decisioni strategiche richiedono ancora giudizio umano.
Quali Competenze Servono per l'Agentic Engineering?
Sulla base del framework di Karpathy, le competenze che contano di più nell'era dell'agentic engineering:
1. Comprensione profonda dei fondamentali. Quando l'AI migliora, la tentazione è imparare meno. Karpathy sostiene l'opposto. La comprensione diventa il collo di bottiglia. Serve abbastanza profondità per dirigere il sistema, sapere cosa chiedere, cosa ispezionare, cosa rifiutare.
2. System design e architettura. L'AI scrive funzioni. Tu progetti sistemi. Capire come i componenti interagiscono, dove sono i punti di fallimento e come costruire per la scala diventa la competenza core del developer.
3. Verifica e revisione. La capacità di leggere codice generato da AI in modo critico — non solo "funziona?" ma "è l'approccio giusto?". Questo richiede la stessa conoscenza profonda che serve per scrivere codice, applicata diversamente.
4. Prompt e context engineering. Se il prompt è il programma, scrivere buoni prompt è programmazione. Il framework ICCSSE (Identity, Context, Constraints, Steps, Specifics, Examples) si applica direttamente all'agentic engineering — stai dando all'agente una specifica chiara, proprio come scriveresti un design doc per un developer umano.
5. Orchestrazione di tool. Sapere quale strumento AI usare per quale compito. Claude Code per scrivere feature, Cursor per editing, Hermes Agent per automazione, Copilot per suggerimenti. I migliori ingegneri combinano più tool, non si affidano a uno solo.
Per affinare il tuo prompting per tool di codifica AI, prova il gratuito Prompt Optimizer — applica framework strutturati a qualsiasi prompt. E per una guida pratica ai migliori tool di codifica AI disponibili ora, vedi il nostro confronto Claude Code vs Codex.
---📬 Ne vuoi di più come questo? Copriamo le idee che modellano il lavoro dei practitioner AI, settimanalmente. Iscriviti gratis →
---Domande Frequenti
Il vibe coding è morto?
No. Il vibe coding è qui per restare — è il punto d'ingresso per i non-developer per creare software. L'agentic engineering è l'evoluzione professionale per chi ha bisogno di output di qualità produzione. Coesistono entrambi. Pensa al vibe coding come schizzi e all'agentic engineering come architettura.
Devo imparare a programmare se l'AI scrive codice per me?
Sì, ma diversamente. Non devi memorizzare la sintassi. Devi capire come funziona il software — strutture dati, system design, principi di sicurezza, tradeoff di performance. La conoscenza che ti permette di valutare se il codice generato da AI è corretto e appropriato.
Quando Software 3.0 sarà mainstream?
Sta già accadendo in domini ristretti — coding assistant, generazione contenuti, analisi dati. Un pieno Software 3.0 (dove la maggior parte delle applicazioni è nativa LLM) è a 3-5 anni di distanza basandoci sulle traiettorie attuali. La transizione sarà graduale, non improvvisa.
Qual è la differenza tra agentic engineering e usare ChatGPT per codifica?
ChatGPT genera snippet di codice in risposta a prompt. L'agentic engineering usa agenti autonomi (Claude Code, Codex, Hermes) che pianificano compiti multi-step, li eseguono sul tuo codebase reale, testano i risultati e iterano — tutto con minima intervento umano. È la differenza tra chiedere indicazioni e assumere un autista.
Divulgazione: Alcuni link in questo articolo sono link affiliati. Raccomandiamo solo tool che abbiamo testato e usiamo regolarmente. Vedi la nostra politica di divulgazione completa.