La struttura delle competenze di Claude diventa silenziosamente uno standard dell’industria

Quando Anthropic ha lanciato Skills in ottobre, l’annuncio sembrava una funzionalità di sviluppo di nicchia. Due mesi dopo, OpenAI ha adottato la stessa architettura – e la convergenza silenziosa rivela qualcosa di significativo su dove stanno andando gli agenti di intelligenza artificiale.

Le competenze sono ingannevolmente semplici: cartelle che contengono file Markdown che dicono ai sistemi di intelligenza artificiale come eseguire compiti specifici. Ma la loro adozione da parte di entrambi i principali laboratori di intelligenza artificiale suggerisce che l’industria abbia trovato una risposta comune a una domanda fondamentale: come rendere gli assistenti di intelligenza artificiale costantemente bravi nel lavoro specializzato?

Cosa ha appena fatto OpenAI

Lo sviluppatore Elias Judin ha scoperto l’implementazione di OpenAI il 12 dicembre mentre sperimentava con il codice interprete di ChatGPT. Promptando il modello a creare un file zip della directory /home/oai/skills, ha trovato cartelle per PDF, fogli di calcolo e documenti – ciascuna contenente file di istruzioni strutturalmente identici alla specifica di Anthropic.

La stessa architettura è apparsa nello strumento CLI di Codex di OpenAI due settimane prima, attraverso una richiesta di pull intitolata “feat: supporto sperimentale per skills.md”. L’implementazione specchia l’approccio di Anthropic: le competenze vivono in una directory locale (~/.codex/skills), ciascuna definita da un file SKILL.md con metadati e istruzioni.

OpenAI non ha annunciato formalmente la funzionalità. Ma la sua presenza in entrambi ChatGPT e Codex suggerisce una strategia deliberata piuttosto che un esperimento.

Perché le competenze sono importanti

L’approccio tradizionale per rendere l’intelligenza artificiale migliore in compiti specifici prevedeva il fine-tuning – un addestramento del modello costoso e lungo su dati specializzati. Le competenze offrono un’alternativa più leggera: istruzioni e risorse che vengono caricate solo quando rilevanti.

Il team di ingegneria di Anthropic ha descritto il principio di progettazione come “progressive disclosure”. Ogni competenza richiede solo alcune decine di token quando viene riassunta, con dettagli completi che vengono caricati solo quando il compito li richiede. Ciò risolve un problema pratico: le finestre di contesto sono una risorsa preziosa e inserire ogni possibile istruzione in ogni richiesta spreca risorse.

L’architettura funziona perché i modelli di intelligenza artificiale moderni possono leggere e seguire le istruzioni in modo dinamico. Una competenza per la gestione dei PDF potrebbe includere librerie preferite, gestione dei casi limite e formattazione dell’output – informazioni che il modello necessita solo quando elabora i PDF.

La storia della convergenza

OpenAI che adotta l’approccio di Anthropic non è insolito in isolamento. I laboratori di intelligenza artificiale imparano regolarmente dalle pubblicazioni degli altri. Ciò che è notevole è l’identità strutturale: stesse convenzioni di denominazione dei file, stesso formato dei metadati, stessa organizzazione della directory.

Questa compatibilità potrebbe significare che le competenze scritte per Claude Code possono funzionare con lo strumento CLI di Codex di OpenAI e viceversa. Gli sviluppatori potrebbero condividere competenze su GitHub come pacchetti npm. L’ecosistema diventa interoperabile piuttosto che frammentato.

Il timing coincide con gli sforzi di standardizzazione più ampi. Anthropic ha donato il Model Context Protocol alla Linux Foundation il 9 dicembre e entrambe le società hanno co-fondato la Agentic AI Foundation insieme a Block. Google, Microsoft e AWS si sono unite come membri.

La fondazione sarà il custode di MCP, del progetto goose di Block e della specifica AGENTS.md di OpenAI. Le competenze si adattano naturalmente a questo sforzo di standardizzazione – moduli di capacità riutilizzabili che funzionano su piattaforme multiple.

Cosa significa per gli strumenti di codifica di intelligenza artificiale

L’architettura delle competenze è più importante per gli strumenti di codifica di intelligenza artificiale, dove le conoscenze specializzate migliorano drasticamente la qualità dell’output. Una competenza per lo sviluppo React potrebbe specificare modelli di componenti, gestione dello stato e convenzioni di testing. Una competenza per le migrazioni del database potrebbe includere controlli di sicurezza e procedure di rollback.

Le startup di codifica di intelligenza artificiale come Cursor hanno costruito aziende rendendo l’intelligenza artificiale più utile per compiti di sviluppo specifici. La struttura delle competenze fornisce ai fornitori di modelli un modo standardizzato per offrire personalizzazioni simili – potenzialmente minacciando o integrando strumenti di terze parti a seconda dell’esecuzione.

Per gli sviluppatori aziendali, le competenze interoperabili significano che le conoscenze istituzionali diventano portabili. Gli standard di codifica interni di un’azienda, i requisiti di sicurezza e le preferenze di flusso di lavoro possono essere codificati una volta e applicati su qualsiasi strumento di intelligenza artificiale utilizzato dal team.

Il sottotesto strategico

L’adozione di OpenAI ha implicazioni strategiche. L’azienda ha storicamente favorito approcci proprietari – Azioni GPT, GPT personalizzati, integrazioni specifiche della piattaforma. Le competenze rappresentano un cambio di direzione verso standard aperti che funzionano su strumenti multiple.

Un’interpretazione: OpenAI riconosce che gli ecosistemi degli sviluppatori sono più importanti del blocco proprietario in questa fase. Se le competenze diventano standard, essere compatibili è più importante del controllo della specifica.

Un’altra interpretazione: competere con l’esperienza dello sviluppatore di Anthropic richiede di eguagliare le sue funzionalità. Claude Code è cresciuto aggressivamente, raggiungendo 1 miliardo di dollari di entrate annualizzate e integrandosi in Slack. Le competenze fanno parte di ciò che rende Claude Code utile; OpenAI doveva rispondere.

La verità probabilmente include entrambi i fattori. I laboratori di intelligenza artificiale competono intensamente su benchmark e capacità mentre collaborano su standard di infrastrutture che beneficiano tutti. Le competenze rientrano nella seconda categoria.

Cosa arriva dopo

L’opportunità immediata è un mercato delle competenze – repository GitHub in cui gli sviluppatori condividono set di istruzioni specializzati per compiti comuni. Anthropic ha già un repository anthropics/skills. Aspettatevi che OpenAI segua e che le competenze contribuite dalla comunità si moltiplichino.

La domanda a lungo termine è quanto profondamente le competenze si integrino nei prodotti di intelligenza artificiale. Attualmente, sono principalmente rilevanti per gli sviluppatori che utilizzano strumenti CLI. Ma la stessa architettura potrebbe alimentare la personalizzazione nei prodotti per i consumatori – assistenti di scrittura personalizzati, strumenti di ricerca specializzati, chatbot specifici di dominio.

Per ora, la convergenza sulle competenze rappresenta qualcosa di raro nell’intelligenza artificiale: aziende concorrenti che concordano sul fatto che la standardizzazione serve tutti. Se questa cooperazione si estende ad altre aree controversie – standard di sicurezza, dichiarazioni di capacità, linee guida di distribuzione – rimane incerto.

Ma per gli sviluppatori che costruiscono su piattaforme di intelligenza artificiale, il messaggio è chiaro: le competenze stanno diventando infrastrutture. Imparare a scriverle ora significa essere preparati per come gli strumenti di intelligenza artificiale funzioneranno domani.