Lavoro ed economia 14 ottobre 2026

Il codice è gratis, il contesto no: se un'IA clona la tua app in un weekend, cosa stai vendendo?

AI
Reverse-Engineering
Open-Source
Rust
Sicurezza
SaaS
Debito-Tecnico
Carriera

Fra il 30 settembre e il 1 ottobre 2026, un account GitHub chiamato storytold ha pubblicato sette repository in Rust. Sono cloni di sette applicazioni Adobe: Photoshop, Illustrator, Premiere Pro, Lightroom, Acrobat Pro, After Effects, InDesign. Licenza MIT o Apache-2.0, installer per macOS, Windows e Linux, build WebAssembly. Scritti, per ammissione dello stesso autore, con Claude Opus 5.5.

Due mesi fa, su questo blog, scrivevo che l’intelligenza era diventata una commodity e il valore si stava spostando sull’hardware. Quella era la materia prima. Questo è il manufatto: il codice sorgente, l’asset che per trent’anni ha giustificato le valutazioni delle software house.

La domanda che gira da due settimane è quella giusta: se un’intelligenza artificiale clona la tua applicazione in un weekend, cosa stai vendendo davvero? La risposta però richiede prima di separare due cose che la cronaca di questi giorni ha impastato: ciò che è effettivamente crollato e ciò che sembra crollato perché nessuno ha letto i numeri.

Cosa è successo davvero con ArtCraft

Il progetto si chiama ArtCraft e i numeri che seguono sono dichiarazioni del progetto stesso, prese dalla sua documentazione. Nessuno li ha verificati in modo indipendente, e vanno letti con quella riserva — ma sono interessanti proprio perché a dichiararli è chi ha tutto l’interesse a sembrare più avanti di quanto sia.

Metrica (PhotoCraft, al 5 ottobre 2026)	Valore dichiarato
Voci di menu di Photoshop collegate a comandi reali	625 su 625 (100%)
Round-trip dei file PSD	169 su 169 del corpus misto
Corrispondenza pixel-per-pixel sui PSD	115 su 170, circa 68%
Parità funzionale sui flussi di lavoro principali	circa 86%
Parità includendo le funzioni generative di Adobe	circa 75%
Utilizzabilità professionale quotidiana	circa 25-35%
Funzioni generative implementate	circa 5%, rinviate per scelta

L’ultima riga è quella che conta, ed è la ragione per cui il banner del repository dice, nero su bianco, che non è ancora un sostituto di Photoshop per il lavoro professionale.

Questo non sminuisce il risultato: è enorme. Ma dice esattamente cos’è crollato. Non il software professionale: il costo del primo 80%. Collegare 625 voci di menu, implementare le specifiche pubbliche del formato PSD, scrivere un motore raster da zero in Rust — tutto lavoro che un tempo richiedeva un team e due anni, e che oggi richiede un ingegnere con buone capacità architetturali e un agente che macina.

Quello che l’IA ha reso quasi gratuito non è il prodotto finito. È il prototipo credibile. E un prototipo credibile, in un mercato a canone, è già un problema per chi incassa il canone.

La fortezza era fatta di attrito, non di segreti

Per capire perché è successo adesso bisogna guardare la decompilazione, che è il punto in cui la protezione del codice è sempre stata una questione pratica più che legale.

Tradurre il codice macchina in qualcosa di leggibile si è sempre potuto fare: Ghidra (rilasciato dalla NSA statunitense), IDA Pro, Binary Ninja lo fanno da anni. Il problema è che producono uno pseudo-C corretto a livello di istruzioni e illeggibile per un essere umano: in compilazione i nomi delle variabili, le strutture logiche, i commenti e i tipi vengono buttati via per ottimizzare l’esecuzione. Resta un puzzle privo di semantica. La barriera non era il segreto: era l’attrito cognitivo, e costava anni-uomo.

