← Tutti gli articoli

3 settembre 2026

OpenClaw, Agenti AI, verifica umana e apprendistato perduto

OpenClaw

C’è un progetto che in questi mesi ha fatto più strada di quasi qualsiasi altro nel mondo dell’intelligenza artificiale: si chiama OpenClaw, ed è diventato il repository più stellato nella storia di GitHub, superando persino React1. Nato come esperimento nel novembre 20252, è esploso a gennaio, ha raccolto quasi 388.000 star in pochi mesi3, ed è stato celebrato da più di un osservatore come la cosa più vicina a Jarvis che si sia mai vista fuori da un film4. È il punto più alto, più visibile, più entusiasta dell’intera ondata di intelligenza artificiale agentica di quest’anno, non un caso marginale di cui pochi parlano. Se un ragionamento critico regge su questo caso, tenendo conto che è il caso costruito apposta per non far vedere le crepe, allora probabilmente regge sempre.

OpenClaw, per chi non lo conoscesse, è un’infrastruttura che collega modelli linguistici già esistenti (quelli di Anthropic, di OpenAI, ma anche modelli open source eseguiti in locale) ai canali di messaggistica che ognuno di noi già usa5, trasformandoli in assistenti che restano operativi ventiquattr’ore su ventiquattro, oltre la singola sessione di chat, capaci di agire di propria iniziativa entro i permessi concessi, oltre che di rispondere ai comandi6. L’intelligenza resta quella del modello collegato: OpenClaw si limita a orchestrarla e a renderla raggiungibile ovunque. È un salto architetturale reale rispetto agli agenti “chiusi” dentro l’app di un singolo vendor.

I problemi noti non sono il punto principale

E naturalmente ha già mostrato le sue crepe tecniche più immediate: casi di allucinazione documentati, un tasso di successo modesto delle difese contro attacchi informatici quando manca supervisione umana esplicita7, persino un caso di cronaca in cui un agente ha creato di propria iniziativa un profilo su una piattaforma di incontri, senza che l’utente lo avesse istruito a farlo8. Sono problemi seri: Cina e Hong Kong hanno già vietato l’uso dell’infrastruttura sulle reti governative9, per il rischio che un agente con accesso a dati privati, esposto a contenuti non fidati e capace di comunicare all’esterno, sottragga informazioni senza che nessuno se ne accorga10. Quel livello di critica, per quanto fondato, lo stanno già facendo tutti, e non è la direzione in cui voglio andare qui.

Mi interessa un problema più a monte: un limite strutturale nel modo in cui questi sistemi funzionano, che nessuno strumento di sicurezza migliore potrà mai correggere del tutto.

La piramide capovolta

Immaginiamo il lavoro fatto nel modo tradizionale, con delle persone. C’è chi cerca le fonti, chi le assembla, chi le controlla, e infine chi supervisiona il risultato finale. È una piramide che ha una logica economica precisa: chi sta in basso fa un lavoro proporzionato alla propria esperienza, chi sta in alto controlla un output prodotto da qualcuno meno esperto di lui, e il costo della struttura è distribuito in modo coerente con la difficoltà reale di ciascun passaggio.

Nel momento in cui si delega quel processo a un sistema agentico, questa piramide si rovescia. Chi deve controllare l’output della macchina non può essere un junior, perché il compito di verifica, cioè distinguere ciò che sembra plausibile da ciò che è vero, richiede la stessa competenza (se non di più) di chi il contenuto lo scriverebbe da zero. Un economista di Oxford, Carl-Benedikt Frey, lo ha detto senza mezzi termini in un consesso internazionale quest’estate: più l’intelligenza artificiale migliora, più difficile diventa verificarla11. Un saggio circolato online negli stessi mesi ha dato un nome a questo fenomeno, “verification inversion”12: la produzione diventa quasi gratuita grazie all’intelligenza artificiale, ma la verifica, che prima era un’attività distribuita su più livelli di competenza, si concentra improvvisamente solo su chi ha già l’esperienza più alta. Uno studio randomizzato del 2025 su sviluppatori esperti open source, confermato da un aggiornamento a inizio 202613, ha misurato non un’accelerazione ma un rallentamento reale nel completamento dei task quando potevano usare i migliori strumenti AI disponibili: il vero collo di bottiglia è sempre stato verificare, non produrre, e l’intelligenza artificiale ha reso quella verifica più costosa.

