La notizia è di quelle che strappano un sorriso: DoorDash ha aperto la beta limitata di dd-cli, uno strumento a riga di comando che promette di farci ordinare la cena direttamente dal terminale, senza passare per l’app o il browser. Ma dietro l’apparente astrazione da retrocomputing, si cela un cambiamento profondo, destinato a ridisegnare gli equilibri del deployment dell’intelligenza artificiale. dd-cli non è pensato solo per gli sviluppatori con il pallino delle shortcut; è progettato esplicitamente per gli agenti AI.

L’idea è tanto semplice quanto dirompente: se un agente basato su un LLM deve ordinare del cibo per l’utente, non userà un’interfaccia grafica piena di pulsanti, immagini e JavaScript. Al contrario, lancerà un comando testuale come dd-cli order "pizza margherita" --store "Pizzeria Da Gino". Un’interazione pulita, priva di fronzoli, interamente testuale. È il paradigma della programmabilità: ciò che per un umano è una scocciatura, per una macchina è il protocollo ideale.

Per chi segue AI-RADAR e mastica architetture di deployment on-premise, questa mossa di DoorDash è più rilevante di quanto appaia. Primo, sancisce un passaggio epocale: non stiamo più costruendo software per esseri umani da monitorare con strumenti di analytics, ma per macchine che consumano servizi. È la naturale evoluzione delle API REST, che già da anni esponevano funzioni ai programmatori; qui la differenza è l’intestazione esplicita: il target non è un’applicazione, ma un agente AI, con tutte le sue peculiarità di latenza, autenticazione e contesto. Secondo, e qui sta il punto per chi valuta il self-hosting di LLM, una CLI riduce drasticamente la dipendenza da ambienti cloud aggiuntivi per l’esecuzione di agenti. Tradizionalmente, per far interagire un modello linguistico con un servizio web, serviva un’infrastruttura di browser automation (Selenium, Playwright) o un middleware ospitato su una macchina virtuale remota. Ora, con un’interfaccia a riga di comando, l’agente può risiedere interamente su un server locale, magari un nodo con una o più GPU per l’inference, e dialogare con i servizi esterni attraverso semplici processi nativi. Niente overhead di rendering, niente memoria sprecata in DOM virtuali, niente round-trip a servizi di screenshot cloud.

Questo sposta il baricentro del controllo. Un’azienda che gestisce dati sensibili (si pensi a un ospedale o a una banca) può orchestrare agenti LLM on-premise che, dopo aver ragionato su documenti locali, ordinano materiali di consumo o creano report interagendo con servizi esterni, senza mai far uscire il contesto primario dal perimetro aziendale. L’interfaccia testuale diventa il guardiano della sovranità: i dati di sessione dell’ordine (cosa, quando, dove) sono certo condivisi con DoorDash, ma l’intero processo decisionale rimane confinato nella rete privata.

Non va però idealizzato: un tool come dd-cli solleva questioni di sicurezza e affidabilità che vanno gestite con attenzione. L’autenticazione di un agente deve essere robusta e granulare, per evitare ordini fraudolenti o spese incontrollate. Inoltre, per gli sviluppatori di agenti, sarà necessario integrare pipeline di validazione che verifichino l’output del LLM prima di eseguire un comando potenzialmente dannoso. Tuttavia, queste sfide sono comuni a qualsiasi architettura agentica, e l’esistenza di un’interfaccia esplicita le rende paradossalmente più gestibili rispetto ad un approccio basato su web scraping non strutturato.

Sul piano strutturale, dd-cli è la punta dell’iceberg di un movimento più vasto. Immaginiamo che nel giro di qualche anno molti servizi – dalle assicurazioni, alle prenotazioni di viaggi, agli acquisti B2B – offrano tool simili a riga di comando o, più in generale, interfacce testuali strutturate per agenti. Questo non farà che alimentare la domanda di capacità di inference locale: se ogni agente aziendale ha bisogno di un’istanza di LLM per orchestrare queste interazioni, il TCO di un cluster GPU on-premise diventerà sempre più competitivo rispetto al pagamento per token a un provider cloud, soprattutto per operazioni ad alta frequenza e bassa latenza.

Non siamo ancora al punto in cui un’azienda possa blindare tutto dietro un air gap e gestire ogni transazione tramite CLI; il cloud resta il tramite per molti servizi consumer. Ma il segnale è inequivocabile: il software si sta spogliando della sua interfaccia umana. E in questo spogliarsi, strizza l’occhio a chi vuole mantenere il controllo dell’intelligenza artificiale più vicino ai propri dati.