Ternary-Bonsai-2-27B is Qwen3.8-27B with its weights reduced to three values, packed at 1.75 or 2.13 bits per weight, and it needs a fork of llama.cpp to run. On a 16GB card the result is striking on size and speed: a 27B model in six to seven gigabytes that decodes almost twice as fast as the 4-bit build. On 134 deterministic items it passed 105 and 107 against 113 for the conventional quants, a gap that this comparison cannot test, for a reason worth understanding. 
The 35B-A3B shape, 35 billion parameters with about three billion active per token, is the sweet spot of a 16GB card, and two models compete for it. At the same IQ3_XXS quantization, Qwen3.6-35B-A3B and Ornith-1.5-35B-A3B tie overall on 134 deterministic items, but not in every category: Qwen follows precise instructions in eight cases where Ornith fails, and Ornith is better at arithmetic. Ornith decodes 19% faster, and Qwen loses more ground in Italian. 
A new version of a model you already run is the most common upgrade decision, and the least measured. Ornith-1.5-9B replaced Ornith-1.0-9B, and on a 16GB card the two tie exactly on fourteen families of agentic coding tasks. On a deterministic bank of 134 items the older model is ahead overall, by a margin the paired test cannot confirm, and clearly ahead on following precise instructions: nine items to none. It also reads prompts faster and answers in half the tokens. 
L'AI scrive codice che passa i test, sembra pulito, esce in produzione. Ma quando alle 2 del mattino il sistema cade, nessuno sa più cosa stiamo guardando. Il debito tecnico lo vedi: lo accetti come scelta. Il debito di comprensione no, cresce silenzioso, e la sua compounding rate è la cosa più sottovalutata del coding 2026. Continua a leggere
Azienda manifatturiera in Piemonte (DA 2.000.000 EUR). Refactoring incrementale Laravel 5 → 11 in 4 mesi senza fermo produzione, su gestionale interno usato da 30 utenti operativi.
- Response time 350ms → 80ms al 95° percentile
- Deploy time 25 min → 90 sec
- Zero incidenti post-migrazione
Quando misuri l'AI coding solo sull'output dei junior, sembra un boom di produttività. Quando misuri il sistema intero, la realtà cambia: il 45% del codice AI ha falle di sicurezza, i senior perdono il 19% di produttività riassorbendo il debito, i junior smettono di costruire i modelli mentali che li renderebbero senior domani. Il sistema si squilibria sotto la velocità apparente. 
Scrivi una spec, lasci che l'AI la trasformi in codice, e quando qualcosa non va riapri solo la spec. È seducente. Non funziona: ogni iterazione produce codice peggiore. Il problema non è la spec, è che mancano le ossa del design su cui appoggiarla. Design concept, ubiquitous language, TDD: tre discipline pre-AI che oggi contano di più, non di meno. 
L'ingegnere che l'AI sostituisce non è quello che fa il lavoro che l'AI può fare. È quello che non ha mai costruito il giudizio per riconoscere quando l'AI sbaglia. Il riposizionamento da autore di codice a intent manager non è una concessione, è la skill tecnica che decide chi sopravvive a questa transizione di carriera. 
Architetture pensate per umani aiutano l'AI di più di architetture pensate per l'AI. Moduli profondi con interfacce semplici. AI integrata come dependency lenta e non deterministica, dietro circuit breaker e fallback. E la verità che spinge il mercato in direzione opposta: il debito accumulato oggi non sarà refactorato da nessun modello futuro, perché refactoring richiede intent originale, non sintassi. 
NIS2 è molto più di un acronimo o di un insieme di articoli di legge: è un imperativo strategico per le aziende europee nell'era digitale. Immagina NIS2 come uno scudo protettivo digitale, un "aggiornamento di sistema" obbligatorio nell'evoluto mondo delle tecnologie Cloud e della estrema informatizzazione della quasi totalità dei processi aziendali. 