L’apprendistato perduto

C’è poi un secondo livello di questo problema, forse ancora più insidioso perché ha effetti solo nel tempo lungo. Quel gradino junior che sparisce, quello che nel lavoro tradizionale cerca le fonti o fa la prima stesura, non è soltanto manodopera a basso costo. È il modo in cui una persona diventa, nel tempo, capace di controllare. Nessuno nasce senior: lo si diventa facendo per anni il lavoro che oggi si sta iniziando a delegare interamente alla macchina. Il World Economic Forum lo ha chiamato “oversight paradox”14: più un sistema di intelligenza artificiale è capace, più lavoro gli affidiamo, e meno occasioni restano a chi dovrebbe imparare a controllarlo di esercitare quel giudizio critico. Il paradosso è che l’esperto di oggi sa riconoscere un errore perché ha fatto per anni il lavoro che ora delega, ma i controllori di domani non avranno mai fatto quella pratica, perché il gradino su cui si costruiva la loro competenza sarà già stato eliminato.

Lo stesso rapporto segnala un corollario scomodo per chi si occupa di regolamentazione: l’intero impianto dell’AI Act europeo si regge sulla premessa che una persona resti “in controllo” del sistema. Se quel controllo si deteriora silenziosamente compito dopo compito, invece di rafforzarsi come farebbe con un collaboratore umano che matura esperienza, quella premessa normativa rischia di restare vera solo sulla carta15.

La fiducia che non si accumula

C’è un terzo elemento, che nella letteratura tecnica ho trovato isolato meno bene, e che mi pare invece decisivo. Nel lavoro con le persone, la fiducia si costruisce e si calibra nel tempo, quasi caso per caso: so dove sbaglia sempre una certa persona, so dove un’altra è impeccabile, so quali errori si ripetono e quali no, e regolo il mio controllo di conseguenza, riducendolo mano a mano che la fiducia si consolida. Con un sistema agentico questo meccanismo di calibrazione progressiva semplicemente non esiste nello stesso modo: l’affidabilità di un agente non migliora conoscendolo meglio nel tempo come accade con una persona, perché il suo comportamento non è consistente in modo prevedibile da un compito all’altro. Il costo di supervisione, con un sistema del genere, non si riduce mai strutturalmente come accade naturalmente con un collaboratore che matura esperienza: resta costante, o può persino aumentare se cambiano i dati o il contesto in cui opera.

Il marketing della cautela

Questo argomento vale anche, e forse soprattutto, per i prodotti enterprise più curati, quelli che si presentano con un linguaggio di grande cautela: “il giudizio resta umano”, “le decisioni rilevanti restano alle persone”, “non deleghi alla cieca”. Un progetto open source nato da un esperimento personale non è l’unico bersaglio possibile. Ho letto di recente il sito di un fornitore italiano di questo tipo di sistemi, costruito con esattamente questo vocabolario rassicurante, ripetuto quasi a ogni sezione. È un livello più raffinato rispetto alla propaganda più grossolana che promette di automatizzare tutto senza conseguenze: qui il problema che ho appena descritto viene riconosciuto a parole. Riconoscerlo nel linguaggio, però, non lo risolve. Nessuno di questi materiali dice mai chi, concretamente, sarà “la persona giusta” che controlla, con quale competenza, e soprattutto a quale costo, in termini di tempo e di formazione, verrà messa in condizione di farlo. La cautela retorica rischia di essere solo un modo più elegante di rendere invisibile lo stesso problema strutturale.

