1. Introduzione

Il rapido incremento delle capacità degli agenti di codifica ha prodotto una previsione ricorrente nel discorso pubblico e professionale: la democratizzazione della produzione software e il conseguente declino del valore marginale della competenza tecnica. L'argomento è intuitivo. Se l'onere dell'implementazione viene assorbito da un sistema automatico, il differenziale tra esperto e principiante dovrebbe comprimersi. Questa previsione, tuttavia, confonde due grandezze distinte: la capacità dell'agente in isolamento e la produttività del sistema uomo-agente. La letteratura empirica recente consente per la prima volta di trattarle separatamente. Il presente lavoro le mette in relazione e sostiene che la loro composizione conduca a una conclusione controintuitiva ma coerente: i rendimenti dell'expertise non si annullano, ma cambiano oggetto.

2. Primo asse: la traiettoria di capacità (METR)

METR ha proposto una metrica di capacità ancorata al tempo umano: l'orizzonte temporale di completamento dei compiti al 50% (50%-task-completion time horizon), definito come la durata di un compito, misurata dal tempo impiegato da un esperto umano, in corrispondenza della quale l'agente raggiunge una probabilità di successo del 50% (Kwa et al. 2025). La metrica non misura la velocità del modello bensì la difficoltà del compito che esso è in grado di sostenere mantenendo coerenza; è definita anche una soglia più stringente all'80%. Le durate sono stimate a partire da oltre 800 baseline umane raccolte su una suite di circa 170 compiti (RE-Bench, HCAST e Software Atomic Actions), prevalentemente di ingegneria del software, machine learning e cybersecurity.
Il risultato principale è che tale orizzonte è cresciuto in modo approssimativamente esponenziale, con un raddoppio ogni circa sette mesi lungo un arco di sei anni; sui dati 2024-2025 la cadenza si riduce a un raddoppio ogni circa quattro mesi (METR 2026). In termini di modelli specifici, l'orizzonte passa dai circa due secondi di GPT-2 ai circa cinquanta minuti di Claude 3.7 Sonnet, alle quasi due ore di o3, fino alle circa dodici ore di lavoro-esperto attribuite a Opus 4.6 nelle misurazioni più recenti, un valore però sensibile alla versione della metodologia METR adottata e gravato da un ampio margine di incertezza. Gli autori segnalano esplicitamente che, con l'attuale suite, le misurazioni superiori alle sedici ore non sono affidabili.
Questa traiettoria è tuttavia insufficiente, da sola, a fondare previsioni sul valore del lavoro. Una nota successiva di METR (Whitfill et al. 2026), che ha sottoposto al giudizio in cieco dei manutentori di tre progetti reali (scikit-learn, Sphinx e pytest) 296 pull request generate da agenti oltre a 47 patch umane di riferimento, documenta che circa la metà delle soluzioni che superano il grader automatico di SWE-bench non verrebbe integrata nel ramo principale: il tasso di adozione dei manutentori risulta in media inferiore di circa 24 punti percentuali rispetto al punteggio di benchmark. Le motivazioni prevalenti di rifiuto attengono alla qualità del codice e al danneggiamento di codice non correlato, mentre il mancato superamento effettivo del difetto risulta comparativamente meno frequente. Gli autori precisano che agli agenti non è concessa l'iterazione sul feedback tipica del contributore umano, sicché il dato non va interpretato come limite di capacità fondamentale bensì come misura dello scarto tra punteggio di benchmark e utilità reale; come termine di paragone, anche le soluzioni umane originali, riesaminate in cieco, risultano accettate soltanto nel 68% dei casi. Il superamento della verifica automatica si conferma dunque condizione necessaria ma insufficiente all'accettazione, distinzione ben nota alla pratica ingegneristica e cruciale per l'argomento che segue.

