La metodologia di sviluppo con intelligenza artificiale ha attraversato una svolta silenziosa ma decisiva nei mesi scorsi. Nel 2026 è emerso un nuovo paradigma chiamato "loop engineering", teorizzato da figure come Peter Steinberger, creatore di OpenClaw, e Boris Cherny, responsabile di Claude Code in Anthropic. Cherny non scrive più codice a mano da otto mesi e gestisce flotte di agenti AI che arrivano a migliaia o decine di migliaia di istanze.
Il passaggio dai prompt ai cicli
Il loop engineering consiste nella progettazione di sistemi di agenti AI che operano in cicli iterativi: eseguono un'azione, osservano il risultato, ragionano su di esso e ripetono fino al raggiungimento dell'obiettivo. Questo approccio sposta l'attenzione dalla scrittura di singoli prompt alla progettazione del programma che gestisce automaticamente le interazioni con l'agente.
L'architettura è centrale negli agenti di codifica moderni che devono scrivere, testare e revisionare codice autonomamente, permettendo agli agenti di rivedere passaggi precedenti e adattarsi basandosi sui feedback. In Anthropic tutto il codice viene ora scritto da Claude Code, con un aumento dell'output dell'800% dall'inizio del 2026, e l'agente scansiona attivamente GitHub e X per decidere cosa costruire successivamente.
Componenti architetturali
I cicli richiedono elementi specifici: automazioni che attivano il processo, ambienti isolati per evitare conflitti tra sub-agenti paralleli, integrazioni con strumenti esterni e sistemi di memoria permanenti. In Anthropic utilizzano team di istanze Claude con personalità distinte che collaborano per rivedere pull request, identificando quasi tutti i bug attraverso computazioni intensive ma approfondite.
I rischi del "loopmaxxing"
I cicli auto-esecutivi moltiplicano i costi dei token senza moltiplicare i risultati, con ricerche di Anthropic che mostrano come i sistemi multi-agente brucino circa 15 volte i token di una chat normale. L'AI generativa tradizionale già tende a produrre "workslop", volumi di output di scarso valore e ricchi di errori che possono costare alle aziende milioni di dollari all'anno, problema che si aggrava con l'AI agentiva autonoma.
Il fenomeno "tokenmaxxing" – bruciare quanti più token AI possibile in una sessione di codifica – è diventato diffuso in Silicon Valley, trattato come indicatore di produttività. Meta ha registrato 60,2 trilioni di token AI in 30 giorni, che ai prezzi API di Anthropic costerebbero 900 milioni di dollari, in gran parte dovuti a questo comportamento.
Controlli necessari
L'approccio funziona solo con segnali di validazione forti come test unitari o criteri di accettazione chiari, mentre non è adatto per attività vaghe come il miglioramento dell'interfaccia utente, e il rischio maggiore è l'autonomia non sicura con agenti che operano troppo a lungo o ottimizzano per superare controlli invece di risolvere problemi reali.
La soluzione non è più autonomia, ma cicli delimitati alimentati da contesto decisionale, affinché ogni passaggio inizi con il quadro completo e giustifichi i token utilizzati.