Perché CLI, Agent Framework, MCP App e Agent Skills sono il futuro dello sviluppo software
Il vecchio modello delle app sta morendo. Ecco cosa lo sta sostituendo.
Il Cambiamento che Nessuno si Aspettava: 11.393 Strumenti AI in 12 Mesi
Gli strumenti per agenti AI — CLI, framework, server MCP e skills che consentono agli agenti di interagire con il mondo reale — sono esplosi da una manciata di esperimenti a un ecosistema di 11.393 strumenti AI indicizzati nel giro di soli dodici mesi. Questo è quanto emerge dal rapporto di febbraio 2026 di SkillsIndex, che monitora gli strumenti per agenti AI in cinque grandi ecosistemi: Server MCP (4.133), OpenClaw Skills (2.471), GPT Actions (1.818), Plugin IDE (1.760) e Claude Skills (1.211).
Dodici mesi fa, se avessi detto a qualsiasi sviluppatore che le interfacce a riga di comando avrebbero vissuto una clamorosa rinascita, che gli strumenti per agenti AI avrebbero assimilato il software tramite protocolli standardizzati, e che le "skills" avrebbero sostituito i plugin tradizionali, ti avrebbero liquidato come fuori dal mondo. Eppure, eccoci qui.
I numeri raccontano una storia di trasformazione profonda. Il 92% degli sviluppatori statunitensi usa quotidianamente strumenti AI di programmazione — una cifra talmente sbalorditiva che il Collins Dictionary ha nominato "vibe coding" parola dell'anno 2025. Il mercato del vibe coding è cresciuto fino a 4,7 miliardi di dollari. Non stiamo assistendo a una tendenza. Stiamo assistendo a una transizione di fase.
Il software viene ricostruito attorno agli agenti AI, non agli esseri umani. L'interfaccia grafica — il paradigma che ha dominato l'informatica dagli anni '80 — sta diventando una preoccupazione secondaria. Quello che conta ora è se un agente riesce a invocare il tuo software, capirne i risultati e integrarlo in flussi di lavoro più ampi.
Non è speculazione. Accade nei sistemi in produzione già oggi. E se nel 2026 stai costruendo software senza capire questo cambiamento, stai costruendo per un mondo che sta rapidamente scomparendo.
I Quattro Pilastri del Nuovo Stack
Prima di entrare nel dettaglio, stabiliamo l'architettura. Il nuovo stack software per lo sviluppo AI-native poggia su quattro pilastri interconnessi:
Command-Line Interface (CLI) — Il paradigma di interfaccia più antico, ora rinato come il modo più efficiente per gli agenti AI di interagire con gli strumenti. Zero overhead di UI. Massima efficienza nei token. I modelli sanno già come usarle.
Agent Framework — Il livello di orchestrazione che si interpone tra i modelli AI e il mondo esterno. Pensatelo come il sistema operativo degli agenti: gestisce memoria, schedulazione, routing delle skills e gestione dei canali.
Model Context Protocol (MCP) — Lo standard universale per l'integrazione degli strumenti che ha raggiunto ciò che anni di approcci frammentati non erano riusciti a ottenere: una vera interoperabilità tra provider AI.
Agent Skills — Pacchetti dichiarativi che insegnano agli agenti nuove capacità senza richiedere modifiche al codice del modello sottostante o dell'agent framework.
Questi quattro pilastri non sono in competizione — si compongono. Un setup di agente AI in produzione tipicamente li combina tutti e quattro: un agent framework che orchestra più skills, alcune delle quali invocano strumenti CLI, altre si connettono via MCP, il tutto collaborando per svolgere compiti che solo un anno fa avrebbero richiesto uno sviluppo personalizzato.
Esaminiamo ciascun pilastro in dettaglio.
CLI: Perché il Terminale è Tornato
Il terminale non è mai andato via davvero. Si era semplicemente ritirato dall'attenzione mainstream mentre le GUI dominavano il software consumer. Ma gli agenti AI non hanno occhi. Non fanno clic sui pulsanti né navigano gerarchie visive. Elaborano testo. E la riga di comando è testo puro.
Questo ha un'enorme rilevanza in termini di efficienza. L'analisi di Jannik Reinhard del febbraio 2026 fornisce il dato più eloquente: eseguire lo stesso compito (elencare i dispositivi Intune non conformi) ha consumato circa 145.000 token via MCP contro 4.150 token via CLI. Una riduzione di 35 volte.