Dove l’automazione regge, e cosa si perde comunque

Non credo che tutto questo vada letto in chiave catastrofista, né tantomeno come un argomento contro l’uso dell’intelligenza artificiale in azienda. I casi d’uso a basso rischio, dove il compito è davvero ripetitivo e la posta in gioco di un errore è bassa, esistono e funzionano: un chatbot che risponde più in fretta a un cliente su un ordine, un digest automatico di notizie, il triage di un’email. In quella fascia un vantaggio reale c’è. Il punto è che quando si esce da quella fascia, quando il compito richiede giudizio esperto, verifica di fonti, responsabilità su ciò che viene prodotto, il vantaggio pubblicizzato si assottiglia molto, e in compenso emerge un costo che quasi nessuno sta contabilizzando: quello di dover ricomporre da capo la struttura delle competenze in azienda, spostando il controllo tutto in cima e togliendo alle persone più giovani lo spazio in cui, fino a ieri, imparavano a diventare quelle in cima.

La domanda che mi pare davvero interessante riguarda meno il tempo risparmiato oggi, quello delle otto ore contro gli otto minuti pubblicizzati da un case study, e più chi sarà in grado di controllare, tra dieci anni, se smettiamo già ora di far fare ai più giovani il lavoro che li avrebbe resi, nel tempo, capaci di farlo.

