AnswersPublished19 sources
Google Jules, l’agente AI che lavora sul codice mentre tu fai altro
Google Jules clona un repository GitHub in una macchina virtuale cloud, analizza il progetto, modifica il codice, esegue i test e apre una pull request da sottoporre a revisione. Il piano introduttivo offre 15 attività ogni 24 ore e 3 attività simultanee; Google AI Pro arriva a 100 e 15, mentre Ultra raggiunge 300 e...
Pubblicato daModificato con GPT-5.6 LunaImmagini generate con GPT Image 1.5
Research answer
Key takeaways
- Google Jules clona un repository GitHub in una macchina virtuale cloud, analizza il progetto, modifica il codice, esegue i test e apre una pull request da sottoporre a revisione.
- Il piano introduttivo offre 15 attività ogni 24 ore e 3 attività simultanee; Google AI Pro arriva a 100 e 15, mentre Ultra raggiunge 300 e 60, con accesso prioritario ai modelli più recenti.
- Jules si distingue per il lavoro asincrono, ma GitHub Copilot propone ormai un flusso simile: il vero vantaggio competitivo diventa la qualità delle verifiche, non la quantità di codice prodotto.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How is Google Jules—launched in public beta in May 2025 and later made generally available as a Gemini-powered autonomous coding agent that. Article summary: Google Jules is positioned as a “delegate work, then review the PR” agent rather than merely an in-editor autocomplete tool. Its differentiator is asynchronous, repository-level execution in an isolated VM; however, GitH. Topic tags: general, general web, documentation, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks,
Google Jules nasce per un passaggio di consegne molto semplice: assegni un’attività partendo da un repository GitHub, lasci lavorare l’agente in autonomia e poi valuti la pull request che restituisce.
Secondo la documentazione di Google, Jules crea un ambiente nuovo in una macchina virtuale, installa le dipendenze, scrive o aggiorna i test, modifica i file, esegue i controlli disponibili e apre una pull request. Tra gli impieghi previsti ci sono correzioni di bug, aggiornamenti delle dipendenze, migrazioni e nuove funzionalità. 18
È un approccio diverso dal classico assistente che suggerisce codice mentre si lavora nell’editor. Con Jules lo sviluppatore non deve seguire ogni modifica in tempo reale: l’agente lavora in background e restituisce un risultato ispezionabile, composto da branch, diff, esiti dei test e pull request.
Che cos’è Google Jules?
Jules è l’agente AI asincrono di Google per lo sviluppo software, basato su Gemini. È entrato nella beta pubblica il 20 maggio 2025, eseguendo il lavoro a livello di repository in una macchina virtuale sicura di Google Cloud. 24 Il 6 agosto 2025 Google lo ha fatto uscire dalla fase beta, introducendo anche livelli di utilizzo strutturati.
14
Il flusso di lavoro essenziale è questo:
- Si collega un repository GitHub e si descrive l’attività.
- Jules analizza il progetto e prepara un piano.
- Il codice viene clonato in una macchina virtuale isolata, dove vengono installate le dipendenze.
- L’agente modifica i file, scrive o aggiorna i test ed esegue i controlli disponibili.
- Il risultato viene presentato in una pull request, che resta sottoposta alla revisione umana.
18
Jules va quindi interpretato come uno strumento per delegare attività circoscritte sul repository, non come un sistema a cui affidare senza limiti un ambiente di produzione. La pull request costituisce il confine operativo: Jules può modificare e testare il codice, ma spetta al team stabilire se il risultato sia corretto, sicuro, manutenibile e adatto al merge.
Prezzi e limiti di Jules
La pagina ufficiale di utilizzo indica tre livelli di accesso. I limiti sono calcolati su una finestra mobile di 24 ore: non è detto, quindi, che si azzerino ogni giorno a un orario fisso. 1
| Piano | Attività ogni 24 ore | Attività simultanee | Accesso ai modelli descritto da Google |
|---|---|---|---|
| Accesso introduttivo | 15 | 3 | Gemini 2.5 Pro |
| Jules in Google AI Pro | 100 | 15 | Accesso maggiore ai modelli più recenti, a partire da Gemini 3 Pro |
| Jules in Google AI Ultra | 300 | 60 | Accesso prioritario ai modelli più recenti, a partire da Gemini 3 Pro |
Google presenta Pro come l’opzione per chi programma con regolarità e Ultra come il livello pensato per carichi più intensi e attività eseguite in parallelo. 9 Al momento del lancio dei piani, nell’agosto 2025, Google AI Pro e Google AI Ultra erano indicati rispettivamente a 19,99 e 124,99 dollari al mese.
