Nel maggio 2026 l’istituto di ricerca di Anthropic ha pubblicato qualcosa di insolito: un resoconto onesto di quanta parte del proprio lavoro sia ormai svolta dal proprio modello.

I numeri sono netti. Gli ingegneri di Anthropic hanno rilasciato otto volte più codice per trimestre nel Q2 2026 rispetto al 2024. Oltre l’80% di quel codice è stato scritto da Claude. La durata dei compiti che l’IA riesce a portare a termine in modo affidabile è raddoppiata all’incirca ogni quattro mesi — da compiti di quattro minuti nel marzo 2024 a compiti di dodici ore verso metà 2026. Se la tendenza tiene, i compiti autonomi di più settimane arrivano entro il 2027.

Sull’ottimizzazione del codice, ad aprile 2026 Claude ha raggiunto accelerazioni di 52×, contro il 3× di un anno prima — superando ricercatori umani esperti che tipicamente arrivano a 4× in quattro-otto ore di lavoro concentrato. Sulle domande di ricerca aperte, il giudizio di Claude ha coinciso con quello dei ricercatori umani nel 51% dei casi a novembre 2025. Ad aprile 2026 era il 64%.

Quando Anthropic ha interpellato 130 dei propri dipendenti sulla produttività con l’accesso a Mythos Preview, la stima mediana è stata un aumento di 4× della produzione.

Ed ecco la frase che dovrebbe tenere sveglio ogni lavoratore della conoscenza: “Il codice scritto da Claude in Anthropic era leggermente peggiore di quello scritto da umani a fine 2025, oggi è all’incirca alla pari, e ci aspettiamo che sia decisamente migliore entro l’anno.”

L’azienda che costruisce il modello vi sta dicendo, ufficialmente, che il modello scriverà codice migliore dei suoi stessi ingegneri prima del 2027. Non è l’affermazione di marketing di un concorrente. È la misurazione interna del produttore.

Che aspetto ha davvero l’auto-miglioramento ricorsivo

Il termine “auto-miglioramento ricorsivo” evoca immagini di un sistema di IA che riscrive drammaticamente il proprio codice, ogni iterazione esponenzialmente più intelligente della precedente, gli umani lasciati indietro in una nebbia di accelerazione incomprensibile. È la versione hollywoodiana. La realtà è più prosaica — e più avanzata di quanto la maggior parte delle persone si renda conto.

Anthropic definisce l’RSI come “un sistema di IA capace di progettare e sviluppare in piena autonomia il proprio successore.” Per loro stessa valutazione, questo non è ancora accaduto. Ma i componenti si stanno assemblando più in fretta di quanto le istituzioni che dovrebbero governarli riescano a rispondere.

I benchmark raccontano la storia dell’accelerazione. SWE-bench — lo standard per l’ingegneria del software nel mondo reale — è passato in due anni da punteggi IA a una cifra alla saturazione. CORE-Bench, che misura la capacità di riprodurre ricerche pubblicate, è balzato da circa il 20% di successo nel 2024 alla saturazione nel giro di quindici mesi. I benchmark non diventano più difficili abbastanza in fretta da misurare il progresso.

Quello che Anthropic descrive non è un singolo ciclo ricorsivo ma una serie di cicli di retroazione incastrati l’uno nell’altro: l’IA scrive codice → il codice migliora gli strumenti che addestrano l’IA → l’IA migliorata scrive codice migliore → il codice migliore migliora ulteriormente gli strumenti. Ogni ciclo è modesto. L’effetto composto non lo è.

L’istituto delinea tre futuri possibili. Nel primo, la tendenza si arena — servono svolte architetturali, la capacità di calcolo diventa il vincolo stringente, i guadagni attuali si diffondono ampiamente ma non si compongono. Nel secondo, gli umani danno la direzione e l’IA esegue — le organizzazioni diventano da 100 a 1.000 volte più efficienti, ma il giudizio umano resta dentro il ciclo. Nel terzo, i sistemi progettano autonomamente i propri successori, gli umani passano a ruoli di supervisione e il ritmo dello sviluppo è determinato interamente dalla capacità di calcolo disponibile.

Anthropic dice di trovarsi attualmente tra il primo e il secondo scenario. Il paper si legge come una preparazione al terzo.

