Blu7, azienda in corso di riconoscimento MIM per corsi in aula e online. Iscriviti a 7 Pillole Blu.
Cos’è successo: il rilascio di Autoresearch
Andrej Karpathy, ex co-founder di OpenAI ed ex director di AI per Tesla, autore di progetti didattici come nanoGPT e llm.c (nanoGPT da solo conta oltre 80.000 stelle su GitHub), ha rilasciato a maggio 2026 un nuovo repository open source con licenza MIT: si chiama autoresearch. Non è un modello, non è un’app, non è un servizio commerciale. È uno scheletro di codice, circa 300 righe, che permette a un Agente AI — Claude Code, Codex o equivalenti — di condurre ricerca scientifica in autonomia: legge il proprio codice, lo modifica, esegue esperimenti su GPU, misura i risultati e decide se la modifica vale la pena di essere conservata.
In pochi giorni dal rilascio, il repository ha raccolto decine di migliaia di stelle su GitHub e poco più di 36 commit. La notizia è circolata rapidamente fra ricercatori e operatori del settore. Il punto rilevante non è il codice in sé. È il salto concettuale: l’AI non risponde più a domande, le pone da sola. Fonte: github.com/karpathy/autoresearch.
In pratica: cosa fa l’agente (in 60 secondi)
Il funzionamento è sorprendentemente semplice. C’è un piccolo modello di linguaggio in addestramento, definito in un file chiamato train.py. L’agente lo legge, sceglie una piccola modifica — per esempio cambia un iperparametro, sostituisce una funzione di attivazione, riorganizza un blocco — e la applica. Cambia una cosa piccola piccola. Poi lancia un esperimento di addestramento che dura circa cinque minuti su una GPU. Al termine misura una metrica oggettiva chiamata “validation bits per byte”: un numero più basso significa che il modello è migliorato.
Se la modifica ha abbassato la metrica, l’agente la conserva. Se l’ha alzata, la scarta. Poi ricomincia. Tutta la notte. Senza supervisione, senza pause, senza qualcuno che decida cosa provare dopo.
Per un imprenditore l’analogia è immediata: è come avere un collaboratore che ogni mattina propone una piccola modifica al sistema impresa, la testa nel pomeriggio e a sera conserva soltanto quello che funziona meglio. Un loop di miglioramento continuo, completamente automatizzato, su una metrica che hai scelto tu.
Perché è una notizia, anche se non addestri modelli AI
Tre ragioni rendono il rilascio di autoresearch rilevante anche per chi non lavora nella ricerca AI.
La prima è un cambio di paradigma sull’agency. Fino a oggi l’AI era uno strumento reattivo: tu chiedi, l’AI risponde. Con il pattern di Karpathy l’AI definisce obiettivi intermedi, prende decisioni, valuta i propri errori. È un salto filosofico prima ancora che tecnico, e cambia il modo in cui dobbiamo progettare i processi aziendali che la includono.
La seconda è la replicabilità del pattern. Lo schema “modifica + esegui + misura + decidi” non è specifico della ricerca AI. Funziona per qualunque processo che si possa misurare con un numero. Oggi sono esperimenti di training, domani potrebbero essere campagne email, posizionamenti SEO, flussi di customer support. Il valore strategico è nel pattern, non nel codice.
La terza è la democratizzazione. Il codice è MIT, breve, leggibile. Chiunque sappia programmare può prendere lo scheletro, adattarlo a un dominio diverso e farlo girare. Non serve un team di ricerca: serve disciplina nel definire una metrica corretta. Per chi fa impresa nel 2026, il pattern di Karpathy è più importante del codice stesso.
Cosa NON è autoresearch (sgombrare equivoci)
Vale la pena chiarire cosa autoresearch non è, perché la confusione sui social è già abbondante.
Non è una nuova versione di ChatGPT, né un’evoluzione degli assistenti conversazionali. Non è un prodotto che si installa con un clic e inizia a generare valore. Non è una soluzione pronta per problemi di marketing, vendita o gestione aziendale. Per girare richiede una GPU NVIDIA H100, che in cloud costa indicativamente trenta o quaranta dollari all’ora. Soprattutto, non sostituisce ricercatori o decisori: sostituisce la parte noiosa e ripetitiva delle iterazioni manuali. La parte interessante, definire la metrica giusta, capire cosa significano i risultati, decidere il prossimo passo strategico, resta in mano alle persone.
Quattro esempi di pattern simile applicato a contesti diversi
Il pattern Karpathy non vive solo nei laboratori. Ecco quattro contesti in cui la stessa logica può essere applicata in modo concreto.
Marketing automation. Un agente che testa venti varianti di una campagna email, misura il tasso di apertura dopo ventiquattro ore, conserva le tre migliori, propone nuove combinazioni a partire da quelle, scarta le peggiori e ricomincia. Senza che il marketer debba pilotare ogni test, riservando il proprio tempo all’interpretazione strategica.
SEO. Un agente che propone modifiche alle meta description di un sito, misura il CTR su Google Search Console dopo sette giorni e conserva solo le varianti che hanno effettivamente alzato la percentuale di click. È la stessa logica che già usano le campagne Ads automatiche, ma applicata alla SEO organica. Sul tema, un approfondimento utile è la nostra pagina dedicata alla GEO Generative Engine Optimization.