Gli agenti IA non sostituiscono i disassemblatori: ci si appoggiano sopra come strato interpretativo, deducendo il contesto perduto. Il collegamento passa dal Model Context Protocol, lo standard che permette a un modello di pilotare strumenti esterni — ne ho parlato nella lezione dedicata. Esistono già server MCP per Ghidra (il più noto è GhidraMCP di LaurieWired: un plugin Java più un server Python, con fork che espongono da alcune decine a oltre duecento strumenti), e server che coprono sia Ghidra sia IDA Pro in modalità headless. Da lì l’agente ispeziona le funzioni, rinomina le variabili per deduzione, ricostruisce le formule e verifica le ipotesi ricompilando e confrontando il binario.

L’effetto pratico riguarda una prassi legale vecchia e consolidata: il clean-room design. Studiare il comportamento di un sistema proprietario e poi scriverne una versione nuova e indipendente è lecito — il precedente classico è Sony Computer Entertainment v. Connectix (1999-2000), in cui il reverse engineering del BIOS della PlayStation per costruire un emulatore fu riconosciuto come fair use. Quella metodologia richiedeva team numerosi e tempi lunghi. È lì che l’IA ha fatto la differenza: non ha cambiato la legge, ha compresso il costo di starci dentro.

Il confine netto: la meccanica si clona, la competenza no

Qui le cose si fermano, e si fermano in modo prevedibile. Un agente replica l’interfaccia, la logica di calcolo standard, la gestione dei formati documentati. Non replica ciò che non sta scritto da nessuna parte:

la color science proprietaria, cioè decenni di profili di correzione stratificati per singolo modello di fotocamera e obiettivo;
gli ecosistemi di terze parti, dai plugin VST3 per l’audio a OpenFX per il video, che valgono quanto l’applicazione che li ospita;
le centinaia di comportamenti al margine che gli utenti professionali hanno nelle dita e che nessuno ha mai documentato.

Non è un dettaglio: è esattamente la differenza fra l’86% dei flussi principali e il 25-35% di utilizzabilità quotidiana. La parte facile da clonare è la parte che non costava più niente già prima. La parte costosa è conoscenza di dominio accumulata, e quella non si deduce da un binario: va raccolta nel mondo.

Le console: dove la narrazione si gonfia

C’è una storia che gira insieme a questa, e va raccontata con più precisione di come la trovo in giro, perché è il caso in cui l’entusiasmo ha superato i fatti.

Sul fronte PlayStation 5 i progetti reali sono KytyPS5 e SharpEmu: il primo ha reso pubblico il sorgente il 16 luglio 2026, con un commit iniziale di circa 206.000 righe su 427 file. Entrambi sono però ai primi avvii: boot, menu, qualche titolo leggero. KytyPS5 fa girare Astro’s Playroom — la demo inclusa con la console, non Astro Bot — e riesce ad arrivare in gioco su alcuni titoli indipendenti. Non c’è, ad oggi, un gioco PS5 completo giocabile.

Due precisazioni che vedo sbagliate con regolarità:

shadPS4 è un emulatore PS4, non PS5. Viene citato in mezzo ai progetti PlayStation 5 perché è il più noto, ma sta risolvendo un problema diverso e molto più maturo.
Non esiste evidenza pubblica che l’IA abbia sfondato le protezioni della PS5. L’unico legame documentato fra emulazione ed IA, in questo giro, è che shadPS4 si è dato una policy di disclosure sui contributi assistiti ad agosto 2026 e da allora ne ha integrati alcuni. Che è una notizia sulla governance di un progetto open source, non su una console caduta.

Il vantaggio architetturale che quei progetti sfruttano, fra l’altro, non ha niente a che fare con i modelli: la PS5 è x86-64, vicina a un PC, quindi il lavoro è più traduzione di chiamate di sistema (moduli HLE) che emulazione in senso stretto.

Tengo dentro questo paragrafo anche se indebolisce la tesi dell’articolo, perché è il punto: quando una tecnologia va di moda, le si attribuiscono risultati che non ha ottenuto. Distinguere ciò che è documentato da ciò che è atteso è l’unica difesa che abbiamo.

Il paradosso: più codice che ricompila, meno codice fedele

Sull’affidabilità della decompilazione neurale esiste misurazione seria, ed è meno rassicurante della narrazione.