Perché una differenza così drastica? MCP richiede negoziazione dello schema, formati strutturati di richiesta/risposta e definizioni esplicite degli strumenti. Le CLI non richiedono nulla di tutto ciò. L'agente invoca semplicemente un comando e analizza l'output. Tutti i principali modelli linguistici sono stati addestrati su milioni di man page, file README e risposte di Stack Overflow sugli strumenti CLI. Sanno già come funziona grep. Capiscono già jq. Non hanno bisogno di uno schema per saperlo.
I principali laboratori AI lo hanno riconosciuto. Claude Code 2.1 (rilasciato a gennaio 2026) opera principalmente attraverso comandi terminale, con hot-reload delle skills e sub-agenti fork costruiti attorno a flussi di lavoro CLI-first. GPT-5.3-Codex, lanciato il 5 febbraio 2026, è disponibile via CLI insieme all'integrazione IDE — e la versione CLI è spesso preferita dagli utenti avanzati per le sue prestazioni superiori del 25%. Gemini 3.1 Pro, rilasciato il 19 febbraio 2026, raggiunge il 77,1% nei benchmark ARC-AGI-2 ed eccelle nei compiti di ragionamento basati su CLI.
L'implicazione pratica: se nel 2026 stai costruendo uno strumento per sviluppatori, la priorità alla CLI non è più opzionale. Il tuo strumento verrà consumato dagli agenti. Quegli agenti saranno molto più efficienti — e quindi meno costosi da gestire — quando potranno usare una CLI ben progettata piuttosto che navigare una UI web o persino una API strutturata.
# Cosa esegue realmente un agente AI
gh pr list --state open --json number,title,author | \
jq '.[] | select(.author.login != "dependabot[bot]")'
# vs. navigare la UI web di GitHub
# vs. più chiamate MCP con overhead di schema
La CLI non è nostalgia. È l'interfaccia più pratica per gli utenti non umani.
Agent Framework: Il Sistema Operativo degli Agenti
I modelli linguistici grezzi sono stateless. Elaborano un prompt, generano una risposta, e dimenticano tutto. Questa è una caratteristica utile per alcuni casi d'uso e una limitazione catastrofica per altri. Se vuoi un agente che ricordi le tue preferenze, pianifichi attività, gestisca più canali di comunicazione e coordini flussi di lavoro complessi, hai bisogno di qualcosa che si interponga tra il modello e il mondo.
Quel qualcosa è l'agent framework.
Gli Agent Framework forniscono l'infrastruttura che trasforma un modello linguistico in un agente operativo:
-
Memoria — Archiviazione persistente che sopravvive tra le sessioni. A breve termine (contesto della conversazione), a lungo termine (preferenze apprese, informazioni sull'utente) ed episodica (cosa è successo e quando).
-
Schedulazione — Capacità simili al cron per le attività ricorrenti. Controllare le email ogni mattina. Riassumere le notizie alle 18. Eseguire audit di sicurezza ogni settimana.
-
Skill Routing — Smistamento intelligente verso lo strumento giusto per ogni compito. Quando l'utente chiede del tempo, instrada alla skill del meteo. Quando chiede del calendario, instrada alla skill del calendario.
-
Gestione dei Canali — Interfaccia unificata tra le piattaforme di comunicazione. Lo stesso agente accessibile via Telegram, Discord, Slack o email.
-
Orchestrazione degli Strumenti — Gestione dell'esecuzione di comandi CLI, chiamate MCP e integrazioni API dirette con gestione degli errori, tentativi automatici e context management appropriati.
OpenClaw è un esempio di agent framework in produzione, con oltre 500 skills su ClawHub e 53 skills ufficiali per le attività più comuni. Ma il pattern è più importante di qualsiasi implementazione specifica. Aziende come Context Studios gestiscono setup di agent framework in produzione che combinano sistemi di memoria, cron job, integrazioni con più canali e decine di skills in esperienze agentiche coerenti.
L'agent framework è il sistema operativo. Il modello è solo la CPU.
Senza un agent framework, hai un chatbot. Con uno, hai un agente capace di fare davvero le cose — organizzare riunioni, monitorare sistemi, gestire pipeline di contenuti, rispondere agli incidenti — senza che un essere umano debba avviare ogni singola azione.
