Il contesto: i repository come infrastruttura per gli agenti IA
GitHub, filiale di Microsoft, e GitLab hanno pubblicato, a una settimana di distanza, le rispettive strategie di ridimensionamento delle piattaforme di versionamento. Entrambe le iniziative mirano a sostenere la rapida crescita dell’attività degli agenti di intelligenza artificiale, i quali ora loggano le proprie competenze accanto al codice prodotto dagli sviluppatori. Le tradizionali forgi di sviluppo, un tempo riservate a programmatori umani, si stanno trasformando nell’infrastruttura fondamentale dei sistemi agentici. Di conseguenza, i dipartimenti informatici (DSI) dovranno dimensionare e governare questi nuovi carichi di lavoro.
Le due piattaforme hanno concentrato i loro interventi sulla stessa componente: lo strato di storage che conserva i repository e serve le copie richieste dagli utenti. Sebbene invisibile per i clienti, questo livello è la spina dorsale di tutte le catene di distribuzione del software.
Scalabilità: da sviluppatori umani a agenti in continuo movimento
I repository di GitHub e GitLab erano originariamente progettati per sviluppatori che modificano il codice a ritmo umano, lavorando su copie locali. Oggi, gli agenti IA scrivono codice in maniera continua, estraggono copie, spingono modifiche, avviano test e fusioni più volte all’ora, spesso in parallelo con altri agenti. Ciò che era una carica operativa puntuale si è trasformato in un flusso costante che l’infrastruttura deve gestire senza rallentamenti.
Volumi in crescita esponenziale
- Attività Git di GitHub: da 218,2 miliardi di eventi mensili (settembre 2025) a 473,3 miliardi (agosto 2026).
- Commit: 7,38 miliardi in settembre 2026, cinque volte più alti rispetto all’anno precedente.
- Pushed di codice: da 0,69 miliardi a 3,35 miliardi al mese.
- Fusioni: aumento di quattro volte.
- GitHub Actions: 3,26 miliardi di task eseguiti.
GitLab osserva una tendenza analoga, seppur a scala diversa. Bill Staples, direttore generale, ha indicato un incremento del 40 % dei pipeline CI/CD e del 50 % delle push di codice in un anno. Un caso emblematico è quello di Anthropic, le cui fusioni giornaliere sono passate da circa 2 500 a oltre 30 000 tra maggio e settembre.
GitHub: separazione di storage e calcolo su Azure Blob
GitHub ha optato per una revisione dell’infrastruttura senza alterare l’esperienza dell’utente finale. Il nuovo design separa i componenti di calcolo da quelli di storage, trasferendo i dati dei repository su Azure Blob Storage, il servizio di storage a oggetti di Microsoft.
Secondo le comunicazioni di GitHub, i test interni hanno mostrato un incremento del throughput di scrittura fino a 35 volte rispetto alla configurazione precedente. La migrazione è avvenuta in modalità “hot”, senza interruzioni di servizio e senza richiedere azioni da parte degli utenti.
Questa integrazione rafforza la dipendenza della piattaforma dall’infrastruttura Microsoft, rendendo i repository parte integrante dell’ecosistema Azure.
Impatto sulla disponibilità
Il rapporto di disponibilità pubblicato il 14 ottobre riporta due incidenti in settembre. Per le organizzazioni che affidano le proprie catene di consegna a GitHub, ogni interruzione ora arresta sia gli sviluppatori umani sia gli agenti IA, rendendo la resilienza del servizio una componente critica della produzione.
GitLab: gestione del codice di nuova generazione e storage cliente
GitLab ha seguito una strategia differente, introducendo una “gestione del codice di nuova generazione” in beta privata. Le prime prove interne indicano performance fino a 50 volte più rapide, un consumo di token ridotto della metà quando un agente interroga i repository e una diminuzione del traffico di rete di un fattore mille.
Questa soluzione sarà disponibile sia su GitLab.com sia su storage S3 fornito dal cliente, inclusi scenari offline. Tale approccio risponde alle esigenze di sovranità dei dati e di confidenzialità tipiche dei settori regolamentati, dove le aziende preferiscono mantenere il codice all’interno dei propri confini.
