Pagina 6 di 6
Usare un modello linguistico per una demo è facile. Metterlo in una pipeline aziendale che gira ogni giorno, con costi controllati, output verificabile e governance chiara, è un lavoro di ingegneria. È la differenza fra il giocattolo e lo strumento, ed è la distinzione attorno a cui ruota tutta questa categoria.
Il primo tema è il salto dalla demo alla produzione. Un LLM in produzione ha bisogno delle stesse cure di qualsiasi altro componente critico: monitoring di qualità, costi e anomalie, gestione degli errori transitori, budgeting dei token, difesa dagli abusi. Scrivo di come si costruisce una pipeline che regge il carico reale senza far esplodere la bolletta e senza produrre output di cui nessuno si fida.
Il secondo tema è l'automazione applicata al lavoro vero: orchestrazione multi-step, agenti che pianificano ed eseguono, LLM messi in pipeline CI/CD per code review, generazione di test e documentazione, migrazioni assistite. Non prompt isolati, ma architetture di automazione che si integrano nel processo esistente invece di crearne uno parallelo e incontrollabile.
Il terzo tema è il lato scomodo, che raccontano in pochi: il debito di comprensione che l'AI accumula in una codebase mentre sembra accelerare, la sycophancy dei modelli nelle decisioni aziendali, il riposizionamento dell'ingegnere senior, e le decisioni che restano tue e non vanno delegate a un modello. L'onestà su cosa funziona e cosa no vale più di qualsiasi entusiasmo.
Se vuoi portare l'automazione LLM in produzione sul serio, vedi l'automazione con l'AI o scrivimi.
L'AI non sostituisce l'ingegnere. Sposta il lavoro dal digitare codice al decidere cosa è giusto, che è sempre stato il lavoro vero.
pgvector trasforma PostgreSQL in un database vettoriale senza infrastruttura aggiuntiva. Ho costruito un sistema di ricerca semantica per un catalogo prodotti da 50.000 articoli in Laravel: gli utenti cercano in linguaggio naturale, il sistema trova i prodotti pertinenti anche con terminologia diversa da quella del catalogo. Continua a leggere
Un e-commerce Laravel con zero test e 40.000 righe di codice. Ho usato Claude API in una pipeline semi-automatizzata: input una classe PHP, output i test unitari e di integrazione. Con supervisione umana sulle asserzioni, ho portato la copertura dal 3% al 68% in tre settimane. Vediamo come. Continua a leggere
Quando mi consegnano un progetto PHP legacy senza documentazione, la prima settimana è sempre la stessa: leggere codice, mappare dipendenze, identificare i punti critici. Ho automatizzato questa fase con un agente Claude che processa il codice in chunk, costruisce una mappa delle dipendenze e produce un report strutturato. Continua a leggere
Un cliente nel settore legale voleva un'AI che rispondesse su normativa italiana specifica. Fine-tuning troppo costoso da mantenere aggiornato, RAG con Postgres pgvector più economico e aggiornabile in tempo reale. Vi racconto la valutazione tecnica e i benchmark di accuratezza sui casi d'uso reali. Continua a leggere
Un cliente con 120.000 righe di codice PHP senza un byte di documentazione. Ho costruito una pipeline con Claude API che estrae contesto da ogni file, genera documentazione in italiano calibrata per il team non-tecnico, e la pubblica su Confluence automaticamente a ogni deploy. Costo operativo: 2€/mese. Continua a leggere
L'AI non è una moda né una bolla: è uno strumento di produzione potentissimo. Ma i numeri raccontano una verità scomoda: la maggioranza dei progetti AI non produce valore, e quasi nessuna azienda governa davvero i propri agenti. Ti spiego, da ingegnere che costruisce pipeline AI in produzione, perché proprio questo rende la competenza umana più necessaria, non meno. Continua a leggere