3. Secondo asse: l'esito dell'interazione (Anthropic)

Il secondo filone sposta l'unità di analisi dal modello alla diade uomo-agente. Hitzig et al. (2026) classificano circa 400.000 sessioni reali di Claude Code raccolte tra ottobre 2025 e aprile 2026. La ripartizione decisionale tipica vede l'utente responsabile di circa il 70% delle decisioni di pianificazione (che cosa costruire) e l'agente di circa l'80% delle decisioni di esecuzione (come costruirlo).
L'effetto della competenza dell'operatore è marcato. Un utente esperto attiva in media dodici azioni dell'agente per istruzione, producendo circa 3.200 parole di lavoro, contro le cinque azioni e le seicento parole di un principiante. Sul tasso di successo verificato, misura conservativa che richiede il superamento dei test o l'effettivo commit del codice, si osserva una progressione dal 15% (principianti) al 28% (intermedi) al 33% (esperti). Nelle sessioni che incontrano difficoltà in corso d'opera, il tasso di abbandono è del 19% per i principianti contro il 5-7% delle altre categorie. La competenza, in altre parole, non incide soltanto sull'avvio ma sulla capacità di riconoscere e correggere l'errore dell'agente.
Il risultato più rilevante riguarda la natura della competenza. Essa non è primariamente di programmazione bensì di dominio: le dieci occupazioni più numerose del campione si collocano tutte entro sette punti percentuali dai software engineer quanto a tasso di successo, e la professione con il successo verificato più elevato è di tipo manageriale. Le abilità di scomposizione di un obiettivo in istruzioni verificabili e di delega con mantenimento del controllo sul risultato si trasferiscono efficacemente alla direzione di un agente. Va inoltre sottolineato che il classificatore impiegato (basato su Claude Sonnet 4.6, con concordanza superiore al 90% rispetto alla telemetria) non accede ad alcuna credenziale formale: inferisce la competenza dal comportamento osservato, e in particolare dalla direzione della correzione. È lo statuto epistemico dell'operatore rispetto all'agente, e non il suo titolo, a determinare la classificazione.
Sul piano temporale, nell'arco dei sette mesi osservati la quota di sessioni dedicate al debugging scende dal 33% al 19%, mentre cresce l'attività a valle (esecuzione del software, analisi dati, redazione di documenti non-codice) e il valore stimato della sessione tipica aumenta del 27%.

4. Discussione: la ricollocazione della competenza

La lettura congiunta dei due assi produce una sintesi che nessuno dei due, isolatamente, autorizza. L'asse di capacità (METR) indica che la porzione di lavoro esecutivo delegabile all'agente si espande rapidamente: ogni raddoppio dell'orizzonte temporale trasferisce compiti più lunghi dalla persona al sistema. L'asse di esito (Anthropic) indica che il rendimento di tale delega resta condizionato dalla competenza di chi formula e verifica. La combinazione non implica la scomparsa del collo di bottiglia, bensì la sua migrazione: dalla scrittura del codice alla sua valutazione e alla profondità di dominio necessaria a formulare il problema.
Le due misurazioni convergono su un medesimo fenomeno pur essendo state costruite indipendentemente. Il tasso di rifiuto dei manutentori documentato da METR e il divario di successo verificato documentato da Anthropic descrivono la stessa discontinuità tra superamento della verifica automatica e valore effettivo. In entrambi i casi il fattore discriminante è il giudizio umano competente, esercitato nel dominio pertinente. Ne discende una riconcettualizzazione della seniority: non più attributo cumulativo e stabile della persona, ma proprietà situata dell'interazione, ridefinita a ogni sessione dalla direzione della correzione. Un ingegnere esperto alla sua prima sessione in un linguaggio ignoto opera, per quella sessione, come un principiante; un professionista non tecnico che specifichi con precisione i vincoli del proprio dominio opera come un esperto.

5. Limiti

Entrambe le fonti presentano vincoli di validità che impongono cautela. Lo studio di Anthropic misura ciò che accade entro la sessione e non l'esito a valle: non è documentato se il codice prodotto sia stato effettivamente messo in produzione né se abbia generato valore reale; il classificatore è proprietario e non ancora replicato in modo indipendente; il campione esclude l'uso non interattivo. La metrica di METR presenta una fragilità statistica nella coda alta della distribuzione, dove la scarsità di dati rende la stima sensibile all'esito di pochi compiti, e incontra un tetto di affidabilità alle sedici ore; le estrapolazioni sui traguardi futuri sono corrispondentemente incerte. Le conclusioni del presente contributo vanno pertanto intese come direzione coerente indicata da due misure convergenti, non come legge consolidata.

6. Conclusioni

La programmazione agentica non abolisce i rendimenti dell'expertise: ne sposta l'oggetto. Il valore marginale si trasferisce dall'esecuzione, progressivamente assorbita dall'agente, alla formulazione del problema e alla verifica del risultato, entrambe radicate nella competenza di dominio. La scarsità che ne deriva non riguarda la capacità di scrivere codice, bensì la capacità di stabilire che cosa valga la pena costruire e di riconoscere quando l'output automatico è soltanto plausibile. Nessuna delle due misurazioni qui discusse cattura direttamente tale capacità, e questo è precisamente il punto: essa costituisce il residuo non automatizzato attorno a cui si riorganizza il valore del lavoro tecnico.

Bibliografia

  • Hitzig, Z., Massenkoff, M., Lyubich, E., Zhang, S., Heller, R., McCrory, P. (2026). Agentic coding and persistent returns to expertise. Anthropic Economic Research, 16 giugno 2026.
  • Kwa, T. et al. (2025). Measuring AI Ability to Complete Long Tasks. arXiv:2503.14499.
  • METR (2026). Task-Completion Time Horizons of Frontier AI Models. https://metr.org/time-horizons/ (ultimo aggiornamento 8 maggio 2026).
  • Whitfill, P., Wu, C., Becker, J., Rush, N. (2026). Many SWE-bench-Passing PRs Would Not Be Merged into Main. METR Research Note, 10 marzo 2026. https://metr.org/notes/2026-03-10-many-swe-bench-passing-prs-would-not-be-merged-into-main/