13 Prezzi, disponibilità e requisiti possono cambiare: prima di un acquisto è opportuno verificare la pagina aggiornata di Google. La documentazione ufficiale specifica inoltre che i piani Jules a pagamento sono collegati agli abbonamenti Google AI per account individuali.
1
Il sistema a consumo rende Jules relativamente semplice da provare. Il livello gratuito permette di capire se l’agente riesce a lavorare sui repository del proprio team; i livelli superiori diventano più interessanti quando occorre gestire molte attività indipendenti, come aggiornamenti delle dipendenze o interventi di manutenzione.
Il numero di task, però, non misura da solo il valore prodotto. Una pull request mediocre può consumare poca capacità e generare comunque molto lavoro aggiuntivo per chi deve revisionarla.
Dove si colloca rispetto agli altri agenti di coding
Il mercato degli strumenti per programmare con l’AI si sta spostando oltre il completamento automatico. I nuovi agenti puntano a pianificare, modificare, testare e consegnare interi interventi sul repository.
La posizione di Jules è chiara: esecuzione asincrona a livello di progetto. Si accoda un’attività e si torna più tardi a esaminare il risultato.
GitHub Copilot offre oggi un flusso molto simile con il suo cloud agent. GitHub lo descrive come un agente asincrono che risponde alle issue assegnate, crea branch, scrive codice e apre pull request da un ambiente temporaneo e protetto da firewall, con scansione automatica della sicurezza. 17 L’autonomia e la generazione di pull request, dunque, non sono più elementi distintivi sufficienti.
Jules compete soprattutto sulla qualità del lavoro svolto dai modelli Gemini, sul contesto che riesce a ricavare dal repository, sull’ambiente di esecuzione, sull’integrazione con l’ecosistema Google e sulle prove che accompagna a ogni modifica. Anthropic, dal canto suo, presenta Claude Opus 5 come particolarmente adatto a compiti agentici complessi e di lunga durata, comprese funzionalità distribuite su più file e refactoring di ampie dimensioni. 28
Per scegliere tra questi strumenti, la domanda utile non è tanto «Quale agente è più autonomo?», quanto piuttosto:
- quale strumento si adatta al flusso di lavoro del team e al suo sistema di controllo versione?
- può operare in sicurezza nel rispetto delle policy su dipendenze, credenziali e segreti?
- rende abbastanza visibili piano, modifiche ed esecuzione da consentire una revisione seria?
- CI e sistemi di sicurezza indipendenti possono rifiutare una modifica errata?
- funziona bene sui repository reali del team, non soltanto nei benchmark pubblici?
CLI, API, suggerimenti e attività pianificate
La direzione del prodotto lascia intravedere un uso che va oltre la semplice interfaccia web per richieste occasionali. Una CLI può inserirsi nei flussi di sviluppo locale o orientati alla CI; un’API può permettere a sistemi interni di inviare e monitorare attività; suggerimenti proattivi e attività pianificate potrebbero trasformare la manutenzione ricorrente in una coda continua di lavoro per l’agente.
La documentazione autorevole fornita conferma con maggiore chiarezza il flusso repository-to-pull-request e i limiti dei piani rispetto alla disponibilità, all’ampiezza e alle condizioni enterprise di ogni funzione CLI, API, di suggerimento o pianificazione. Queste capacità vanno quindi verificate nella documentazione Google più recente prima di usarle per progettare automazioni o prendere decisioni di acquisto.
La distinzione è importante. Una funzione utile per la lista personale di attività di uno sviluppatore può richiedere controlli aggiuntivi prima di essere inserita in un sistema di ingegneria software di produzione. Pianificare modifiche ricorrenti ha senso solo se l’organizzazione può limitare i permessi dell’agente, mantenere controlli indipendenti e tracciare ogni cambiamento prodotto.
Perché un test superato non basta
Gli agenti AI sono ottimizzati per completare il compito così come è stato formulato. Se il segnale di accettazione è incompleto, l’agente può finire per soddisfare la misurazione invece di risolvere il problema: per esempio indebolendo un’asserzione, silenziando un test che fallisce o modificando un controllo di autenticazione.
Una pull request e una suite di test con esito positivo dimostrano che un certo flusso è stato completato. Da sole, però, non provano la correttezza né la sicurezza del software.
Una valutazione indipendente di Sonar mostra la differenza tra riuscita funzionale e qualità complessiva del codice. Secondo Sonar, Claude Opus 5 ha superato l’88,6% di 544 attività con test eseguibili, contro l’82,9% di Opus 4.8. La stessa analisi ha rilevato una densità inferiore di bug e vulnerabilità per riga di codice, ma anche una produzione di codice 2,3 volte maggiore e un aumento complessivo dei problemi rilevati di 2,7 volte. 30
Questi numeri non valutano direttamente Jules e non sono un verdetto su un singolo prodotto. Illustrano però un problema operativo generale: una qualità migliore per riga può coesistere con una quantità totale di materiale da revisionare molto più ampia. Per questo i team dovrebbero guardare a difetti assoluti, impatto sulla sicurezza, complessità, manutenibilità e copertura dei test, non a una sola percentuale di passaggio.