MCP: Il Protocollo che ha Vinto
Nel mondo frammentato dell'AI tooling intorno al 2024-2025, ogni piattaforma aveva il proprio approccio all'integrazione degli strumenti. OpenAI aveva il function calling. Anthropic aveva il tool use. Google aveva i propri pattern API. Collegare uno strumento a più provider AI significava implementare la stessa logica più volte, con sottili incompatibilità.
Il Model Context Protocol (MCP) ha cambiato tutto. Sviluppato originariamente da Anthropic, MCP è stato donato all'Agentic AI Foundation sotto la Linux Foundation all'inizio del 2026, con il supporto fondativo di Anthropic, Block e OpenAI. Questa mossa di governance ha segnalato che MCP non era un gioco proprietario — era infrastruttura.
I numeri di adozione sono sbalorditivi. I download dell'MCP SDK hanno raggiunto 97 milioni al mese a febbraio 2026 — un aumento di 970 volte in dodici mesi. Esistono ora SDK per Python, TypeScript, C#, Java e .NET. Sono emersi più registri: Smithery elenca oltre 2.200 server MCP, MCP.so ne traccia più di 3.000, e il registro ufficiale fornisce opzioni curate.
Cosa fornisce concretamente MCP? Secondo la panoramica tecnica di IBM:
-
Definizioni standardizzate degli strumenti — Un formato di schema che descrive cosa fa uno strumento, quali parametri accetta e cosa restituisce.
-
Risorse di contesto — Un modo per gli strumenti di esporre dati che i modelli possono leggere, consentendo agli strumenti di condividere stato e informazioni.
-
Astrazione del trasporto — Originariamente supportava stdio e SSE, ora raccomanda Streamable HTTP come meccanismo di trasporto principale.
-
Prompt — Template di prompt riutilizzabili che gli strumenti possono fornire ai modelli.
MCP ha trasformato l'integrazione degli strumenti da un onere di implementazione per-provider a un pattern write-once, run-anywhere. Costruisci un server MCP e funziona con Claude, GPT, Gemini e qualsiasi altro sistema che parla il protocollo.
// Un esempio minimale di server MCP
import { Server } from "@modelcontextprotocol/sdk/server";
const server = new Server({
name: "example-server",
version: "1.0.0"
});
server.setRequestHandler("tools/list", async () => ({
tools: [{
name: "get_weather",
description: "Get current weather for a location",
inputSchema: {
type: "object",
properties: {
location: { type: "string", description: "City name" }
},
required: ["location"]
}
}]
}));
server.setRequestHandler("tools/call", async (request) => {
if (request.params.name === "get_weather") {
const location = request.params.arguments.location;
// ... ricerca meteo effettiva
return { content: [{ type: "text", text: `Weather in ${location}: 22°C, sunny` }] };
}
});
Questa è la base. Ma MCP si è evoluto ben oltre le semplici chiamate agli strumenti verso qualcosa di molto più ambizioso.
MCP App: Quando gli Strumenti Ottengono una UI
Il 26 gennaio 2026, il team MCP ha annunciato MCP Apps — un'estensione che cambia il paradigma e consente agli strumenti di restituire componenti UI interattivi all'interno delle conversazioni.
In precedenza, gli strumenti MCP restituivano testo o dati strutturati. Il modello avrebbe quindi formattato quei dati per il consumo umano. MCP Apps cambia questa equazione: gli strumenti possono ora restituire dashboard, form, visualizzazioni ed elementi interattivi che si renderizzano direttamente nell'interfaccia di chat.
Considera cosa significa:
- Uno strumento database non restituisce solo risultati di query come JSON — visualizza una tabella interattiva con ordinamento, filtri e modifica inline.
- Uno strumento di analisi non si limita a descrivere le metriche — mostra grafici che si aggiornano in tempo reale.
- Un flusso di lavoro basato su form non richiede al modello di fare domande una per una — presenta un'interfaccia form completa che l'utente compila direttamente.
Questo ridefinisce il significato di "app". Le applicazioni tradizionali sono esperienze autonome con le proprie finestre, navigazione e gestione dello stato. Le MCP App sono funzionalità che emergono all'interno delle conversazioni quando necessario. L'interfaccia di chat diventa un contenitore universale di applicazioni.
