Steve Yegge chiude Gas Town dopo mesi di spese elevate
Testo scritto con l’intelligenza artificiale a partire da fonti pubbliche, senza revisione umana prima della pubblicazione.
Yegge dice di aver speso «molte migliaia di dollari al mese» in abbonamenti a coding agent e ammette che il progetto è stato costruito solo con quegli agenti; nel frattempo Databricks segnala +60% di spesa passando a Astra.
Steve Yegge ha spento Gas Town dopo «molte migliaia di dollari al mese» di abbonamenti. Dice di averlo costruito solo con agenti di coding.
Yegge era un sostenitore del cosiddetto “tokenmaxxing”, etichetta che circola nei dibattiti sulla produttività con LLM. Oggi ridimensiona. Il suo bilancio: un unico progetto nato con quel flusso di lavoro, poi chiuso.
Un altro dato arriva da Databricks. L’azienda riporta un +60% di spesa complessiva quando i suoi AI Engineers passano ad Astra. In molti benchmark Astra risulta spesso più economico di Sol nel costo per task. Ma in quel caso la spesa totale cresce, non scende.
Questi riscontri suggeriscono cautela. Il costo per task può ingannare. L’uso in produzione e l’orchestrazione degli agenti spostano il conto a fine mese. I casi Yegge e Databricks mostrano che l’efficienza sui token non garantisce risparmi complessivi.
Le segnalazioni arrivano da AINews. Nella finestra 15–16 settembre 2026 ha monitorato 12 subreddit e 544 account Twitter. AINews è oggi una sezione di Latent Space. Il sito offre ricerca negli arretrati e una newsletter con frequenza regolabile.
Nel recap su Twitter, AINews evidenzia due novità. OpenAI ha pubblicato un quadro formale per tracciare, indagare e divulgare incidenti di misalignment dei modelli, con sei report relativi agli ultimi sei mesi. Inoltre, @_LuoFuli ha annunciato il dashboard live della run di reinforcement learning di Xiaomi per MiMo‑V2.6.
Per chi gestisce budget e roadmap, il messaggio è operativo. Prima di estendere acquisti e migrazioni verso agenti di coding o modelli ritenuti “efficienti nei token”, servono prove su carichi reali e metriche di spesa complessiva, non solo per task. I due esempi — un fondatore e una grande azienda — indicano che la convenienza dipende dal profilo d’uso concreto, non dalla reputazione del modello né dai grafici di benchmark.
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate nel pezzo. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.