Content editoriale. Un agente che genera dieci titoli alternativi per un articolo, li testa con un piccolo budget di social ads (cinque o dieci euro al giorno), misura il CTR e tiene il vincitore. Quel titolo diventa quello dell’articolo pubblicato.
Customer support. Un agente che riformula le risposte alle FAQ aziendali, misura il tasso di chiusura ticket senza escalation e itera. È la stessa logica con cui Klarna ha automatizzato circa il settanta per cento del proprio customer service nel 2024.
Il messaggio è semplice: non aspettare strumenti pronti, inizia a progettare tu il loop nel tuo dominio.
Cosa fa Blu7 con questo (trasparenza)
In trasparenza con chi ci legge: il pattern di Karpathy ci interessa molto e lo stiamo studiando nei nostri workflow interni di marketing automation. Stiamo lavorando, fra le altre cose, a un sistema di “newsletter agente” che impara dalla performance settimana dopo settimana e a piccoli esperimenti di iterazione automatica su componenti di content workflow.
Questo non vuol dire che Blu7 oggi venda un’AI agentica chiavi in mano per i clienti. Ancora no. Vuol dire che il pattern è entrato nel nostro radar di studio e fa parte delle conversazioni che teniamo con le imprese che ci chiedono una consulenza AI di Blu7. La nostra posizione è di esplorazione metodica, non di vendita prematura: tecnologia interessante, in fase di studio, non ancora prodotto.
Quando un agente AI sarebbe utile alla tua PMI (5 segnali)
Prima di entusiasmarsi, vale la pena verificare se i prerequisiti ci sono. Cinque segnali utili a capirlo.
Primo: hai un processo ripetitivo che misuri ogni settimana. Vendite, CTR, conversioni, tasso di apertura, tempo medio di risposta. Qualcosa di numerico, ricorrente, tracciato.
Secondo: hai dati storici sufficienti. Almeno tre mesi di storico per dare contesto all’agente sulle baseline e per riconoscere se un risultato è davvero un miglioramento o solo rumore.
Terzo: il “miglior risultato” è oggettivo. Un numero, non un giudizio soggettivo. Un agente non può ottimizzare per “comunicazione più elegante”, ma può ottimizzare per “tasso di risposta alle email”.
Quarto: sei disposto a perdere i primi trenta o sessanta giorni in iterazioni esplorative che probabilmente non genereranno risultati. È il costo d’ingresso. Chi cerca ROI nella prima settimana è meglio che resti sui processi manuali.
Quinto: hai una persona che sa leggere i risultati dell’agente e prendere decisioni strategiche. Non puoi delegare tutto a una scatola nera. Serve un umano nel loop, almeno una volta a settimana.
Se sei a quattro su cinque, ha senso esplorare. Se sei sotto, è ancora presto e fai bene a osservare il mercato senza investire.
TL;DR e fonti
Sintesi in tre punti: Autoresearch di Karpathy è uno scheletro open source che permette a un’AI di fare ricerca scientifica in autonomia su un loop “modifica-esegui-misura-decidi”. Conta per le PMI non come tool da installare, ma come pattern architetturale da adattare a marketing, SEO, content e customer support. Adottarlo ha senso quando il processo è misurabile, ripetitivo, supportato da dati storici e con una persona in grado di interpretare i risultati.
Fonti: repository GitHub https://github.com/karpathy/autoresearch; biografia pubblica di Andrej Karpathy, co-founder di OpenAI e fondatore di Eureka Labs.
Per altri approfondimenti divulgativi nello stesso stile, vedi Le Pillole Blu.
Per una lettura cognitivista dello stesso fenomeno (agency, attribuzione di intenzionalità, implicazioni per la psicologia clinica), vedi l’approfondimento Quando una macchina decide su Psicolab.
FAQ
Cos’è Autoresearch di Karpathy? Autoresearch è uno scheletro open source MIT rilasciato da Andrej Karpathy a maggio 2026. Permette a un agente AI di condurre ricerca scientifica autonomamente: modifica codice, esegue esperimenti su GPU, misura risultati e itera senza supervisione umana.
Posso installare Autoresearch nella mia azienda? Tecnicamente sì, ma non ti serve. Autoresearch è pensato per ricerca su training di modelli AI, non per marketing o gestione aziendale (per adesso). Richiede una GPU NVIDIA H100 (trenta o quaranta dollari all’ora in cloud) e produce risultati scientifici, non commerciali.
Qual è la differenza tra Autoresearch e ChatGPT? ChatGPT risponde a domande. Autoresearch pone domande nuove da solo, le testa, misura i risultati e itera. Cambia il paradigma da “AI assistente” a “AI agente autonomo”.
Le PMI possono trarre beneficio dal pattern di Autoresearch? Sì, ma indirettamente. Il vero valore è il pattern architetturale “modifica + esegui + misura + decidi”, replicabile per marketing automation, SEO, content e customer support, come si vede nelle prime sperimentazioni di iterazione marketing automation. Il codice di Karpathy serve come reference, non come tool installabile.
Blu7, azienda in corso di riconoscimento MIM per corsi in aula e online. Iscriviti a 7 Pillole Blu.