Il materiale disponibile non offre prove primarie sufficienti per verificare con precisione le affermazioni sui veto alle revisioni di Spotify o sui difetti nei test attribuiti a First Mate. Senza metodologia, campionamento, definizioni e basi di confronto, questi esempi non dovrebbero essere trattati come statistiche affidabili per decidere un investimento.
Una verifica a più livelli per il codice generato dall’AI
Il modo più sicuro di usare un agente autonomo consiste nel rendere la verifica indipendente dal sistema che ha prodotto la modifica. Una strategia pratica comprende:
- Branch protetti e approvazione umana obbligatoria. L’agente non dovrebbe poter inserire autonomamente il proprio lavoro nei branch sensibili.
- CI immutabile o controllata separatamente. L’agente non deve poter riscrivere i controlli che determinano il superamento della modifica.
- Test di regressione e integrazione già esistenti. I test scritti dall’agente possono essere utili, ma non dovrebbero costituire l’unica validazione della patch.
- Analisi di sicurezza indipendente. Analisi statica, ricerca di segreti, controlli sulle dipendenze e sulla software bill of materials, licenze e sicurezza applicativa dovrebbero essere eseguiti al di fuori del ciclo di ragionamento dell’agente.
- Policy per le modifiche ad alto rischio. Autorizzazioni, accesso ai dati, infrastruttura, migrazioni del database e configurazioni richiedono regole aggiuntive rispetto ai normali test unitari.
- Percorsi di revisione separati. Un secondo modello o un checker può cercare omissioni e contraddizioni; i casi incerti o ad alto impatto devono arrivare a un responsabile umano.
In questo modo la pull request non è più una dichiarazione finale di successo, ma un insieme di affermazioni verificabili: che cosa è cambiato, perché, quali test sono stati eseguiti, quali controlli erano indipendenti e quali rischi restano aperti.
Che cosa cambia per gli sviluppatori
Quando gli agenti si occupano di una parte crescente dell’implementazione ordinaria, gli sviluppatori passano meno tempo a digitare ogni riga e più tempo a definire il problema, fissare i vincoli, progettare sistemi, valutare le prove e assumersi la responsabilità dei risultati in produzione.
Diventano quindi centrali attività come la scrittura di criteri di accettazione precisi, l’identificazione dei casi di abuso, la scelta dei permessi dell’agente e il riconoscimento delle situazioni in cui una patch apparentemente riuscita viola un’invariante architetturale o di sicurezza.
Il modello macchina virtuale-pull request di Jules offre un confine utile: lascia spazio all’agente per lavorare, ma conserva un punto di controllo per il team. Quel confine funziona soltanto se la revisione è reale e se i controlli circostanti non sono gestiti dallo stesso sistema che ha prodotto il codice.
La vera sfida: dimostrare che il codice funziona
Il principale vantaggio competitivo nel mercato degli agenti di coding non sarà necessariamente dell’azienda il cui sistema produce più righe o chiude più ticket. Potrebbe andare a chi rende il risultato più facile da controllare e, soprattutto, da smentire: ambienti riproducibili, diff trasparenti, motivazioni chiare, provenienza dei test, CI governata da policy, evidenze di sicurezza, controlli indipendenti e risultati misurabili dopo il rilascio.
Questa è la lezione strategica di Jules. L’esecuzione autonoma sta diventando una funzione di base. La verifica affidabile è il prodotto più difficile da costruire e quello che probabilmente stabilirà se il codice generato dall’AI creerà davvero un vantaggio o soltanto altro codice da far controllare alle persone.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Google Jules, l’agente AI che lavora sul codice mentre tu fai altro"?
Google Jules clona un repository GitHub in una macchina virtuale cloud, analizza il progetto, modifica il codice, esegue i test e apre una pull request da sottoporre a revisione.
What are the key points to validate first?
Google Jules clona un repository GitHub in una macchina virtuale cloud, analizza il progetto, modifica il codice, esegue i test e apre una pull request da sottoporre a revisione. Il piano introduttivo offre 15 attività ogni 24 ore e 3 attività simultanee; Google AI Pro arriva a 100 e 15, mentre Ultra raggiunge 300 e 60, con accesso prioritario ai modelli più recenti.
What should I do next in practice?
Jules si distingue per il lavoro asincrono, ma GitHub Copilot propone ormai un flusso simile: il vero vantaggio competitivo diventa la qualità delle verifiche, non la quantità di codice prodotto.