Note e fonti

  1. OpenClaw ha superato React diventando il progetto software non-aggregatore più stellato nella storia di GitHub il 3 marzo 2026, con circa 250.000 star contro le circa 243.000 di React (che aveva impiegato oltre un decennio a raggiungere quella soglia). Star History, "OpenClaw Surpasses React to Become the Most-Starred Software Project on GitHub", 1 marzo 2026: www.star-history.com/blog/openclaw-surpasses-react-most-starred-software ↩
  2. Il progetto è stato avviato da Peter Steinberger come progetto personale ("weekend project") a fine novembre 2025; il repository GitHub risulta creato il 24 novembre 2025. GitHub Blog, "OpenClaw went viral. Meet the maintainers building and securing it.", 27 agosto 2026: github.blog/open-source/maintainers/openclaw-went-viral-meet-the-maintainers-building-and-securing-it ↩
  3. Al 26 agosto 2026 il repository contava circa 388.000 star, 81.000 fork e oltre 80.000 commit. Stessa fonte della nota 2: GitHub Blog, 27 agosto 2026. ↩
  4. Il paragone con Jarvis (l'assistente AI dei film Iron Man) è ricorrente nella stampa tecnologica che ha seguito l'ascesa del progetto nei primi mesi del 2026; si veda ad esempio la copertura aggregata in Skywork AI, "The Complete Guide to OpenClaw Agent Orchestration": skywork.ai/skypage/en/openclaw-agent-orchestration/2049110034606260225 ↩
  5. OpenClaw è descritto ufficialmente come un "self-hosted gateway" che connette applicazioni di messaggistica (Discord, Google Chat, iMessage, Matrix, Microsoft Teams, Signal, Slack, Telegram, WhatsApp, Zalo e altre) ad agenti AI basati su modelli di Anthropic, OpenAI o modelli locali via Ollama. Documentazione ufficiale OpenClaw: docs.openclaw.ai ↩
  6. Sulla capacità dell'agente di agire autonomamente entro i permessi concessi, si veda il caso descritto alla nota 8, dove l'agente ha creato un profilo su una piattaforma di incontri senza istruzione esplicita da parte dell'utente. ↩
  7. Sulle criticità tecniche (allucinazioni, superficie di attacco, gestione di skill malevole nel marketplace ClawHub) si veda ad esempio Grandlinux, "OpenClaw March 2026 — China Bans Government Use", che riporta anche il ritrovamento di oltre 820 "fake Skills" con malware incorporato: www.grandlinux.com/en/blogs/openclaw-march-2026.html ↩
  8. Un utente californiano di 21 anni ha concesso al proprio agente OpenClaw il permesso di "esplorare e connettersi a varie piattaforme"; l'agente ha autonomamente creato un profilo sulla piattaforma di dating MoltMatch e iniziato a valutare potenziali corrispondenze, senza che l'azione gli fosse stata richiesta esplicitamente. The Straits Times, "When machines do the flirting: AI agents create surprise dating accounts for humans", 13 febbraio 2026: www.straitstimes.com/asia/east-asia/when-machines-do-the-flirting-ai-agents-create-surprise-dating-accounts-for-humans ↩
  9. Le autorità cinesi hanno avvisato le agenzie governative e le banche statali di non installare OpenClaw sui computer d'ufficio (11 marzo 2026); pochi giorni dopo il Digital Policy Office di Hong Kong ha diramato un avviso analogo per le reti governative. Reuters, "China warns state-owned firms and government agencies against OpenClaw AI", 11 marzo 2026: www.reuters.com/technology/china-moves-curb-use-openclaw-ai-banks-state-agencies-bloomberg-news-reports-2026-03-11; The Standard (Hong Kong), "Digital Policy Office warns of OpenClaw security risks", 12 marzo 2026: www.thestandard.com.hk/news/article/326486 ↩
  10. Il rischio segnalato dalle autorità è la cosiddetta "lethal trifecta": accesso a dati privati, esposizione a contenuti non fidati e capacità di comunicare all'esterno, combinazione che può permettere l'esfiltrazione di informazioni senza supervisione. Pulse Mark, "China Bans OpenClaw at State Banks — Then Subsidizes It", 11 marzo 2026: pulsemark.ai/china-openclaw-ban-banks-state-agencies-subsidies ↩
  11. Carl-Benedikt Frey, professore associato di AI e lavoro all'Università di Oxford, ha espresso questa posizione al Summer Davos (Annual Meeting of the New Champions) del World Economic Forum, giugno 2026. People's Daily / Xinhua, "Summer Davos weighs future of work as AI redraws career map", 26 giugno 2026: en.people.cn/n3/2026/0626/c90000-20471164.html ↩
  12. Il termine "verification inversion" è stato coniato da Shanaka Anslem Perera in un saggio pubblicato sulla propria newsletter Substack, che utilizza i dati dello studio METR (nota 13) per argomentare che il collo di bottiglia dell'ingegneria del software si è spostato dalla generazione alla verifica del codice. Shanaka Anslem Perera, "The Verification Inversion", Substack, 22 gennaio 2026: shanakaanslemperera.substack.com/p/the-verification-inversion ↩
  13. Lo studio originale è un trial randomizzato controllato (RCT) di METR su 16 sviluppatori open source esperti, che ha misurato un aumento del 19,4% nel tempo di completamento dei task quando erano abilitati a usare strumenti AI (Cursor Pro con Claude 3.5/3.7 Sonnet), contro un'aspettativa dei partecipanti di una riduzione del 24%. METR, "Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity", 10 luglio 2025: metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study. Un aggiornamento di febbraio 2026 non ha ribaltato il risultato, mantenendo una stima negativa (circa -18%) sebbene con incertezza maggiore. METR, "We are Changing our Developer Productivity Experiment", 24 febbraio 2026: metr.org/blog/2026-02-24-uplift-update ↩
  14. Il termine "oversight paradox" è stato coniato da Isabell Steidel e Benedikt Gieger (Global Shapers Community) in un articolo pubblicato sul sito del World Economic Forum. World Economic Forum, "The oversight paradox: Human control over AI may be eroding", 2 luglio 2026: www.weforum.org/stories/artificial-intelligence/oversight-paradox-human-control-ai ↩
  15. Lo stesso articolo del WEF nota esplicitamente che "every framework for governing artificial intelligence... rests on the same reassuring premise: the human stays in control", citando sia l'AI Act (obbligo di sorveglianza umana sui sistemi ad alto rischio, Articolo 14) sia il GDPR (Articolo 22, restrizione delle decisioni basate unicamente su trattamento automatizzato), e osserva che tali quadri normativi "largely assume a stable relationship between human competence and machine capability" — un'assunzione che il fenomeno descritto mette in discussione. Fonte: nota 14. ↩
← Tutti gli articoli