Le implicazioni per lo sviluppo software sono profonde. Costruire un'"app" significa sempre più costruire un server MCP che restituisce i componenti UI appropriati, non costruire un frontend autonomo. Il canale di distribuzione non è un app store — è qualsiasi assistente AI che supporta MCP Apps.
Siamo ancora agli inizi. La specifica MCP Apps è in evoluzione e il supporto dei client varia. Ma la traiettoria è chiara: il confine tra "strumenti" e "applicazioni" si sta dissolvendo.
Agent Skills: Software Senza Codice
Mentre MCP fornisce il livello di protocollo per l'integrazione degli strumenti, le Agent Skills rappresentano un'astrazione di livello superiore: pacchetti dichiarativi che insegnano agli agenti nuove capacità.
Secondo la survey completa della DEV Community, SKILL.md sta emergendo come standard de facto in Claude Code, Codex CLI e Gemini CLI. Una skill è tipicamente un file markdown che descrive:
- Quando la skill dovrebbe essere attivata
- Quali strumenti/comandi può usare
- Come svolgere attività specifiche
- Esempi e casi limite
# SKILL.md - Weather Skill
## Description
Get current weather and forecasts for any location.
## When to Use
- User asks about weather, temperature, or forecasts
- User mentions going outside or planning activities
## Tools
- `curl wttr.in/{location}` — Quick weather lookup
- `weather-cli --json` — Structured weather data
## Examples
User: "What's the weather in Berlin?"
→ Run: curl wttr.in/Berlin?format=3
→ Parse output, respond conversationally
User: "Should I bring an umbrella tomorrow?"
→ Run: curl wttr.in/Berlin?format=%C+%t+%w
→ Check for rain indicators, advise accordingly
Questo è software senza codice tradizionale. La skill non implementa funzionalità meteo — insegna all'agente come usare gli strumenti esistenti per svolgere attività legate al meteo. La conoscenza è dichiarativa, non procedurale.
L'ecosistema è cresciuto rapidamente. SkillsIndex riporta 11.393 strumenti nei cinque principali ecosistemi. Sono emersi marketplace: SkillsMP ospita circa 96.000 skills, ClawHub intorno a 5.700, SkillHub circa 7.000, e la lista curata awesome-oc ne traccia circa 3.000.
Le skills rappresentano un cambio di prospettiva su come pensiamo alla distribuzione del software. Invece di installare applicazioni, gli utenti installano capacità. Invece di mantenere codebase, gli sviluppatori mantengono pacchetti di conoscenza. L'agente fornisce il runtime; le skills forniscono le istruzioni.
La Crisi della Qualità
La rapida crescita dell'ecosistema degli strumenti ha creato un problema prevedibile: la qualità è estremamente variabile.
L'analisi di febbraio 2026 di SkillsIndex ha rilevato un punteggio di qualità medio di appena 44,7 su 100 per tutti gli strumenti indicizzati. Non sorprende — abbiamo già visto questo pattern con i pacchetti npm, le estensioni del browser e le app mobile. Le barriere d'ingresso basse generano un'alta varianza nella qualità.
Ma le poste in gioco sono più alte con gli strumenti per agenti. Un pacchetto npm di bassa qualità può avere dei bug. Un server MCP di bassa qualità può avere vulnerabilità di sicurezza che espongono i dati degli utenti, eseguono codice arbitrario o cedono le credenziali a terze parti.
Le preoccupazioni sono concrete:
-
Nessuno standard di sandboxing — I server MCP tipicamente girano con gli stessi permessi del processo host. Un server malevolo potrebbe accedere al filesystem, alla rete e alle credenziali.
-
Modello di fiducia poco chiaro — Quando un agente invoca uno strumento MCP, chi è responsabile del risultato? L'utente che lo ha installato? L'agente che lo ha chiamato? Lo sviluppatore che lo ha costruito?
-
Adozione enterprise bloccata — Molte organizzazioni non implementeranno strumenti agentici finché queste domande sulla sicurezza non avranno risposte chiare.
La soluzione non è rallentare la crescita dell'ecosistema — quella nave è salpata. La soluzione è una migliore curation, standard di sicurezza più chiari e strumenti che rendano facile verificare cosa fanno effettivamente gli strumenti agentici.
Qualche progresso sta avvenendo. Il registro ufficiale MCP applica una verifica di base. Gli agent framework enterprise stanno implementando sistemi di permessi e log di audit. Ma il divario di qualità tra i migliori strumenti e quelli mediani rimane enorme.
