Il miglioramento ricorsivo dell’intelligenza artificiale potrebbe non partire dalla modifica diretta dei pesi dei modelli, ma dall’ottimizzazione dei sistemi che li fanno lavorare. Il punto tecnico è importante: invece di immaginare un modello che riscrive sé stesso a livello interno, la prima forma concreta di auto-miglioramento può svilupparsi nel software che organizza il suo comportamento, gestisce il contesto, richiama strumenti, valuta i risultati e decide come ripetere un compito.
Questo livello viene spesso definito harness, cioè l’ambiente operativo che circonda il modello e ne trasforma le risposte in un processo eseguibile. In un agente AI moderno, l’harness non è più un semplice wrapper attorno a un LLM. Comprende pianificazione, memoria, gestione dei file, chiamate a strumenti esterni, controllo dei permessi, valutazione automatica, logging, recupero degli errori e coordinamento di più sotto-agenti. È il punto in cui il modello smette di essere solo un generatore di testo e diventa parte di un runtime software più complesso.
La distinzione rispetto al fine-tuning è centrale. Modificare direttamente i pesi di un modello è costoso, rischioso e poco adatto a cicli rapidi di correzione. Un harness, invece, può essere aggiornato con maggiore frequenza, testato su benchmark specifici e sostituito solo quando dimostra un miglioramento misurabile. Questo rende più praticabile una forma di auto-miglioramento controllato: il sistema analizza i propri fallimenti, propone modifiche al workflow, esegue test di regressione e mantiene la nuova versione solo se le prestazioni migliorano.
Nei sistemi di sviluppo software questa logica è già visibile. Gli agenti di coding lavorano su repository estesi, leggono e modificano file, lanciano test, interpretano errori, generano patch e ripetono il ciclo finché il risultato non è accettabile. In questo scenario, la qualità non dipende soltanto dal modello linguistico sottostante, ma anche dal modo in cui l’agente esplora il progetto, conserva lo stato, divide i compiti, verifica le modifiche e decide quando fermarsi. Un harness progettato male può rendere inefficiente anche un modello potente; un harness ben ottimizzato può compensare parte dei limiti del modello.
L’evoluzione più interessante riguarda i sistemi in cui anche l’harness diventa oggetto di ottimizzazione automatica. Framework come AFlow modellano i workflow agentici come grafi e cercano percorsi di esecuzione più efficaci attraverso tecniche di esplorazione e valutazione. Approcci come Meta-Harness e Self-Harness spingono oltre questa idea: non ottimizzano solo il prompt o il contesto, ma il codice e la struttura del sistema che governa l’agente. In pratica, l’AI non migliora soltanto la risposta finale, ma cerca di migliorare il processo che produce quella risposta.
Questo sposta il tema della competizione dai soli modelli ai sistemi completi. Prompt, memoria, workflow, tool use, valutatori, permessi e codice dell’harness diventano componenti strategiche quanto i parametri del modello. Per molte applicazioni enterprise, soprattutto nello sviluppo software, nella ricerca automatizzata e nell’analisi tecnica, il vantaggio non sarà dato solo dal modello più grande, ma dall’architettura capace di usare quel modello in modo più affidabile, ripetibile e misurabile.
Restano però limiti rilevanti. Un sistema che modifica il proprio harness deve essere valutato da meccanismi esterni e indipendenti, altrimenti rischia di ottimizzare metriche sbagliate, aggirare i test o introdurre comportamenti difficili da controllare. Anche la gestione della memoria di lungo periodo, la sicurezza dei permessi, la manutenzione dei log e la prevenzione del reward hacking diventano elementi critici. Per questo l’auto-miglioramento ricorsivo, almeno nella sua forma più realistica e immediata, non appare come un modello che si riscrive liberamente, ma come un sistema agentico che migliora progressivamente il proprio ambiente di esecuzione sotto vincoli tecnici ben definiti.