Uno specchio davanti allo schermo, una webcam che lo inquadra e un vecchio MacBook lasciato a lavorare da solo: è il setup descritto per un agente AI che scrive i driver della propria GPU AMD. L'elemento che colpisce non è solo l'idea di un software che compila altro software, ma il fatto che l'agente controlli visivamente l'avanzamento del proprio lavoro, in tempo reale, come un tecnico che guarda il monitor durante un intervento.

Il riferimento a Omarchy Linux e all'approccio 'agent-first' segnala un cambio di priorità: non si parte da un tool che esegue comandi, ma da un agente che pianifica, prova, osserva e corregge. Scrivere driver per una GPU AMD su un MacBook datato è un caso limite utile. Il software non deve solo essere compilato correttamente: deve interagire con il firmware, gestire la memoria, produrre output video. Se qualcosa non funziona, il sistema può bloccarsi prima di restituire un log. Un agente che usa una webcam e uno specchio per vedere lo schermo può intercettare questi stati anche quando le interfacce software non rispondono.

Guardare lo schermo attraverso uno specchio è un dettaglio che racconta molto. Diventa un canale di osservazione a basso costo per stati che non sono esposti via API. Su una macchina self-hosted o air-gapped, un agente esterno che osserva l'output fisico può diagnosticare senza installare agenti di telemetria e senza inviare log o schermate a un cloud. Questo ha una conseguenza diretta per la sovranità dei dati: ciò che accade sulla macchina resta sulla macchina. Per chi valuta deployment on-premise, emerge un trade-off tipico: l'autonomia di un agente locale si paga in complessità di supervisione e robustezza della percezione. AI-RADAR approfondisce questi aspetti su /llm-onpremise.

Il rovescio della medaglia è la fragilità della visione artificiale. Un errore di lettura su un'immagine a bassa risoluzione può portare a un fix sbagliato; una modifica ai driver può rendere il sistema instabile in modo difficile da riprodurre. Il vantaggio è la possibilità per l'utente di osservare la stessa scena dell'agente e intervenire quando serve, un controllo che i sistemi cloud spesso non offrono con la stessa immediatezza.

La fonte non riporta dettagli su hardware, latenza o modelli usati: è un esperimento più che un benchmark. Ma proprio per questo il segnale è interessante: l'automazione agentica non dipende necessariamente dall'ultimo acceleratore o da un data center, può partire da macchine vecchie e da soluzioni fisiche improvvisate. Il limite, semmai, è nel ciclo di feedback: testuale, visivo, tattile che sia.

Lo specchio, in fondo, è una risposta semplice a una mancanza strutturale: gli agenti non hanno ancora un accesso nativo e affidabile a tutto ciò che accade su un display. Finché i framework non standardizzeranno un canale visivo pulito, soluzioni come questa rimarranno un promemoria di quanto l'automazione hardware nasca spesso da adattamenti laterali.