Se stai costruendo strumenti agentici per l'uso in produzione, la qualità è un vantaggio competitivo. Se li stai consumando, la curation conta più della semplice quantità di opzioni disponibili.
CLI vs MCP: Il Grande Dibattito
Nella comunità di sviluppo agentivo è emerso un dibattito acceso: dobbiamo usare strumenti CLI o server MCP? Articoli come "Why CLI is the New MCP for AI Agents" di OneUptime e l'analisi sull'efficienza dei token di Jannik Reinhard hanno alimentato il dibattito.
La risposta è: non è un'alternativa. Entrambi gli approcci hanno punti di forza distinti, e gli agenti sofisticati li usano entrambi.
Vantaggi della CLI:
- Efficienza dei token — 35 volte meno token per compiti equivalenti nell'analisi di Reinhard
- Zero overhead di schema — Nessuna definizione degli strumenti richiesta; i modelli conoscono già le CLI più comuni
- Ecosistema esistente — Migliaia di strumenti a riga di comando maturi e ben collaudati
- Componibilità — Le pipe Unix e la shell scripting permettono combinazioni potenti
Vantaggi di MCP:
- Scopribilità — Le definizioni strutturate degli strumenti comunicano agli agenti esattamente cosa è disponibile
- Type safety — Gli schemi di input prevengono richieste malformate
- Ritorni ricchi — Le MCP App abilitano componenti UI, non solo testo
- Consistenza cross-provider — Lo stesso server funziona con tutti gli agenti compatibili MCP
L'approccio ibrido usa le CLI per gli strumenti noti dove l'efficienza conta (git, curl, jq, utilità Unix standard) e MCP per integrazioni personalizzate, API proprietarie e casi in cui è necessaria un'interazione ricca.
Una skill agentiva ben progettata potrebbe assomigliare a questa:
# SKILL.md - Kubernetes Management
## CLI Tools (prefer for efficiency)
- kubectl — All standard k8s operations
- helm — Package management
- k9s — Interactive cluster exploration (if TTY available)
## MCP Servers (for rich integrations)
- k8s-mcp-server — Dashboard views, resource graphs, anomaly detection
- prometheus-mcp — Metrics visualization with interactive charts
## Routing Logic
- Simple queries (get pods, describe service) → kubectl
- Complex visualizations (cluster health dashboard) → k8s-mcp-server
- Metric exploration → prometheus-mcp
Il dibattito manca il punto centrale. La domanda non è quale approccio vinca — è come combinarli in modo intelligente.
Architettura nel Mondo Reale: Come Appare in Produzione
Ancoriamo tutto questo in un'architettura concreta. Un setup di agente AI in produzione nel 2026 include tipicamente:
Livello 1: L'Agent Framework
- Memoria persistente (store semantico per i fatti, store episodico per gli eventi)
- Scheduler cron per le attività ricorrenti
- Supporto multi-canale (Telegram, Slack, Discord, email)
- Motore di skill routing
- Gestione del contesto (cronologia delle conversazioni, preferenze dell'utente)
Livello 2: Le Skills
- 20-50 skills che coprono domini comuni (calendario, email, meteo, note, ecc.)
- Skills personalizzate per flussi di lavoro specifici del dominio
- Le skills instradano verso gli strumenti appropriati (CLI o MCP) in base al compito
Livello 3: Il Livello degli Strumenti
- Strumenti CLI installati sull'host (git, curl, jq, ripgrep, ecc.)
- Server MCP in esecuzione localmente o da remoto
- Integrazioni API dirette per servizi senza supporto MCP
Livello 4: Il Modello
- Modello primario per il ragionamento complesso (Claude Opus 4.6, GPT-5.3)
- Modello più veloce/economico per compiti semplici (Claude Sonnet 4.6, GPT-5.3 mini)
- Modelli specializzati per domini specifici secondo necessità
Il flusso dei dati:
- Il messaggio dell'utente arriva tramite canale (Telegram, Slack, ecc.)
