Antigravity, progettato da Google, propone un cambio di paradigma rispetto al classico ambiente di sviluppo integrato. Più agenti software possono prendersi carico di intere attività, mentre il ruolo dello sviluppatore assume sempre di più quello di “regista” del processo.
Antigravity nasce come fork di Visual Studio Code, ma l’architettura è stata ripensata per diventare una vera e propria piattaforma agent-first. Gli agenti non sono più solo un add-on, ma diventano il centro del modello di lavoro. Il progetto è stato sviluppato da Google, dopo l’acquisizione di Windsurf/Codeium e del team di Varun Mohan, alla guida di Antigravity insieme a Douglas Chen.
La piattaforma è in public preview, gratuita per l’uso individuale e disponibile su macOS, Windows e Linux. Per i developer, di particolare interesse è proprio il nuovo modo di pensare ai processi di sviluppo.
Perchè Antigravity non è l’ennesima IDE con AI
Negli ultimi anni, gli editor potenziati dall’AI hanno adottato un metodo ben definito, partendo dal modello di VS Code e integrando funzionalità AI per supportare lo sviluppatore. La logica di base restava incentrata sullo sviluppatore, con l’AI nel ruolo di assistente.
Al contrario, l’obiettivo dichiarato di Antigravity è quello di diventare una piattaforma in grado di coordinare agenti che completino task end-to-end. Per dare una struttura a questo approccio, la piattaforma si appoggia su 4 pilastri principali:
- Fiducia: ogni attività dell’agente produce risultati verificabili.
- Autonomia: gli agenti possono lavorare in background, in parallelo, su editor, terminali e browser.
- Feedback: commenti e revisioni vengono agganciati all’Artifact e rientrano nel ciclo di lavoro.
- Auto-miglioramento: gli agenti conservano nella loro conoscenza base interna il contesto e il pattern di lavoro, rendendoli riutilizzabili.
L’AI smette dunque di essere uno strumento di completamento codice e diventa attore attivo, che prende decisioni operative e apprende dai cicli precedenti.
Editor View e Manager View: due piani di lavoro distinti
Antigravity è costruita intorno a due interfacce che riflettono il doppio ruolo della persona che sviluppa: scrivere codice da un lato, dirigere gli agenti dall’altro.
Editor View: il piano familiare
La Editor View ricorda il classico ambiente di VS Code: albero dei file a sinistra, editor centrale, terminale in basso e pannello della chat AI sul lato destro. In questa modalità, lo sviluppatore lavora come in qualsiasi altra IDE moderna, con il supporto di completamento automatico, comandi in linguaggio naturale e interazione rapida con il modello.
È la modalità più adatta per interventi mirati, lettura approfondita del codice, modifiche e debugging manuale.
Manager View: mission control per agenti
La Manager View rappresenta la parte più innovativa. In questa sezione, l’attenzione si concentra sui task che gli agenti devono completare, piuttosto che sul singolo file.
L’interfaccia presenta in un’unica vista le attività da svolgere, il piano di implementazione proposto dagli agenti, lo stato di avanzamento e gli Artifact che documentano il lavoro, come diff di codice, risultati dei test, screenshot, registrazioni del browser e riepiloghi strutturati.
Gli agenti possono lavorare in parallelo su più bug, feature o refactoring all’interno di workspace distinti, mentre chi coordina controlla la direzione, interviene sui piani e decide il livello di autonomia da concedere. La policy di esecuzione è completamente configurabile: può essere del tutto autonoma o prevedere delle approvazioni per ogni step rilevante.
Questa separazione tra spazio di coordinamento e spazio di editing permette di gestire cicli di lavoro asincroni. Alcuni task possono procedere in background mentre il team si dedica ad altro, con la garanzia di ritrovare una traccia completa delle azioni svolte dagli agenti.
Artifact e knowledge base: come si costruisce fiducia nel codice generato
Uno dei punti critici di molti strumenti AI è la mancanza di visibilità su come si arriva al risultato. Antigravity affronta il problema con il concetto di Artifact: ogni fase del lavoro produce elementi strutturati e leggibili, invece di log difficili da interpretare.
Gli Artifact includono:
- Piani di lavoro dettagliati e suddivisione in sotto-task
- Modifiche al codice con differenze chiaramente evidenziate e documentate;
- Risultati dei test presentati in maniera dettagliata;
- Screenshot e registrazioni delle sessioni di testing del browser;
- Riepiloghi strutturati e formattati dei passaggi chiave.
All’interno degli Artifact si possono inserire commenti come se fossero documenti collaborativi. Il feedback viene recepito dagli agenti e influisce sulle iterazioni successive, senza interrompere l’intero processo.
In parallelo, Antigravity mantiene una knowledge base interna dove gli agenti salvano architetture ricorrenti, snippet di codice utili o strategie per completare certe categorie di task. Nel tempo, questo archivio diventa una forma di memoria organizzata, utile anche per l’onboarding di nuovi sviluppatori su progetti complessi.
