Impatto del vibe coding sull’open source e sulla sostenibilità dei progetti OSS

Una parte crescente del codice che finisce in produzione nasce già “mediata” dall’intelligenza artificiale: a fine ottobre 2024 Google ha dichiarato che oltre un quarto del nuovo codice interno è generato da AI e poi revisionato dagli ingegneri, mentre nel 2025 i responsabili di Anthropic hanno descritto un impiego ancora più pervasivo per lo sviluppo di Claude. In parallelo, la stessa tecnologia sta cambiando il modo in cui gli sviluppatori attingono a librerie e framework: meno ricerca manuale, meno lettura di documentazione, meno domande pubbliche, più richieste in linguaggio naturale a un assistente che sviluppa applicazioni e coordina agenti AI.

La ricerca dal titolo “Vibe Coding Kills Open Source” (Koren, Békés, Hinz, Lohmann, gennaio 2026) prova a rispondere a una domanda tanto precisa quanto scomoda: se l’AI rende più facile usare e assemblare software open source, perché potrebbe ridurre l’offerta di software aperto nel lungo periodo?

Per capire la posta in gioco è utile un richiamo storico. L’open source moderno si è consolidato tra fine anni Novanta e anni Duemila con la diffusione di Internet, dei package manager e delle piattaforme di hosting: l’innovazione non è stata solo tecnica, ma organizzativa. La manutenzione di librerie critiche ha retto grazie a un equilibrio fragile tra l’enorme valore sociale e i ritorni privati spesso indiretti: reputazione, opportunità professionali, contratti di supporto, sponsorizzazioni, servizi gestiti.

I cambiamenti sviluppatisi in periodi più recenti suggeriscono che questo equilibrio è sensibile ai cambiamenti di “interfaccia” tra utenti e progetti: uno studio PNAS Nexus stima un calo di circa il 25% dell’attività su Stack Overflow dopo l’arrivo di ChatGPT e casi come Tailwind CSS raccontano un disaccoppiamento tra uso e interazione umana, con traffico documentale in calo nonostante download elevati.

Che cosa significa davvero “vibe coding”

Nel lavoro degli autori, vibe coding non è uno slogan, ma un modello di utilizzo: un agente AI seleziona e combina pacchetti basati su software open source (OSS) per ottenere un risultato funzionante, spesso senza che l’utente sappia quali dipendenze siano state introdotte “a monte”.

La differenza rispetto al flusso tradizionale non è solo la generazione di righe di codice: cambia il percorso di scoperta e apprendimento. In uno scenario classico, lo sviluppatore sceglie una libreria, legge la documentazione, confronta alternative, apre issue, lascia tracce pubbliche.

Con l’assistente AI, una parte di queste azioni viene compressa o sostituita: il modello generativo riassume la documentazione, suggerisce snippet di codice, applica patch e integra dipendenze senza passare dai canali che, storicamente, rappresentavano segnali economici e sociali essenziali per i manutentori di ciascun progetto.

Il nocciolo del problema: più produttività, meno incentivi

Il paper “Vibe Coding Kills Open Source” formalizza l’effetto dell’AI con due forze contrapposte.

La prima è un aumento di produttività: l’AI abbassa il costo effettivo di usare codice esistente e, di conseguenza, riduce la fatica di costruire nuovo software sopra progetti OSS preesistenti.

La seconda forza è più sottile: se l’uso passa attraverso l’agente, una parte del valore sfruttabile dai manutentori evapora perché l’interazione diretta diminuisce. Lo studio chiama questo meccanismo demand-diversion channel: la domanda non sparisce, ma viene dirottata lontano dai punti in cui i progetti catturano attenzione, feedback e opportunità di monetizzazione.

Il punto rilevante è che la perdita non riguarda solo indicatori di popolarità superficiali, ma incide su meccanismi economici concreti, perché nel modello il beneficio per i manutentori dipende da una ricompensa per singolo utente generata dall’interazione diretta, come la consultazione della documentazione, la segnalazione di bug, le domande e risposte pubbliche, la scoperta di servizi a pagamento e attività di consulenza. Se l’uso mediato dall’AI riduce questo livello di interazione, la ricompensa per utente diminuisce anche quando l’adozione complessiva del pacchetto aumenta, una dinamica che il paper associa a evidenze empiriche quali l’aumento dei download accompagnato da un calo delle domande pubbliche o del traffico verso la documentazione.

Che cosa deve cambiare per non ridurre l’open source

Il messaggio non è “bloccare l’AI”, ma aggiornare i meccanismi di remunerazione. Se una parte crescente dell’utilizzo passa da agenti che non generano segnali di engagement tradizionali, diventa necessario monetizzare anche l’uso mediato, o compensarlo con canali indipendenti dall’engagement.

La ricerca discute l’idea di una redistribuzione basata su attribuzione e monitoraggio dell’uso: le piattaforme di AI già tracciano gli strumenti importati e utilizzati per eseguire un’attività. In teoria , quindi, possono contabilizzare quali pacchetti OSS contribuiscono al risultato e ripartire una quota dei ricavi, in linea con il dibattito su finanziamento e manutenzione dei progetti open source.

Accanto a ciò, il lavoro richiama strumenti già esistenti che puntano a rendere più diretto il trasferimento di valore. GitHub Sponsors consente una remunerazione ricorrente legata ai profili e ai repository, mentre il comando npm fund espone i link di finanziamento delle dipendenze in un progetto. Sono meccanismi utili, ma la tesi del paper è che, con un’adozione molto alta del vibe coding, interventi “marginali” potrebbero non bastare: se la quota di ricavi che dipende dall’engagement umano si riduce drasticamente, servono flussi economici che seguano l’uso effettivo del software open source, anche quando mediato dagli agenti AI.

Implicazioni pratiche per chi sviluppa e per chi gestisce piattaforme

Letta in chiave operativa, l’analisi suggerisce tre aree di attenzione.

• Misurare la frattura tra uso e engagement: download, dipendenze e adozione possono crescere mentre calano visite alla documentazione e segnalazioni, e quella divergenza è un indicatore anticipatore di rischio per la sostenibilità di ciascun progetto open source.
• Investire nella qualità del ciclo di feedback: se l’AI diventa l’interfaccia primaria, occorre progettare canali che riportino bug, regressioni e requisiti verso i manutentori senza far dipendere tutto dalla buona volontà dell’utente finale.
• Costruire incentivi economici compatibili con l’automazione dell’assemblaggio software: l’attribuzione deve diventare esplicita e verificabile, altrimenti la catena di dipendenze che regge l’industria del software rischia di perdere i suoi manutentori più fragili.

In sintesi, il paper non sostiene che il vibe coding renda inutile l’open source: sostiene invece che l’AI può renderlo più utilizzato ma meno finanziabile, se resta invariato il modo in cui il valore ritorna a chi mantiene le fondamenta.