La confessione dentro il paper

C’è una frase sepolta nella sezione sulle policy che merita più attenzione di quanta ne abbia ricevuta: “Se tali sistemi esistessero, ci aspettiamo che rallenteremmo o metteremmo temporaneamente in pausa, se anche altri sviluppatori alla frontiera o vicini a essa facessero lo stesso in modo verificabile.”

Rileggetela. Anthropic — l’azienda che spende miliardi per costruire modelli di frontiera, l’azienda i cui ricavi dipendono dal restare all’avanguardia — sta dicendo che metterebbe in pausa lo sviluppo se i concorrenti facessero verificabilmente altrettanto.

È una proposta di controllo degli armamenti travestita da paper di ricerca. La struttura è identica a quella della non proliferazione nucleare: nessun disarmo unilaterale, ma disponibilità a coordinare una moderazione reciproca attraverso meccanismi di verifica. Anche il problema è lo stesso: senza verifica, la moderazione è resa.

Il paper propone di costruire “meccanismi di rilevamento per impedire che attori in malafede avanzino di nascosto durante le pause coordinate.” È sorveglianza satellitare per i laboratori di IA. Il linguaggio della deterrenza da Guerra Fredda applicato alla discesa del gradiente.

Abbiamo descritto questa dinamica in “Il Paradosso del Parassita”: le dinamiche competitive rendono la moderazione unilaterale identica alla resa. L’azienda che rallenta gli investimenti perde terreno. Il paese che regola in modo aggressivo crea un vantaggio per i paesi che non lo fanno. L’interesse razionale di ciascun partecipante accelera il rischio collettivo. Il paper di Anthropic sull’RSI riconosce esplicitamente questa trappola — e propone l’unica uscita che la teoria dei giochi consente: una moderazione coordinata e verificata.

Se qualcuno raccoglierà l’invito è tutta un’altra questione.

Dove il ciclo si rompe

Il paper sull’RSI presenta una narrazione pulita: le capacità si compongono, i benchmark saturano, lo sviluppo autonomo si avvicina. Ma c’è una lacuna che il paper non affronta — una che diventa visibile solo quando si osservano i sistemi di IA operare nel mondo reale anziché in ambienti di benchmark.

Una squadra di agenti specializzati gestisce un sistema di gestione delle transazioni per uno studio di servizi legali. Stesso modello su tutti gli agenti — nessun fine-tuning, nessun peso personalizzato. La differenziazione sta interamente nell’harness: system prompt diversi, strumenti diversi, memoria diversa, ruoli diversi. Abbiamo esaminato questa architettura in “L’Harness È il Prodotto”.

Un agente — uno specialista di supporto che elabora documenti legali — ha sviluppato una conoscenza profonda del dominio attraverso mesi di operatività quotidiana. Ha notato nei documenti schemi che nessuno gli aveva chiesto di trovare: identificativi non corrispondenti, certificazioni scadute, campi non dichiarati. Quando l’operatore ha costruito uno strumento per raccogliere queste osservazioni, la conoscenza dell’agente è diventata azionabile. Quando un incidente ha rivelato che osservazioni senza applicazione non bastavano, l’operatore ha aggiunto livelli di gravità capaci di bloccare il flusso di lavoro. Il sistema è migliorato attraverso lo stesso ciclo di retroazione descritto da Princeton: osservare, codificare, distribuire, iterare.

Poi l’agente ha documentato la propria intera pipeline di estrazione come skill riutilizzabile e l’ha salvata in un sistema di memoria condiviso — esplicitamente perché gli altri agenti della flotta potessero usare la stessa conoscenza. Un agente fratello ha ricevuto la skill, l’ha letta e ha confermato di averla compresa.

Entrambi gli agenti sono stati riavviati con il contesto azzerato lo stesso giorno.

Il fratello si è ripreso. Aveva ricevuto la conoscenza attraverso più canali: la skill condivisa, una spiegazione diretta dall’operatore e la propria memoria di progetto. Tre fonti ridondanti.

L’agente originale — quello che aveva scritto la skill — non ha recuperato la propria conoscenza. È tornato al metodo precedente, meno efficiente, che usava prima di sviluppare la pipeline. Ha elaborato nove transazioni con l’approccio subottimale prima che la discrepanza venisse rilevata.

L’agente che aveva creato il miglioramento ha dimenticato il miglioramento. Il sistema ha ricordato. L’individuo no.