Lo studio When LLM Decompilers Recompile More and Preserve Less ha valutato 300 funzioni prese da librerie reali su GitHub. Raffinando con un LLM l’output di Ghidra, il tasso di ricompilabilità sale dal 75% al 90%. Nello stesso passaggio, l’aderenza semantica al comportamento originale scende dal 74% al 62%.

Il meccanismo è esattamente l’opposto di quello che ci si immagina. Gli strumenti tradizionali, quando non capiscono un blocco di memoria, lasciano un segnaposto vistoso: ti dicono dove non sanno. Un modello linguistico, addestrato a produrre codice plausibile, riempie il buco: inventa un campo, deduce un tipo, aggiunge una guardia, chiama una funzione verosimile. Il risultato compila, si legge bene e si discosta dall’originale in punti che non sono segnalati da nulla.

Il corollario è il più serio di tutto l’articolo. Su 287 funzioni legate a CVE documentate, fino a circa un decimo degli output mostra “Crash Absence”: il bug originale, nel codice ricostruito, non c’è più. Il modello ha visto un blocco assembly illogico — che era la vulnerabilità — e l’ha silenziosamente corretto, consegnando all’analista di sicurezza un codice pulito e una falsa rassicurazione. Gli autori stessi avvertono che la misura di aderenza è un limite superiore, mentre divergenza e crash absence sono limiti inferiori: il quadro reale, se cambia, peggiora.

È la ragione per cui la ricerca si sta spostando su architetture a due fasi come SK2Decompile (skeleton to skin, ICLR 2026): prima si recupera alla cieca lo scheletro del flusso di controllo, ignorando i nomi; solo dopo, con un modello separato, si applica la “pelle” degli identificatori leggibili. Disaccoppiare struttura e semantica porta la ri-eseguibilità a circa il 69% su HumanEval, contro il 41,7% di LLM4Decompile. Che è molto meglio, e resta lontano dall’infallibilità.

La qualità difensiva, invece, non si muove

Lo stesso schema si ripete nello sviluppo quotidiano, e qui i dati sono di prima mano. Il 2026 GenAI Code Security Report di Veracode ha misurato oltre cento modelli su task di codifica reali:

Categoria	Tasso di superamento dei controlli di sicurezza
Media su tutti i modelli	56% (era 55% l’anno prima)
Algoritmi crittografici	87%
SQL injection	83%
Cross-site scripting (XSS)	15%
Log injection	12%

Tradotto: circa il 44% dei task produce codice con vulnerabilità note se nessuno impone vincoli. In un anno, un punto percentuale di miglioramento.

Tre dettagli che trovo più eloquenti del titolo:

I modelli specializzati in codice non vanno meglio dei generalisti (51% contro 52%). La specializzazione ha migliorato la sintassi, non la postura difensiva.
Il modello migliore si ferma al 68%, e l’anno prima il primo in classifica stava al 72%. Il massimo è peggiorato.
Il linguaggio pesa più del modello: Python 63%, Java 30%.

Il 15% sull’XSS e il 12% sulla log injection raccontano una cosa precisa: gli agenti dimenticano sistematicamente la sanificazione degli input. Non perché siano incapaci — glielo chiedi e la scrivono — ma perché nessuno glielo ha chiesto, e loro ottimizzano per “funziona”, non per “resiste”.

Il collo di bottiglia si è spostato, non è scomparso

Mettendo insieme i due pezzi si capisce cosa sta accadendo davvero alle squadre di sviluppo. Il codice generato è localmente perfetto e globalmente miope: corretto dentro il proprio modulo, cieco rispetto al resto del repository. Nessun agente va a cercare se quella utility esiste già.

I numeri sulla duplicazione lo mostravano prima che si parlasse di agenti: fra il 2021 e il 2024 il codice duplicato è passato dall’8,3% al 12,3% delle righe modificate, mentre l’attività di refactoring è crollata dal 25% a meno del 10%. Si scrive di più e si riordina di meno.

E la produttività? La misura più onesta che ho trovato è quella di Faros AI: le squadre con forte adozione di IA completano il 21% di task in più e fanno confluire il 98% di pull request in più — ma il tempo di revisione cresce del 91%, e le metriche DORA a livello di organizzazione restano piatte. Un esperimento su 4.867 sviluppatori ha trovato che per chi ha più anzianità della media il guadagno non è statisticamente significativo.

