Claude Code, OpenClaw e l’Effetto Slot Machine: la nuova era dell’AI Engineering #41

In questa puntata di Risorse Artificiali parliamo di AI Coding Agents, produttività estrema e rischio “effetto slot machine”.

Partiamo da una provocazione: l’Intelligenza Artificiale sta diventando una macchina dopaminica per sviluppatori? Tra vibe coding, reward loop continui e modelli sempre più veloci, l’esperienza di sviluppo software sta cambiando radicalmente.

Analizziamo:

• Le nuove funzionalità di Claude Code (memory gerarchica, automemory, rules)

• L’approccio open source di OpenClaw e il controllo remoto degli agenti via Telegram

• La corsa al milione di token di contesto e cosa significa davvero per chi sviluppa

• Benchmark e consistenza dei nuovi modelli: GLM 5, Minimax 2.5, Gemini 3.1, GPT 5.x

• Velocità vs accuratezza: quando conviene sacrificare qualità per performance?

• Compressione del contesto e rischi reali nell’utilizzo di agenti autonomi

• Sicurezza, guardrail e casi concreti di AI fuori controllo

Discutiamo anche dell’impatto sui team open source: se l’AI aumenta la produzione di codice, chi revisiona tutto? Sta cambiando il ruolo dei tech lead?

Un episodio tecnico ma con implicazioni profonde per AI Engineer, sviluppatori, CTO e chiunque stia integrando modelli di linguaggio nel proprio workflow.

🎧 Ascolta il podcast:
Spotify: https://open.spotify.com/show/16dTKEEtKkIzhr1JJNMmSF
YouTube: https://www.youtube.com/channel/UCYQgzIby7QHkXBonTWk-2Fg
Home: https://risorseartificiali.com

Chapters

00:00 Introduzione e Riflessioni Iniziali

02:30 Disagi e Riflessioni sull'AI

04:27 Potenzialità e Limiti delle Tecnologie AI

09:27 Gamification e Coding nell'Industria

12:34 Riferimenti al Gioco d'Azzardo e AI

15:08 Ottimizzazione e Automazione nel Coding

20:14 Integrazione di AI e Strumenti di Lavoro

22:37 Rilascio di Nuove Funzionalità da Parte di Anthropic

23:48 Sicurezza e Memoria nel Cloud

26:22 Innovazioni di Claude Code

29:18 Funzionalità di OpenClaw

31:43 Rilasci di Modelli e Aggiornamenti

36:44 Benchmarking e Performance dei Modelli

41:04 Ottimizzazione e Inferenza Locale

46:44 La Complessità dei Contesti Lungo

48:13 Modelli di AI: Minimax e GLM

49:32 Consistenza e Qualità delle Risposte

51:12 Velocità e Performance dei Modelli

52:35 Utilizzo dei Subagents e Ottimizzazione

53:39 Velocità vs Accuratezza nel Coding

01:00:20 Rischi e Sicurezza nell'Utilizzo di AI

01:02:20 Compressione del Contesto e Qualità delle Risposte

01:07:16 Strumenti per la Gestione del Contesto

01:09:30 Conclusioni e Riflessioni Finali