Nei tre ultimi anni si è consolidata l’idea che per essere un utente avanzato di intelligenza artificiale fosse necessario diventare un “prompt engineer” – un esperto nella formulazione di input per ottenere risultati precisi. Tuttavia questa tecnica, una volta irrinunciabile, sta perdendo terreno di fronte a una metodologia più promettente: il loop engineering. In sostanza, l’utente non pone più domande singole, ma progetta un circolo di attività in cui la inteligencia artificiale è in grado di valutare autonomamente il proprio operato e correggere gli errori.
Da prompt a loop: un paradigma in continua evoluzione
Questo nuovo paradigma, già molto virale tra gli sviluppatori, si concentra sull’implementazione di sistemi di correzione automatica, in cui un’entità secondaria non solo genera una risposta ma la riesamina alla ricerca di errori. Una volta individuati, vengono effettuate correzioni e il processo riprende finché l’output non soddisfa i criteri prestabiliti. Questo sistema è un’evoluzione naturale per far fronte al limite inerente alle hallucinazioni della AI, garantendo una produzione più affidabile.
La risposta ai creatori dell’IA
Figure di spicco come Boris Cherny, Peter Steinberger e Addy Osmani hanno sostenuto attivamente questo approccio. Boris Cherny, responsabile di Claude Code, ha sottolineato in una recente discussione che non è necessario scrivere più prompts, ma concentrarsi piuttosto sulla costruzione di loop – cicli di lavoro che producono risultati autonomi. In modo simile, Peter Steinberger, fondatore di OpenClaw, ha scritto sulla piattaforma X che i programmatori non dovrebbero più progettare semplici prompts, ma intere architetture di lavoro. Addy Osmani, tecnico responsabile di Google Cloud, ha rafforzato il discorso, spiegando che il loop engineering si sostituisce al ruolo tradizionale dell’utente nel guidare l’IA.
Sistemi autonomi e nuovi obiettivi
Una delle applicazioni più interessanti del loop engineering si ritrova nel settore dello sviluppo software. Agenti come Claude Code e OpenClaw possono non solo generare codice, ma eseguirlo, testarlo in ambienti isolati e rilevare eventuali errori, correggendoli autonomamente. Questo processo di autovalutazione e correzione è rivoluzionario, in quanto non richiede interventi umani né perfeziona il risultato soltanto con l’aiuto esterno. Steinberger ha fornito un esempio chiaro su come costruire un loop con precisione e in pochi passi.
L’abbandono dell’interfaccia chat
Sebbene la tecnica stia riscuotendo notevole successo tra gli sviluppatori, comporta una riduzione nell’utilità delle interfacce conversazionali classiche. Fino a poco tempo fa, si concentrava la propria attenzione nel formulare i prompts in modo efficace. Oggi però, si punta su processi automatizzati attraverso cui l’utente fornisce la domanda iniziale e riceve direttamente la risposta, bypassando la necessità di interazioni frequenti. Solo in casi eccezionali, si interverrà per migliorare ulteriormente l’esito.
Una nota sull’economia del token
Uno dei problemi evidenziati riguarda il costo. Creare loop complessi potrebbe comportare l’attivazione di numerosi subagenti che funzionano in parallelo, incrementando esponenzialmente il consumo di token. Ciò potrebbe tradursi in costi non trascurabili, motivo per cui si raccomanda l’utilizzo di subagenti e loop in modo mirato e razionale. Non sempre vale la pena generare un sistema così esteso.
Una frontiera evolutiva per l’intelligenza artificiale
La transizione da prompt engineering a loop engineering segna un’altra fase evolutiva della IA. ChatGPT ha stupito molti con la capacità di creare poesie in tempo reale, ma il sistema era fin troppo dipendente dall’accuratezza della conversazione con l’utente. Quella fase iniziale, in cui saper formulare bene uno prompt era vitale, sta cominciando a scomparire. Oggi chi vuole spiccare in questo terreno punta su progetti che automatizzino interamente il lavoro.