Gergely Orosz mette il dito su un limite strutturale: i connettori ereditati da OAuth lavorano su scope larghi e fiducia implicita, buoni per dashboard e import, fragili con agenti che agiscono da soli. Stripe introduce «permessi granulari» e prompt con verifica umana. Questo chiude il buco tra delega a un’app e delega a un agente che può leggere e agire senza supervisione.

Per chi costruisce agenti la mossa pratica è interporre un proxy di autorizzazione davanti ai connettori: policy per risorsa e azione, audit di chi legge cosa, e blocco con conferma esplicita su contenuti a rischio come i reset password. Ai provider serve un’API standard per il consenso granulare per risorsa e per singola azione. Giudizio della redazione: il punto regge e spiega Stripe in enterprise. Finché Google non parifica, il costo ricade sui team e chi copia Stripe avanza.

Ethan Mollick ha credenziali per dirlo: insegna, misura l’uso reale dell’AI e ha messo a confronto modelli e interfacce. La sua lettura stona con la spinta a velocità e chiacchiera continua. Se «dà quella sensazione da oracolo», allora il valore non sta nel turn successivo ma nella singola risposta ben preparata. La lentezza dichiarata sposta l’attenzione dal ritmo alla qualità della formulazione e delle fonti fornite al modello.

In pratica un team progetta i passaggi critici come chiamate rare e intenzionali, con una domanda precisa e materiale di supporto curato. Il tempo si investe a monte in preparazione e validazione, e si riducono le microcorrezioni a valle. La redazione condivide il tradeoff qualità contro velocità e vede utilità nei momenti che contano, a patto di mantenere verifiche e ripetibilità oltre al linguaggio da oracolo.

Shawn Wang propone «poco sforzo più ciclo di critica» invece della rincorsa a modelli e assetti massimi, specie con carico vincolato. Ha voce perché ha spinto l’etichetta di AI engineer e organizza una conferenza sulla produzione. Contesta l’equazione grandezza uguale qualità e invita a «sorvegliare le esecuzioni».

La mossa operativa è spostare l’ottimizzazione dal modello al ciclo di critica: budget e ingegneria su telemetria, logging e correzione rapida degli errori ricorrenti, meno rincorsa all’ultimo modello pesante. Giudizio della redazione: d’accordo. Funziona se il compito è misurabile e i criteri sono chiari; con una base debole il loop non compensa. Il guadagno principale va ai team di prodotto con qualità prevedibile senza esplodere i costi.