Il traffico da ricerca si riduce e il web si ricostruisce intorno agli agenti
Gli editori perdono referral dai motori di ricerca, mentre due nuovi studi e un'ondata di infrastrutture per agenti puntano su un web in cui il prodotto è la risposta, non il clic. L'ultimo numero di IEEE Spectrum dedicato al computing, uscito il 29 settembre, si apre con la visione di un poeta sull'interfaccia; il quadro economico intorno a quella visione si fa più difficile.

Il 29 settembre la sezione Computing di IEEE Spectrum ha pubblicato una poesia di Ralph Earle, ex senior software engineer di IBM, sul tradurre «codice asciutto e implacabile» in un'interfaccia utente. È un piccolo reperto di un cambiamento grande: l'interfaccia è il punto in cui oggi passano i soldi, e sempre più spesso risponde invece di rimandare altrove.
I numeri dietro quel cambiamento sono arrivati la stessa settimana. Un working paper del National Bureau of Economic Research emesso a settembre 2026 stima che da novembre 2022 a dicembre 2025 l'IA abbia aumentato il valore attuale atteso dal mercato della produttività nell'ingegneria del software per l'equivalente di un guadagno permanente del 32,6%, con un effetto corrispondente sul PIL del 3,6% nello scenario base e del 6,5% quando una maggiore produttività dell'ingegneria del software spinge anche la produttività della ricerca e sviluppo. Gli autori, Alex Blumenfeld, Jonathon Hazell, Chen Lian e Andreas Schaab, aggiungono che a metà 2026, in mezzo ai rapidi progressi degli agenti di programmazione, l'effetto era più che raddoppiato rispetto alla fine del 2025. È una cifra macroeconomica, non editoriale, ma descrive il capitale che affluisce nei sistemi oggi collocati tra gli utenti e i contenuti.
La ricerca full-text funziona ancora, ma non basta più a chiudere il lavoro
Manticore Search ha pubblicato sul proprio blog un lungo intervento che spiega perché la ricerca per parole chiave non si è rotta e perché questo non basta. L'azienda cita la dichiarazione di Google di maggio 2026, secondo cui AI Mode ha superato un miliardo di utenti mensili, e sostiene che richieste come «mi servono scarpe da corsa nere e impermeabili per correre ogni giorno sull'asfalto bagnato» contengono più compiti: estrarre i vincoli, capire l'intenzione, verificare prezzo e disponibilità, spiegare infine la differenza tra le opzioni. La risposta di Manticore è ibrida: ricerca full-text e vettoriale combinate attraverso il ranking dei risultati, con un modello linguistico che genera una risposta sopra. L'ha provata su ConvApparel, un dataset conversazionale che dopo la pulizia conteneva 82.524 prodotti tra calzature, pantaloni, magliette e capispalla, e ha costruito una demo chiamata Manticore Apparel Shop. Il post è esplicito sul rischio: se il sistema dice che un modello è adatto alla pioggia, l'utente deve poter aprire il prodotto e verificare la fonte di quell'affermazione. Quest'ultima frase è il problema dell'editore raccontato da un fornitore di infrastrutture.
Come l'agente per lo shopping di Meta decide cosa mostrare
Il 28 settembre un ricercatore che firma Kalan ha pubblicato su caeliai.com uno studio di reverse engineering su Muse, il nuovo agente IA di Meta. Muse è uscito all'inizio di settembre 2026 e, secondo il conteggio di Apptopia citato nel post, ha superato 2.800.000 installazioni nel mondo nei primi 12 giorni, con circa 642.000 utenti giornalieri negli Stati Uniti, più in fretta del lancio mobile di ChatGPT. Lo studio è insolitamente concreto sul livello di recupero delle informazioni. Kalan riferisce di aver trovato il programma del catalogo in /opt/hatch/bin/meta-catalog-search, un socket protetto del worker in /run/hatch/privsep/meta-catalog-search.sock, istruzioni per lo shopping in un file chiamato shopping-SKILL.md e un ranking_score allegato a ogni prodotto. Nei compiti di shopping descritti, Muse restituiva da 40 a 71 prodotti con i punteggi, li verificava sui siti dei rivenditori tramite un browser e mostrava all'utente due o tre schede.
Kalan segnala anche che i risultati grezzi del catalogo includevano link di debug interni che puntavano alla rete interna di Meta, e che l'unico link aperto, il 28 settembre, mostrava soltanto la pagina di login interna di Meta.
Non ho un account Meta, quindi ho solo gli indirizzi, non quello che c'è dietro.
Il post dichiara apertamente che il decoder è stato scritto per leggere un programma Rust compilato da 11,7 MB senza eseguirlo, e che gli esperimenti cambiavano una variabile alla volta ed erano ripetuti tre volte. Va preso come il resoconto di un ricercatore, non come una comunicazione di Meta. La descrizione della stessa Meta, pubblicata l'8 settembre 2026 e citata nel post, dice che il Muse di ogni utente gira in una sezione isolata di una macchina virtuale dedicata, con un browser, una cartella di lavoro, strumenti da riga di comando, competenze e agenti ausiliari, e che i connettori integrati girano in worker protetti separati.
