Jeremy Theocharis, CTO di UMH, ha pubblicato un post che mette in parole una sensazione diffusa: i critici degli LLM hanno ragione su quasi tutto, e lui li usa comunque. Il pezzo ha raccolto oltre 300 punti su Hacker News, e i commenti mostrano che la dissonanza descritta è condivisa da molti.

Theocharis racconta di essere stato al Local-First Conf a Berlino, dove i relatori criticavano gli LLM ricevendo applausi scroscianti, mentre il pubblico aveva Claude Code aperto sul portatile. Armin Ronacher, creatore di Flask, ha ammesso dal palco di auto-chiudere quasi tutte le PR e le issue sul suo progetto Pi.dev, perché sommerse da contributi generati da modelli.

Perché ti riguarda. Se stai usando l’AI nel tuo lavoro, probabilmente conosci già questa tensione. I problemi sono reali: l’inondazione di contributi di bassa qualità sta erodendo la fiducia nell’open source, e chi doveva imparare dal lavoro noioso delegato dai senior si trova senza percorso di crescita. Ma lo strumento, usato con giudizio, fa risparmiare ore vere. Come raccontavamo quando il creatore di Zig e George Hotz convergevano sulla stessa posizione, gli LLM sono utili e l’hype sulla singolarità è vuoto (/it/radar/zig-geohot-anti-hype-convergence).

La conversazione utile è fra chi usa lo strumento e vuole usarlo meglio, sapendo esattamente dove si rompe.

Nel dettaglio

Theocharis struttura il post in tre parti: le critiche valide, perché usa gli LLM comunque, e i pattern concreti che ha trovato.

Le critiche che condivide. L’addestramento su materiali coperti da copyright, l’impatto ambientale, la bolla finanziaria attorno a NVIDIA e OpenAI: Theocharis dice di essere d’accordo su quasi tutto. Il punto che approfondisce di più è la qualità dei contributi open source. Prima degli LLM, creare una pull request decente richiedeva tempo umano, e quel tempo fungeva da filtro naturale. Adesso chiunque può aprire un account GitHub e lanciare un modello su una repository, e il maintainer non può distinguere il contributo pensato da quello generato in massa. Progetti come Zig e Gentoo hanno già provato a rifiutare le PR generate da AI, ma Theocharis nota che è impossibile da verificare in modo affidabile.

Il secondo punto riguarda i junior. Un senior ha sempre corretto il codice dei junior, ma prima sapeva che il junior aveva passato ore su quel compito. Adesso non lo sa più. E dato che i compiti ripetitivi, quelli che facevano da palestra di apprendistato, possono essere delegati a un LLM, il senior ha meno incentivo a prendere junior e insegnare loro il mestiere.

Perché usa gli LLM comunque. Theocharis non offre una difesa filosofica. Dice che lo strumento funziona per il suo lavoro, e che negarlo sarebbe negare l’evidenza. La posizione converge con quella di altre voci tecniche della community: riconoscere i difetti significa usare lo strumento con gli occhi aperti, non rinunciare al beneficio.

I commenti su Hacker News mostrano la stessa scissione. Molti confermano il problema della fiducia nei contributi. Altri sottolineano che il modello di business dell’open source basato su volontariato era già fragile prima degli LLM. Qualcuno fa notare che la soluzione sta nel costruire sistemi di verifica e fiducia diversi, magari basati su identità verificata fuori rete, invece di vietare output che non si possono distinguere.

Cosa resta aperto. Il post non risolve la tensione, la nomina. Per chi lavora con l’AI, il takeaway pratico è quello che il corso tratta nella lezione sulla fiducia calibrata: non tutti gli errori pesano uguale, e sapere dove guardare prima di usare un risultato conta più che controllare tutto o non controllare niente.