L’estate scorsa, tra le decine di applicazioni di coding basate su intelligenza artificiale che affollano il mercato, è emerso un dialogo che sposta l'attenzione dal solito dibattito sui modelli. Cat Wu, responsabile di prodotto per Claude Code di Anthropic, ha descritto a un nostro giornalista un approccio che suona come uno spartiacque: non si tratta più solo di rendere i Large Language Models più bravi a scrivere codice, ma di costruire un “harness” — un’impalcatura software — capace di immergerli in un contesto ricco e strutturato.

Per anni abbiamo pensato agli assistenti di codice come a super-grep: strumenti che setacciano repository alla ricerca di pattern, generano snippet e fanno autocompletamento. La direzione presa da Anthropic, e che sta facendo scuola, è diversa. L'harness non è un semplice wrapper: è un sistema che gestisce la memoria del progetto, interpreta la documentazione interna, tiene traccia delle decisioni architetturali e organizza il flusso di lavoro in modo che il LLM riceva, a ogni istante, esattamente il contesto rilevante — né meno, né più. In questo schema, il modello diventa un componente del toolkit, non il protagonista assoluto.

Questa transizione ha conseguenze profonde per chi valuta deployment on-premise o self-hosted. Un harness sofisticato, infatti, può essere addestrato (o configurato) per operare interamente su infrastruttura locale, agganciandosi ai sistemi di versionamento, ai database di knowledge aziendale e ai pipeline CI/CD interni senza mai esporre codice sorgente o log a servizi cloud. Invece di inviare interi file a un’API di terze parti, l’organizzazione può mantenere i dati sensibili dietro il proprio firewall, usando LLM self-hosted per l’inference, mentre l’harness orchestra il flusso informativo. È un cambiamento che ridisegna il calcolo del Total Cost of Ownership: il costo dell’hardware per l’inference locale può essere bilanciato dalla riduzione del rischio di fuga di dati e dalla conformità a regolamenti come il GDPR.

C’è un secondo ordine di implicazioni. Man mano che l’harness diventa il centro di gravità, la competizione tra fornitori di modelli si sposta verso l’integrazione e la qualità del contesto. Chi offre LLM più piccoli e facilmente eseguibili on-premise — grazie a quantization spinta e ottimizzazioni per GPU consumer — può beneficiare di harness che ne amplificano l’efficacia, colmando in parte il divario con modelli cloud-only mastodontici. Questo incentiva l’ecosistema a produrre hardware per inference più accessibile e framework di orchestrazione più snelli.

Anthropic non è l’unica a muoversi in questa direzione, ma il caso di Claude Code è emblematico: segnala che la partita dell’AI nel software si gioca ora sulla capacità di leggere l’ambiente di sviluppo con la stessa profondità con cui uno sviluppatore esperto capisce il progetto. Per i team che operano in settori regolamentati — finanza, sanità, difesa — la possibilità di avere un harness sensibile al contesto e interamente on-premise non è solo una comodità, ma un prerequisito. AI-RADAR offre framework analitici su /llm-onpremise per valutare questi trade-off, senza scivolare in raccomandazioni affrettate.

Il punto non è se i modelli continueranno a migliorare — lo faranno — ma se il software che li tiene per mano saprà trasformare un’organizzazione in un vero ambiente di sviluppo aumentato, senza chiedere in cambio la rinuncia al controllo sui propri dati.