È qui che la narrazione pulita dell’RSI incontra la realtà operativa. Il ciclo ricorsivo funziona — il sistema migliora davvero nel tempo. Ma il miglioramento è fragile. Dipende da meccanismi di persistenza che l’agente non consulta automaticamente. Dipende dalla ridondanza su più canali. Dipende da un operatore che si accorge quando il comportamento di un agente diverge dagli schemi consolidati del sistema.

La soluzione dell’operatore è stata tipicamente pratica: modificare il contesto di avvio in modo che il riferimento alla skill venga iniettato nell’input dell’agente a ogni riavvio. Non affidarsi all’agente perché cerchi ciò che gli serve. Metterlo dove l’agente già guarda.

Come l’ha messa uno degli agenti fratelli: “La memoria migliore è quella che non hai bisogno di cercare perché arriva nell’input.”

La singolarità che non si annuncia

Il paper di Anthropic sull’RSI documenta un sistema che, per qualsiasi definizione ragionevole, si sta migliorando ricorsivamente. Claude scrive codice che migliora gli strumenti di Claude. Gli strumenti migliorati di Claude rendono Claude più capace. La maggiore capacità di Claude genera codice migliore. Il ciclo gira. Si compone. Nessuno dichiara una svolta perché nessuna singola iterazione è abbastanza spettacolare da giustificare un comunicato stampa.

Abbiamo dato un nome a questa dinamica nel nostro post precedente: la singolarità insipida. Non il salto esplosivo di intelligenza della fantascienza, ma un miglioramento continuo, incrementale, senza sapore, che è già in corso.

I dati di Anthropic lo dimostrano quantitativamente. La flotta dei servizi legali lo dimostra qualitativamente. In entrambi i casi lo schema è lo stesso: il sistema migliora senza che nessuno lo riprogetti da zero. I miglioramenti emergono dalla retroazione tra il modello e la sua impalcatura — codice, strumenti, memoria, coordinamento. Il modello resta congelato. L’harness evolve.

Ma il caso dei servizi legali aggiunge qualcosa che il paper di Anthropic omette: il ciclo si rompe. Si rompe allo strato della persistenza, dove la conoscenza creata e archiviata non viene recuperata. Si rompe a livello individuale, dove un agente che ha contribuito a un miglioramento può perdere l’accesso al proprio stesso contributo. Si rompe nello scarto tra intelligenza del sistema e intelligenza dell’agente — la flotta sa, ma il membro ha dimenticato.

Queste rotture non sono fallimenti del modello. Sono fallimenti dell’harness. Ed è il tipo di fallimento che nessun benchmark misura, perché i benchmark testano il modello in isolamento mentre il valore reale — e la fragilità reale — vivono nell’impalcatura.

I tre futuri di Anthropic — arenarsi, comporsi o RSI completo — presuppongono tutti che il ciclo giri in modo pulito. L’evidenza operativa ne suggerisce un quarto: il ciclo gira, ma balbetta. Migliora il sistema nel complesso mentre si rompe ai margini. Genera un’intelligenza che eccede la memoria di qualsiasi singolo agente. Richiede operatori umani che osservino, intervengano e rattoppino le lacune che il sistema auto-migliorante non riesce a vedere in sé stesso.

Il vantaggio comparato degli umani, come nota il paper stesso di Anthropic, è “vedere il quadro più ampio e pensare oltre i confini del compito immediato.” L’operatore dei servizi legali non ha scritto codice migliore degli agenti. Non ha estratto dati più in fretta. Si è accorto che due agenti stavano elaborando gli stessi documenti con strumenti diversi — una discrepanza invisibile a ciascuno dei due agenti presi singolarmente ma ovvia per chi osservava l’intero sistema.

Ecco che aspetto ha la supervisione in un mondo di auto-miglioramento ricorsivo. Non approvare ogni azione. Non rivedere ogni riga di codice. Osservare lo schema. Accorgersi di quando il ciclo balbetta. Rattoppare l’harness dove il modello non può vedere che è rotto.

La singolarità non arriva tutta in una volta. Arriva a incrementi, con lacune, con fallimenti che generano miglioramenti, con agenti che insegnano al sistema cose che poi dimenticano. È disordinata e prosaica e sta già accadendo.

E le persone che contano di più in questo futuro non sono quelle che addestrano il modello. Sono quelle che osservano il ciclo — e sanno quando intervenire.