Il vincolo non è più scrivere. È rivedere, integrare e rispondere di ciò che è stato scritto. E quella parte non si parallelizza con un altro agente.

Allora cosa stai vendendo?

Se qualunque logica che gira sul computer del cliente può essere decompilata, e se il costo del primo 80% è crollato, il software come bene da scaricare e installare ha smesso di proteggere il valore dell’azienda. Resta tutto ciò che un agente non può estrarre da un binario.

I dati storici. Un modello ricostruisce l’algoritmo di raccomandazione; non ricostruisce i petabyte di transazioni che l’hanno addestrato e validato. Il vantaggio non è più la formula, è il bacino su cui opera.

La community e l’effetto rete. Un clone perfetto di una piattaforma di messaggistica si può distribuire gratis. Non si può distribuire gratis la decisione di dieci milioni di persone di starci. L’interfaccia si copia; la fiducia relazionale no.

L’infrastruttura. Eseguire la logica proprietaria sui propri server e consegnare al cliente solo risposte via API significa che sul suo computer non c’è nessun binario su cui fare reverse engineering. È la ragione strutturale per cui il SaaS vince, al di là della comodità operativa.

Sulla dimensione di quel mercato eviterò di darvi una cifra: ho provato a verificarla e le stime per il 2025 oscillano fra i 270 e i 400 miliardi di dollari a seconda di come ciascun istituto definisce “SaaS”, con proiezioni al 2035 che vanno da 1.500 a 2.900 miliardi. Quando la forchetta è doppia, il numero non informa: informa la direzione, ed è a senso unico.

E il lavoro?

Qui conviene tenere insieme due dati che sembrano contraddirsi.

Le proiezioni del Bureau of Labor Statistics statunitense stimano una crescita del 10% dell’occupazione per gli sviluppatori software fra il 2025 e il 2035, da circa 1,72 a 1,89 milioni di posti. Nello stesso periodo, una ricerca di Stanford rileva che l’occupazione degli sviluppatori fra i 22 e i 25 anni è calata di quasi il 20% rispetto al 2024 — e appena tre giorni fa la CNBC segnalava che, nel frattempo, gli annunci di lavoro per sviluppatori stanno risalendo.

Non è una contraddizione: è una ricomposizione. Spariscono i compiti di pura traduzione dei requisiti in sintassi, che erano la porta d’ingresso al mestiere. Cresce la domanda di chi sa decidere l’architettura, reggere il carico di revisione di cui sopra, e rispondere della sicurezza. Il che apre un problema vero di cui si parla troppo poco: si è rotta la scala, non il mestiere. Se il gradino junior non esiste più, i senior di domani non si formano da soli.

C’è anche il lato luminoso, e lo dico come qualcuno che lavora da solo con questi strumenti tutti i giorni: questo abbattimento dei costi è il più grande abilitatore di piccole imprese nella storia dell’informatica. Tre persone con buone capacità architetturali e uno sciame di agenti oggi fanno quello che dieci anni fa richiedeva venti persone e un round di finanziamento. La gabbia dorata di chi manteneva architetture stagnanti si sta aprendo, e non è una brutta notizia per chi ha qualcosa da costruire.

In sintesi

Domanda	Risposta breve
Cos’è crollato	Il costo del primo 80% di un’applicazione, non il software professionale
Cos’è rimasto in piedi	La competenza di dominio: color science, ecosistemi di plugin, comportamenti non documentati
Il rischio tecnico sottovalutato	Gli LLM riempiono i buchi che i decompilatori tradizionali segnalano: il codice compila ma diverge in silenzio
Il rischio di sicurezza	Nel 10% dei casi la vulnerabilità sparisce dal codice ricostruito; il 44% del codice generato ne introduce di nuove
Dove si è spostato il collo di bottiglia	Dalla scrittura alla revisione: +98% di pull request, +91% di tempo per rivederle
Cosa resta difendibile	Dati storici, effetto rete, logica che non lascia mai i tuoi server
Cosa cambia nel lavoro	Non il numero di posti, la loro forma: si è rotto il gradino junior, non il mestiere