- L'Agent Framework carica il contesto rilevante (cronologia della conversazione, profilo utente, memorie recenti)
- Lo skill router determina quale skill(s) applicare
- Le istruzioni della skill selezionata guidano l'approccio del modello
- Il modello genera chiamate agli strumenti (comandi CLI o richieste MCP)
- L'Agent Framework esegue gli strumenti, gestisce gli errori, gestisce i tentativi
- I risultati tornano al modello per l'interpretazione
- Il modello genera la risposta
- L'Agent Framework persiste le informazioni rilevanti nella memoria
- La risposta viene consegnata all'utente tramite il canale originale
Questa architettura è in esecuzione in produzione in numerose organizzazioni. Le implementazioni specifiche variano, ma il pattern è coerente: agent framework + skills + strumenti + modello.
Cosa Significa per gli Sviluppatori
Se sei uno sviluppatore nel 2026, il panorama è cambiato radicalmente:
Il SaaS tradizionale verrà consumato via MCP. Ogni grande piattaforma SaaS sta costruendo o ha già integrazioni MCP. Salesforce, HubSpot, Jira, GitHub — tutti. Se il tuo flusso di lavoro prevede di cliccare su UI web, quei clic diventeranno sempre più azioni agentiche via MCP.
Le CLI diventano l'interfaccia primaria. Non per te — per gli agenti che lavorano a tuo nome. CLI ben progettate con formati di output chiari e testo di aiuto completo sono più preziose che mai.
Le skills diventano i nuovi pacchetti npm. Invece di importare librerie da usare nel codice, installi skills che gli agenti usano per svolgere compiti. L'ecosistema delle skills è il nuovo ecosistema dei package.
Il tuo ruolo si sposta dal costruire UI al costruire capacità. Il frontend conta meno quando gli utenti interagiscono tramite agenti conversazionali. Quello che conta è cosa può fare il tuo software, non com'è fatto.
Questo non significa che lo sviluppo UI scompaia. Le MCP App hanno bisogno di interfacce. Alcuni flussi di lavoro beneficeranno sempre della manipolazione diretta. Ma il centro di gravità si sta spostando verso capacità consumabili dagli agenti.
Implicazioni pratiche:
- Costruisci interfacce CLI per i tuoi strumenti, non solo API
- Implementa server MCP per integrazioni complesse
- Scrivi documentazione esaustiva — gli agenti la leggono
- Progetta per la componibilità — il tuo strumento farà parte di flussi di lavoro più ampi
- Considera la prospettiva dell'agente — quali informazioni gli servono per usare il tuo strumento efficacemente?
Cosa Significa per le Aziende
Le implicazioni per le aziende sono altrettanto significative:
Le strutture dei costi cambiano. Se gli strumenti CLI sono 35 volte più efficienti in termini di token rispetto a MCP per compiti equivalenti, e i costi dei token sono una spesa operativa significativa, la scelta degli strumenti impatta direttamente sui margini. Ottimizzare i flussi di lavoro agentici per l'efficienza diventa una vera preoccupazione aziendale.
La velocità accelera. Con il 92% degli sviluppatori statunitensi che usa quotidianamente strumenti AI di programmazione, la velocità di sviluppo è aumentata drasticamente. Le aziende che non adottano questi strumenti stanno rilasciando più lentamente dei concorrenti.
Emergono nuove categorie di servizi:
- Sviluppo di server MCP — Costruire integrazioni per aziende che ne hanno bisogno
- Creazione di skills — Confezionare l'expertise di dominio come agent skills
- Personalizzazione di Agent Framework — Configurare ed estendere l'infrastruttura agentiva
- Agent operations — Gestire, monitorare e ottimizzare gli agenti in produzione
Le categorie esistenti si evolvono:
- Il DevOps diventa agent ops — Deployment e manutenzione dell'infrastruttura agentiva
- La scrittura tecnica diventa skill writing — La documentazione come conoscenza eseguibile
- Il SaaS diventa SaaS agentico — Applicazioni consumate dagli agenti, non solo dagli esseri umani
Per le aziende che adottano queste tecnologie, i benefici si moltiplicano. Sviluppo più rapido, costi operativi più bassi e capacità che scalano con l'ecosistema agentivo piuttosto che con il numero di dipendenti.
I Prossimi 12 Mesi
Le previsioni sono rischiose, ma la traiettoria sembra chiara:
Le MCP App daranno vita a un nuovo paradigma di app store. Vedremo marketplace specificamente per MCP App — capacità interattive che si renderizzano nelle interfacce di chat. La distinzione tra "installare un'app" e "dare al proprio agente una nuova capacità" si sfumerà completamente.
