Anthropic ammette che oltre l’80% del suo codice è scritto da Claude — e spiega come le aziende possono fare lo stesso

Più dell’80% del codice integrato nel repository di produzione di Anthropic a maggio non è stato scritto da umani, ma da Claude, il modello AI della stessa azienda. Lo ha rivelato un report pubblicato oggi dalla startup, che ha anche registrato un aumento di 8 volte del volume di codice spedito per ingegnere per trimestre rispetto alla baseline 2021-2025. Per i responsabili tecnici delle aziende, non è più una curiosità da laboratorio: è il nuovo standard competitivo.

Se un laboratorio di frontiera come Anthropic riesce a delegare la maggior parte della sua produzione ingegneristica ad agenti autonomi — mostrando segni di quel “auto-miglioramento ricorsivo” tanto cercato nell’AI — cosa impedisce ad altre aziende di automatizzare di più il loro sviluppo software con agenti AI? Ovviamente, è più facile a dirsi che a farsi. Anthropic è uno dei creatori principali del boom attuale dell’AI, quindi ci si aspetta che sappia usare la tecnologia. Ma per le aziende che vogliono aumentare la quota di codice e flussi di lavoro gestiti da agenti, il post sul blog di Anthropic delinea le linee guida di un piano replicabile.

La roadmap di Anthropic per le aziende

La transizione dal coding umano all’orchestrazione autonoma richiede di capire l’evoluzione delle capacità AI. Anthropic delinea un percorso storico chiaro:

• 2021-2023 (Scrittura manuale): Gli ingegneri scrivono codice e documentazione negli editor locali.
• 2023-2025 (Assistenza chatbot): Gli sviluppatori usano modelli early per snippet brevi, copiando e incollando manualmente.
• 2025-2026 (Agenti di coding): Agenti capaci scrivono e modificano file interi in autonomia.
• Oggi (Agenti autonomi): Gli agenti eseguono codice, fanno debug in ambienti live e delegano stream di lavoro di ore a sotto-agenti specializzati.

Questa evoluzione è validata da benchmark esterni. Framework come SWE-bench — che testa i modelli nella risoluzione di bug reali su codebase open-source complessi — sono saturati in due anni. Modelli come Claude Opus 4.6 mantengono operazioni su task di 12 ore, mentre Claude Mythos Preview supera le 16 ore di problem-solving continuo.

Internamente, il salto è ancora più netto. Su problemi ingegneristici complessi senza specifiche chiare, il tasso di successo di Claude è salito al 76% a maggio 2026, un aumento di 50 punti in sei mesi. In benchmark di ottimizzazione isolati, Mythos Preview ha ottenuto un speedup di 52x su codice di training AI. Per confronto, uno sviluppatore umano impiega 4-8 ore per ottenere un modesto 4x sullo stesso codice.

Piano in 3 passi per automatizzare la produzione di codice

Per replicare il traguardo dell’80%, i decision-maker tecnici devono abbandonare il modello “assistente allo sviluppatore” e passare a un’architettura di “fabbrica automatizzata”. Questo impatta product management, operations e flussi di lavoro degli sviluppatori in tre modi.

1. Dal codice all’architettura

Quando il costo della generazione di codice tende a zero in tempo umano, il ruolo primario dell’ingegnere passa dallo scrivere software allo specificare obiettivi e rivedere output. I leader devono riqualificare gli sviluppatori come architetti e giudici di sistema. Come ha notato un dipendente Anthropic: «La forma attuale è: gli umani hanno idee, i modelli sono in grado di implementarle, testarle e valutarle un ordine di grandezza più velocemente di prima».

2. Superare il collo di bottiglia della code review

Iniettare enormi quantità di codice generato dall’AI crea attrito operativo. Secondo la legge di Amdahl, lo speedup di un processo è limitato dai suoi colli di bottiglia seriali non automatizzati. Ad Anthropic, la code review umana è diventata il collo di bottiglia critico. Per contrastarlo, i team devono distribuire revisori AI automatizzati nei pipeline CI/CD. Anthropic ha implementato un revisore Claude (la versione pubblica, Claude Code Review, è stata rilasciata a marzo). Analisi retrospettive hanno mostrato che il revisore automatico ha catturato circa un terzo dei bug di produzione responsabili di storici down del sito claude.ai.

3. Colpire il debito tecnico ad alto volume

Le aziende sono spesso paralizzate dalla manutenzione di codice legacy e dal debito tecnico. I leader dovrebbero dirigere gli agenti autonomi verso operazioni di pulizia chiuse e sistematiche. Nell’aprile 2026, un ingegnere Anthropic ha schierato Claude per risolvere una classe persistente di errori API. Operando in autonomia, il modello ha spedito oltre 800 fix, riducendo il tasso di errore di un fattore 1.000. L’ingegnere ha stimato che uno sviluppatore umano avrebbe impiegato quattro anni interi per lo stesso lavoro.

Considerazioni per le aziende nell’era del codice AI

Gestire un codebase scritto prevalentemente dall’AI introduce sfide di governance uniche. I codebase aziendali che usano infrastrutture LLM proprietarie restano soggetti ai termini di servizio commerciali del vendor AI. Servono protocolli di verifica rigorosi per conformità, sicurezza e proprietà intellettuale.

• Qualità del codice: I dati interni di Anthropic mostrano che il codice AI era oggettivamente di qualità inferiore a fine 2025, ma ha raggiunto la parità a metà 2026, con l’aspettativa di superare gli standard umani entro l’anno.
• Audit di sicurezza su scala: Il progetto Glasswing di Anthropic, usando Mythos Preview, ha identificato oltre 10.000 vulnerabilità software ad alta e critica severità nelle prime settimane, spostando la sfida dalla scoperta alla velocità di patch.
• Rischio di cascate di allineamento: Errori non rilevati o disallineamenti sottili possono accumularsi in sessioni successive di agenti. I leader tecnici devono mantenere gate di verifica rigorosi per evitare che si amplifichino.