L'implicazione commerciale è diretta. Se un agente per lo shopping restituisce da 40 a 71 candidati e ne mostra due o tre, è la funzione di ranking a decidere chi viene visto. Editori e commercianti non la controllano.
Valutare la ricerca resta difficile, e questo conta per tutti a valle
Il post molto letto di Doug Turnbull sulla valutazione con LLM-as-judge, ripubblicato sul suo blog il 28 settembre, è un correttivo utile per chi dà per assestati questi ranking. Testando la rilevanza a coppie sul dataset di mobili WANDS, ha trovato che una scelta forzata LHS/RHS dava una precisione del 75,08% con un richiamo del 100% su 1.000 coppie. Lasciando al modello la possibilità di rispondere «Nessuno dei due», la precisione saliva all'85,38% ma il richiamo crollava al 17,10%. La sua soluzione è semplice e vale la pena ripeterla: fare la stessa domanda con i prodotti invertiti e accettare il verdetto solo se il modello è coerente in entrambi i versi. È il tipo di dettaglio metodologico che raramente sopravvive a un annuncio di prodotto.
Più o meno nello stesso periodo, il 29 settembre, MongoDB ha annunciato MongoDB 9.0, Atlas Infinite e Atlas Agent Engine, con una nota del CEO ad interim sul blog aziendale lo stesso giorno. Il fornitore descrive Atlas Agent Engine come la soluzione che offre memoria, runtime e governance per gli agenti in produzione, aperta a qualsiasi modello o framework e costruita su standard tra cui il Model Context Protocol per gli strumenti, A2A per la delega tra agenti e OpenTelemetry per le tracce. Il prezzo è per l'anteprima pubblica e può cambiare, precisa l'azienda.
Altri due post del 29 settembre completano l'impianto. Unblocked ha pubblicato i dettagli di un router adattivo che sposta il traffico LLM tra Baseten, Fireworks e CoreWeave, tutti con GLM 5.2. Con il round-robin, Fireworks prendeva il 51% dei compiti e Baseten il 49%, anche se i prezzi di Fireworks erano più alti del 25% e Baseten era più veloce, scrive l'azienda; con un ordine fisso, Baseten serviva il 98,5%. I prezzi di listino di CoreWeave erano circa il 45% più bassi di quelli di Baseten. E Loro ha pubblicato un'argomentazione secondo cui i CRDT da soli non bastano per la sincronizzazione local-first, descrivendo un caso in cui un indice di conversazione si sincronizzava ma il corpo del messaggio no, lasciando l'utente davanti a una notifica senza nulla dietro.
Da dove dovrebbero arrivare i lettori
Niente di tutto questo dimostra che i referral dai motori di ricerca crolleranno. Mostra però dove vanno gli investimenti. Il paper del NBER è una misura implicita nel mercato, non una misurazione della produzione, e gli autori lo presentano come tale. I post di Manticore e MongoDB sono argomenti di fornitori. Lo studio su Muse è il resoconto di un ricercatore indipendente, con la nota esplicita che non ha accesso ai sistemi interni di Meta.
Per gli editori la lettura pratica è più ristretta. Lo strato delle risposte lo costruiscono aziende il cui incentivo è risolvere la query, non instradare il lettore. Se il catalogo dietro un agente per lo shopping viene valutato, filtrato e reso come due o tre schede, il traffico che un tempo arrivava da una pagina di risultati non sparisce tutto insieme. Viene assorbito una query alla volta.
Fonti
15- 01Poetry for Engineers: User Interface DesignEN
- 02The Macroeconomic Effect of AI: Sizing the Software Engineering ChannelEN
- 03Full-Text Search Still Works. It Just Doesn't Get You to an AnswerEN
- 04Reverse Engineering How Meta's Muse ShopsEN
- 05Check twice, cut once with LLM search relevance evalEN
- 06The Intelligent Data Platform for the AI EraEN
- 07The MongoDB Agent Platform | Atlas Agent EngineEN
- 08Routing LLM traffic across inference providers by cost, speed and reliabilityEN
- 09CRDTs are not enough: From CRDTs to a local-first sync engineEN
- 10OpenJev: An open-source, Jev-compatible System One decision engineEN
- 11Branch Target Reuse: Spectre-v2 Attacks in JIT EnginesEN
- 12Agencies publish resolution plan feedback letters for 15 banking organizationsEN
- 13VDE Figures: Electrical Engineering Programs Are Popular InternationallyEN
- 14We Are Hiring Engineers Because of AI, Not Despite It: Inside Picnic's AI TransformationEN
- 15What makes software development engineeringEN
Tutti i numeri e le citazioni di questo testo provengono dalle fonti elencate sotto.
I contenuti sono stati preparati dalla redazione con il supporto dell'IA.
Commenti
0- Nessun commento — sii il primo.