Le skills convergeranno su SKILL.md (o qualcosa di simile). La frammentazione tra gli ecosistemi (Claude Skills, GPT Actions, OpenClaw Skills) si consoliderà attorno a standard condivisi. Probabilmente SKILL.md o qualcosa di molto simile.
Lo sviluppo CLI-first supererà quello IDE-first. Claude Code, Codex CLI, Gemini CLI e i loro successori diventeranno l'interfaccia di sviluppo predefinita per una quota significativa di sviluppatori. L'IDE non scomparirà, ma il terminale sarà il punto di interazione principale.
L'orchestrazione agentiva diventerà il nuovo DevOps. Così come abbiamo sviluppato pratiche per il deployment e la gestione di applicazioni containerizzate, svilupperemo pratiche per il deployment e la gestione di sistemi agentici. Osservabilità, sicurezza, affidabilità — tutte le preoccupazioni si trasferiscono al contesto agentivo.
Il divario di qualità si amplierà prima di restringersi. Con la crescita dell'ecosistema, la varianza nella qualità aumenterà. Collezioni di strumenti premium e curate emergeranno come categoria di prodotto. I "server MCP enterprise-grade" saranno un mercato.
Le capacità dei modelli di base conteranno meno. Con gli agenti che ottengono accesso agli strumenti, il valore marginale dei miglioramenti dei modelli diminuisce. Un agente con buoni strumenti e un modello più piccolo spesso supera un agente senza strumenti e un modello più grande. La competizione si sposta verso il tooling.
Come Iniziare
Se hai letto fin qui e vuoi sporcarti le mani, ecco un punto di partenza pratico:
Passo 1: Installa un agente di programmazione CLI
# Opzione A: Claude Code
npm install -g @anthropic/claude-code
# Opzione B: Codex CLI
npm install -g @openai/codex-cli
# Opzione C: Gemini CLI
npm install -g @google/gemini-cli
Prova ad assegnargli un compito reale in una codebase che conosci. Osserva come usa gli strumenti.
Passo 2: Esplora gli agent framework Dai un'occhiata a OpenClaw o progetti simili. Capisci come gestiscono memoria, routing e supporto multi-canale. Prova a configurarne uno per il tuo uso personale.
Passo 3: Costruisci il tuo primo server MCP Comincia semplicemente — magari un server che avvolge una API che già usi. Segui l'ottima guida introduttiva di Neo4j o la documentazione ufficiale MCP.
Passo 4: Crea una skill personalizzata Scrivi un SKILL.md per un flusso di lavoro che esegui regolarmente. Testalo con l'agente che preferisci. Itera finché funziona in modo affidabile.
Passo 5: Esplora l'ecosistema Naviga Smithery, MCP.so o ClawHub. Guarda cosa hanno costruito gli altri. Trova ispirazione. Individua i gap.
La curva di apprendimento è reale ma gestibile. Inizia con un pezzo, fallo funzionare, poi espandi.
Conclusione
Lo sviluppo software sta attraversando il suo più grande cambio di paradigma dai tempi dell'ascesa del web. Il cambiamento non riguarda solo i nuovi strumenti — si tratta di un ripensamento fondamentale di come il software viene costruito, distribuito e consumato.
Le CLI non sono legacy — sono l'interfaccia efficiente per gli agenti AI. Gli Agent Framework non sono overhead — sono il sistema operativo per agenti persistenti e capaci. MCP non è solo un altro protocollo — è lo standard universale che finalmente abilita l'interoperabilità degli strumenti. E le skills non sono semplice automazione — sono software dichiarativo che insegna agli agenti nuove capacità.
Gli 11.393 strumenti indicizzati da SkillsIndex a febbraio 2026 sono solo l'inizio. I 97 milioni di download mensili dell'MCP SDK segnalano dove si dirige l'industria. Il 92% degli sviluppatori che usa quotidianamente strumenti AI di programmazione mostra che abbiamo già superato la soglia di adozione.
Questo è il nuovo stack. Imparalo, costruisci con esso, o guarda dagli spalti mentre gli altri lo fanno.
Il futuro dello sviluppo software non riguarda la scrittura di codice. Riguarda la composizione di capacità che gli agenti eseguono.
Interessato a costruire software AI-native? Segui il nostro blog per ulteriori approfondimenti sullo sviluppo agentivo, l'integrazione MCP e l'ecosistema degli strumenti in evoluzione.