Controllo dei costi legati ai token
Ogni interrogazione di un repository da parte di un agente genera consumo di token, fatturati dal provider del modello IA. Riducendo il numero di chiamate, GitLab promette una riduzione diretta della spesa operativa, a patto che i risultati dei test si mantengano in ambienti di produzione.
I repository come registro di agenti e competenze
Oltre al codice, i repository ospitano le competenze degli agenti. Su GitHub, le “skill” di un agente sono organizzate in file SKILL.md, descriventi procedure specifiche. Questi file possono essere installati, fissati a versioni precise e pubblicati tramite il CLI di GitHub, supportando tool come Copilot, Claude Code, Cursor, Codex e Gemini CLI.
GitHub ha analizzato, a novembre 2025, più di 2 500 file di definizione di agenti presenti in repository pubblici. GitLab, dal canto suo, versiona gli agenti e i flussi del proprio catalogo IA come versioni immutabili, consentendo a ciascun progetto di adottarli al proprio ritmo.
Il formato di competenza, originariamente creato da Anthropic e successivamente aperto, è ora adottato da oltre quaranta prodotti, tra cui Databricks, Snowflake e Pulumi. Viene impiegato sia per revisioni legali sia per catene di analisi dei dati, trasformando le forgi in luoghi di documentazione, confronto e ripristino delle versioni degli agenti.
Governance e sicurezza della catena di fornitura
GitHub non verifica le skill distribuite e raccomanda di ispezionarle prima dell’installazione, rendendo il repository un nuovo anello della catena di fornitura software. Il profilo degli utenti che versionano agenti rimane poco chiaro; il report Octoverse segnala più di 4,3 milioni di repository legati all’IA, includendo chiunque possieda un account.
Versionare un agente richiede competenze tipiche dello sviluppatore: gestione di repository, branch, CLI e CI. Chi possiede tali competenze può sfruttare questi strumenti, indipendentemente dal ruolo professionale.
L’esperienza di IT Social: una catena di produzione agentica
IT Social ha sperimentato una catena di produzione completamente “agentizzata”, interamente versionata su GitHub. L’esperienza dimostra come i flussi di lavoro tradizionali possano essere trasformati, con agenti che generano, testano e pubblicano contenuti in modo autonomo, sfruttando le nuove capacità di storage e di gestione del codice.
Le risposte dei concorrenti: il caso di Anthropic e Scion
Anthropic, citata da GitLab, ha optato per una terza via. Il 13 ottobre ha presentato Scion, un sistema di versionamento interno, al quale ha migrato il suo unico repository in cinque mesi, abbandonando Git. Gli ingegneri di Anthropic ritengono Scion inadatto a un uso generico, ma intendono mantenere la compatibilità con GitHub, GitLab e la community open source.
Scion gestisce un repository di circa 100 GB di storico, con circa 25 milioni di copie estratte al giorno dalle pipeline CI. Secondo gli ingegneri, l’infrastruttura Scion utilizza 200 volte meno risorse di calcolo e memoria rispetto ai numerosi mirror Git che sostituisce, con tempi di estrazione dell’ordine di pochi secondi.
Prospettive future: governance, costi e sostenibilità
Le trasformazioni di GitHub e GitLab evidenziano una tendenza chiara: i repository non sono più semplici archivi di codice, ma infrastrutture critiche per l’intero ecosistema IA. Le organizzazioni dovranno:
- Dimensionare adeguatamente storage e capacità di calcolo per gestire flussi continui di agenti.
- Implementare politiche di governance che includano la verifica delle skill e il controllo delle dipendenze IA.
- Monitorare i costi legati al consumo di token e al traffico di rete, scegliendo soluzioni di storage on‑premise o cloud in base a requisiti di sovranità.
- Pianificare strategie di resilienza per ridurre l’impatto di eventuali interruzioni di servizio.
In sintesi, le forgi di codice stanno evolvendo verso piattaforme di orchestrazione agentica, dove la capacità di gestire grandi volumi di operazioni in tempo reale diventa un fattore di competitività. La scelta tra le soluzioni offerte da GitHub, GitLab o sistemi proprietari come Scion dipenderà dalle specifiche esigenze di scalabilità, governance e sovranità dei dati di ciascuna organizzazione.