Il traffico di ricerca si riduce e il web si ricostruisce intorno agli agenti

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 arido e implacabile» in un'interfaccia utente. È un piccolo artefatto di un cambiamento enorme: l'interfaccia è il luogo dove oggi si muovono i soldi e sempre più spesso risponde invece di rimandare altrove con un link.

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 della produttività del software engineering come un guadagno permanente del 32,6%, con un effetto corrispondente sul PIL del 3,6% nello scenario di base e del 6,5% quando una maggiore produttività nel software engineering fa crescere anche quella della R&S. Gli autori, Alex Blumenfeld, Jonathon Hazell, Chen Lian e Andreas Schaab, aggiungono che a metà 2026, in pieno progresso 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 ai sistemi oggi collocati tra gli utenti e i contenuti.

La ricerca full-text funziona ancora, ma non basta più

Manticore Search ha pubblicato sul suo 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. Sostiene poi che query come «mi servono scarpe da corsa nere impermeabili per l'asfalto bagnato» contengono diversi compiti: estrarre i vincoli, capire l'intento, verificare prezzo e disponibilità, e poi spiegare la differenza tra le opzioni. La risposta di Manticore è ibrida: full-text e ricerca vettoriale combinati attraverso il ranking dei risultati, con un modello linguistico che genera la risposta sopra. L'azienda lo ha testato su ConvApparel, un dataset conversazionale che dopo la pulizia conteneva 82.524 prodotti tra calzature, pantaloni, top 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 decide cosa mostrare lo shopping agent di Meta

Il 28 settembre un ricercatore che scrive come Kalan ha pubblicato su caeliai.com uno studio di reverse engineering su Muse, il nuovo agente IA di Meta. Muse è stato lanciato all'inizio di settembre 2026 e, secondo il conteggio di Apptopia citato nel post, ha superato 2,8 milioni di installazioni nel mondo nei primi 12 giorni, con circa 642.000 utenti giornalieri negli Stati Uniti, più velocemente del lancio mobile iniziale di ChatGPT. Lo studio è insolitamente concreto sul livello di retrieval. 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 associato 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 nota 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 ufficiale di Meta, pubblicata l'8 settembre 2026 e citata nel post, spiega 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, skill e agenti ausiliari, e che i connettori integrati girano in worker protetti separati.

L'implicazione commerciale è diretta. Se uno shopping agent 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.

La valutazione della ricerca resta difficile, e questo conta per tutti a valle

Il post molto letto di Doug Turnbull sulla valutazione 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 arredamento WANDS, ha trovato che una scelta forzata LHS/RHS dava il 75,08% di precisione al 100% di recall su 1.000 coppie. Permettere al modello di rispondere «Nessuno dei due» portava la precisione all'85,38% ma tagliava il recall 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 casi. È il tipo di dettaglio metodologico che raramente sopravvive a un annuncio di prodotto.

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 soggetto a cambiamenti, 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 dalle ricerche crolleranno. Mostra però dove va l'investimento. Il paper del NBER è una misura implicita di 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 stretta. Lo strato delle risposte viene costruito da aziende il cui incentivo è risolvere la query, non instradare il lettore. Se il catalogo dietro uno shopping agent viene valutato, filtrato e reso come due o tre schede, il traffico che prima arrivava da una pagina di risultati di ricerca non sparisce tutto in una volta. Viene assorbito una query alla volta.