Antigravity: modelli, browser e terminale
Dal punto di vista dei modelli AI disponibili, Antigravity adotta una strategia multi-fornitore. Al lancio supporta:
- Gemini 3 Pro come modello predefinito di Google;
- Claude Sonnet 4.5 di Anthropic, particolarmente forte nel refactoring;
- GPT-OSS di OpenAI come opzione aggiuntiva.
I benchmark mostrano risultati elevati su compiti di ingegneria del software (SWE-bench), uso di tool, compiti DevOps e sviluppo web, con differenze di percentuale tra i modelli a seconda del contesto. Non esiste un modello universalmente superiore, pertanto la piattaforma promuove la selezione del modello più idoneo per ciascun compito specifico.
Un altro elemento centrale è la capacità degli agenti di lavorare in parallelo su editor, terminali e browser, modificando il codice, eseguendo test e interagendo con l’interfaccia applicativa. Tale integrazione permette, per esempio, di affidare a un agente la realizzazione di un MVP, dal backend al frontend, fino alla verifica di un flusso di pagamento in ambiente di test, con le evidenze registrate in automatico.
Casi d’uso: dove Antigravity funziona
La documentazione di Antigravity propone vari scenari in cui la piattaforma può incidere in modo tangibile sui tempi e sulle modalità di sviluppo.
MVP e prototipazione
Un primo esempio riguarda la realizzazione di MVP: un’applicazione di prenotazione ristorante con backend Node/Express, frontend React, database PostgreSQL e integrazione dei pagamenti, che in condizioni normali richiederebbe alcuni giorni di lavoro, può essere impostata in poche ore grazie a pianificazione, implementazione e testing gestiti dagli agenti.
Manutenzione correttiva in parallelo
In ambito di manutenzione correttiva, una serie di bug registrati su strumenti come Jira può essere assegnata in parallelo a più agenti. Questo approccio riduce in modo significativo il tempo necessario a chiudere il ciclo di correzione, soprattutto quando le segnalazioni riguardano aree diverse della stessa codebase.
Modernizzazione del codice legacy
Su codebase di grandi dimensioni, gli stessi meccanismi permettono di affrontare attività di modernizzazione del codice legacy. Gli agenti analizzano la struttura del progetto, propongono piani di refactoring, generano suite di test e documentano le scelte architetturali man mano che vengono applicate, rendendo più gestibile un lavoro che di solito richiede molto tempo manuale.
Supporto alle attività DevOps
Nei compiti DevOps più operativi, i flussi agentici consentono di automatizzare una parte consistente del lavoro mantenendo un audit trail completo delle operazioni. In tutti questi casi il vantaggio principale non riguarda solo la velocità di scrittura del codice, ma la possibilità di coordinare più attività in parallelo mantenendo una traccia verificabile delle decisioni e dei passaggi eseguiti.
Limiti, rischi di Antigravity
Antigravity non è privo di limiti: il fatto di trovarsi ancora in public preview rende alcuni aspetti particolarmente delicati per contesti produttivi.
Operativamente, si delineano alcune criticità significative:
- possibili problemi di performance su repository molto estese, considerando la natura web-based dell’ambiente;
- assenza di modalità offline, a differenza di strumenti che consentono l’uso di modelli locali;
- ecosistema di estensioni non ancora presente, rispetto al marketplace molto ampio di VS Code;
- funzionalità di collaborazione di team non ancora consolidate, con un focus attuale sull’uso singolo.
Dal punto di vista della sicurezza, è fondamentale essere consapevoli delle potenziali vulnerabilità legate a prompt injection indirette.
È importante adottare misure preventive per garantire che l’agente non venga indotto da pagine web malevole a filtrare dati sensibili dai file di progetto o dal terminale. Le configurazioni di default possono risultare piuttosto permissive, quindi è consigliabile rivedere e rafforzare le policy di sicurezza.
Che cosa significa Antigravity per i team di sviluppo
Per gli sviluppatori di software custom o per coloro che integrano l’intelligenza artificiale nei processi aziendali, Antigravity si configura come un prezioso strumento operativo e un modello di riferimento innovativo.
Antigravity ottimizza il processo di prototipazione e sviluppo, delegando agli agenti compiti ripetitivi e strutturati, migliorando la documentazione dei passaggi critici e centralizzando in un’unica piattaforma codice, test e verifiche attraverso editor, terminale e browser.
Dal punto di vista concettuale, il ruolo degli sviluppatori si evolve significativamente. Porzioni sempre maggiori del codice vengono generate dagli agenti, consentendo di focalizzarsi sulle decisioni architetturali, sulla definizione del perimetro funzionale e sul monitoraggio della qualità e della sicurezza durante l’intero ciclo di vita del software.
Non esiste una soluzione universale per l’adozione di Antigravity all’interno di un’organizzazione, ma la piattaforma offre un’opportunità per trasformare il modo in cui si sviluppa software. Essa concretizza un approccio innovativo in cui la gestione di molteplici agenti AI, la verifica sistematica delle loro attività e la conservazione della conoscenza di progetto si integrano perfettamente nel flusso di sviluppo, elevando il processo a un nuovo standard di efficienza e collaborazione.
