Un’ora densa e stratificata di riflessioni sulla programmazione con intelligenza artificiale: Andrew Mayne dialoga con Greg Brockman e Thibault Sottiaux, accompagnando l’ascoltatore in un percorso che va dai primi esperimenti con GPT-3, quando il modello riusciva a generare funzioni dai docstring con risultati sorprendenti, fino all’attuale incarnazione di Codex su base GPT-5, capace di operare come un autentico collaboratore nello sviluppo software. Non si tratta più di scrivere frammenti di codice: l’obiettivo è costruire un rapporto continuativo con un agente in grado di pianificare, gestire strumenti e portare a termine compiti di durata considerevole. Il concetto di “harness” emerge come snodo centrale: è un insieme di componenti software, librerie e strumenti operativi che integra il modello linguistico con le interfacce pratiche, il loop di agenticità e il livello esecutivo. In questo modo diventa un ponte tra testo e azione in ambienti reali, una struttura che consente all’agente di tradurre i comandi scritti in operazioni concrete e verificabili. In questa cornice due parametri risultano decisivi: intelligenza e convenienza, cioè latenza, costi e facilità d’integrazione. L’esperienza di GitHub Copilot ha fissato uno standard nell’immaginario degli utenti, collocando la soglia di accettabilità per l’autocomplete intorno a 1500 millisecondi; quando i modelli diventano più potenti ma anche più lenti, diventa inevitabile ripensare l’interfaccia e le modalità di interazione per preservare fluidità e soddisfazione.
Sul piano degli ambienti di lavoro, il team ha testato con attenzione diversi contenitori: terminale, IDE, interfacce CLI, fino ad agenti asincroni remoti capaci di operare per conto dello sviluppatore in background. All’interno di OpenAI era stata addirittura sviluppata una toolchain chiamata “10X”, mai rilasciata al pubblico, che serviva da laboratorio per capire i limiti e le possibilità di queste tecnologie. Oggi Codex si manifesta attraverso canali più consolidati: menzioni dirette su GitHub che innescano processi su un “portatile virtuale” ospitato nei data center, oppure estensioni integrate nei flussi locali che dialogano con l’IDE o il terminale. Gli sviluppatori esperti tendono a preferire il terminale quando privilegiano velocità e concretezza, mentre l’IDE resta insostituibile quando servono controllo granulare, confronto di versioni e possibilità di annullare le modifiche. Per orientare l’agente all’interno di un progetto entra in gioco un file “agents.md” che contiene regole, preferenze, scorciatoie di navigazione e suggerimenti contestuali. Restano però aperte sfide complesse legate alla memoria di lungo termine: come permettere a un agente di ricordare scelte progettuali o bug risolti mesi prima senza appesantire le performance.
Il balzo qualitativo di GPT-5 Codex si misura nella duplice capacità di reagire con prontezza ai compiti elementari e di resistere su attività lunghe e intricate. In test interni, l’agente è rimasto attivo fino a sette ore consecutive per eseguire refactoring di grandi dimensioni, muovendosi tra centinaia di file, pianificando in autonomia, facendo girare i test, analizzando i risultati e arrivando a completare l’intera operazione senza supervisione costante. Parallelamente, la funzione di code review ha raggiunto un livello di affidabilità inatteso: da segnalazioni imprecise e ridondanti si è passati a una vera rete di sicurezza capace di intercettare bug sottili, verificare che le modifiche rispettino l’intento originario e accelerare l’intero processo di produzione. In alcuni casi si sono visti decine di pull request eseguiti e validati in poche ore, con un livello di qualità vicino alla perfezione. Una volta che una capacità supera la soglia della pura sperimentazione e diventa strumento realmente utile, gli ingegneri non tornano più indietro.
Lo sguardo si allarga poi agli scenari enterprise. Qui Codex trova terreno fertile in operazioni ad alto impatto: grandi refactoring di codice legacy, migrazioni da linguaggi storici come COBOL verso ecosistemi moderni, patch di sicurezza su larga scala, automazione della manutenzione e persino creazione di nuovi strumenti software ideati direttamente dall’agente. La visione complessiva è quella di una moltitudine di agenti distribuiti in cloud, ciascuno con permessi calibrati e operante in ambienti sandbox, sotto la costante supervisione di sviluppatori che dettano le linee guida e ne verificano i risultati. Guardando al 2030, gli ospiti del podcast immaginano una situazione caratterizzata da abbondanza di capacità creativa e da una contrapposta scarsità di risorse computazionali. Portare GPU più vicine agli sviluppatori, ridurre la latenza degli strumenti e ottimizzare l’utilizzo dell’hardware diventeranno quindi esigenze cruciali, per non soffocare il potenziale creativo degli agenti software.
Il messaggio finale conserva un tono concreto e incoraggiante: questo è un momento ideale per chiunque voglia imparare a programmare sfruttando il supporto dell’intelligenza artificiale. Codex abbassa le barriere di ingresso a nuovi linguaggi, suggerisce librerie mai esplorate, fa emergere soluzioni a problemi che da soli richiederebbero ore di ricerca, e al tempo stesso rende più preziosa la padronanza dei fondamenti di architettura, algoritmi e ingegneria del software. Non si tratta di sostituire lo sviluppatore umano, bensì di amplificarne le capacità, liberando tempo per le decisioni concettuali e strategiche. L’adozione di queste tecnologie è cresciuta in maniera esponenziale, oltre dieci volte rispetto ai primi mesi, favorita anche dall’inclusione nei piani Plus e Pro con soglie d’uso generose che hanno reso l’accesso più democratico. Il quadro che emerge è quello di un presente già in pieno movimento, non di un futuro remoto. Programmare con l’aiuto dell’intelligenza artificiale non appare più come un semplice esperimento, ma come una pratica quotidiana destinata a trasformare profondamente il mestiere dello sviluppatore.
