Stack Overflow sta morendo: 5 miti su cosa lo sostituisce

Stack Overflow riceve oggi meno di 1.000 nuove domande al mese: un volume inferiore a quello del suo secondo mese di vita, nel 2008. Se hai imparato a programmare in un qualsiasi momento degli ultimi quindici anni, questo numero dovrebbe lasciarti di sasso. Il sito che era lo strato di conoscenza degli sviluppatori di internet si è piattato, e la storia più facile è che ChatGPT l’abbia ucciso. Quella storia è sbagliata, o quantomeno molto incompleta, e una diagnosi sbagliata conta, perché oggi tutti stiamo progettando, implicitamente, quello che verrà dopo.

Negli ultimi anni ho lavorato su sistemi di ML e ho visto le mie abitudini nel fare domande passare da «cerca, leggi tre risposte, sintetizza» a «incolla l’errore in una chat». Facciamo le cose per bene: cinque convinzioni che sento ripetere sul declino di Stack Overflow, messe alla prova con ciò che è davvero vero.

Mito 1: sono stati gli LLM a uccidere Stack Overflow

È la narrativa dominante, ed è mezza vera. Il lancio di ChatGPT alla fine del 2022 ha chiaramente accelerato il declino: il grafico del numero di domande si piega verso il basso proprio in quel punto. Ma guardando il trend lungo, il numero mensile di domande di Stack Overflow era già al massimo anni prima e si era ridotto di circa la metà rispetto ai picchi locali, ben prima che qualcuno incollasse una stack trace in un chatbot. Il sito è rimasto più o meno piatto dal 2014 e in calo dal 2017, con una breve risalita durante la pandemia nel 2020.

Quello che è successo assomiglia di più a un paziente con una malattia cronica che riceve un colpo fatale da qualcos’altro. La malattia cronica se l’era procurata da solo: una cultura della moderazione ottimizzata per le risposte canoniche a scapito delle persone che facevano domande. Se chiedevi qualcosa che si sovrapponeva all’80% con una domanda esistente, venivi chiuso come duplicato, anche quando quel 20% di differenza era tutto il punto. I moderatori riscrivevano il tuo testo secondo uno stile asettico. I nuovi utenti capivano in fretta che fare domande era un percorso a ostacoli. Nel frattempo, le domande facili, quelle che un tempo portavano migliaia di nuovi post al giorno, erano già state fatte e risposte entro il 2015.

Quindi, quando sono arrivati gli LLM, non dovevano battere Stack Overflow nel suo momento migliore. Dovevano solo battere l’esperienza di fare una domanda lì: niente downvote, niente segnalazioni di duplicato, niente tre giorni di attesa per un commento sbrigativo che ti dice di leggere la documentazione. Il modello risponde subito, con garbo, e tenendo conto del tuo codice. Non è una partita equilibrata, e non lo è mai stata. Verdetto: gli LLM hanno fatto da boia, ma le dinamiche della comunità avevano caricato la pistola.

Mito 2: il contenuto ha ancora valore, quindi il sito sopravviverà

C’è un’idea rassicurante secondo cui il corpus di Stack Overflow, decine di milioni di domande con risposta, ne garantisce la sopravvivenza. Non è così, per un motivo che chiunque l’abbia cercato di recente conosce bene: le risposte sono congelate nel tempo. Una domanda su un framework JavaScript popolare, risposta nel 2013, oggi fa comparire in cima una risposta non solo obsoleta ma attivamente fuorviante, e la struttura del sito ostacola le correzioni. Non puoi riproporre una domanda canonica per ottenere una risposta moderna, perché verrebbe chiusa come duplicato di quella vecchia. Le risposte accettate restano fissate in cima anche quando una risposta migliore di quattro anni dopo ha il triplo dei voti.

Una base di conoscenza che non si può aggiornare non è un asset: è una passività con una buona SEO. E qui l’ironia diventa pesante: il valore monetizzabile residuo di quel corpus è concederne la licenza alle aziende di AI per i dati di addestramento. Stack Overflow ha firmato accordi proprio per questo, e ha provocato una rivolta tra i contributori che avevano scritto i contenuti: l’accordo a cui avevano aderito prevedeva risposte gratuite in cambio di dati aperti, e venderli ha rotto il contratto implicito. Alcuni utenti con alta reputazione hanno cercato di cancellare o sfigurare le proprie risposte in segno di protesta. Quando i tuoi utenti più preziosi sabotano il tuo asset, non hai un business durevole: hai una liquidazione.

Mi aspetto che il dominio resti online per anni, perché il traffico dai vecchi link vale già qualcosa, ma come sistema vivo per generare nuova conoscenza è finito. Verdetto: sfatato. I contenuti invecchiano, e la struttura impedisce di aggiornarli.

Mito 3: gli LLM hanno sostituito del tutto la funzione di conoscenza

Qui mi lascio andare alle opinioni, perché questo mito va nella direzione opposta: è la versione degli ottimisti dell’AI, ed è sbagliata anche lei. Stack Overflow faceva una cosa che gli LLM non fanno per natura: produceva nuova conoscenza. Quando una libreria appena uscita aveva un’API confusa e zero documentazione, qualcuno si scontrava con il muro, postava una domanda, e una persona che ci era arrivata scriveva la prima spiegazione pubblica su internet. Quella risposta diventava poi dati di addestramento, risultati di ricerca e documentazione per procura per tutti gli altri.

Gli LLM sono straordinariamente bravi nella metà di richiamo e sintesi di questo ciclo, e strutturalmente incapaci nella metà della generazione. Chiedi a un modello di un’interazione oscura tra una release di un framework di due settimane fa e una specifica estensione di Postgres, e otterrai una risposta fluida, sicura e inventata, perché nessun essere umano ne ha ancora scritto da nessuna parte. Mi capita continuamente con gli strumenti di ML che evolvono rapidamente. Il modello non sa quello che non sa, e di certo non sa che è stato rilasciato martedì scorso.

È la parte che dovrebbe preoccuparci. Abbiamo costruito una porta d’ingresso alle risposte che funziona benissimo finché qualcuno, da qualche parte, continua a generare la conoscenza sottostante in testo che i modelli possono consumare. Stack Overflow era uno dei generatori più grandi. Togli il generatore, tieni il sintetizzatore, e hai costruito un sistema di conoscenza che lentamente muore di fame: ogni generazione di modelli viene addestrata su un web un po’ più vecchio e un po’ più contaminato dai modelli stessi. Se hai letto il nostro articolo su perché i benchmark dell’AI non colgono la maggior parte del lavoro reale, questo è lo stesso divario a livello di ecosistema: la parte misurabile, la risposta fluida, è coperta, mentre la parte difficile e poco appariscente, la generazione, viene definanziata.

Non abbiamo sostituito il sistema di conoscenza. Abbiamo sostituito l’interfaccia e dimenticato che l’interfaccia non era mai la parte difficile.

Verdetto: sfatato, ed è il mito più pericoloso di questa lista.

Mito 4: un clone con una moderazione migliore sarebbe sopravvissuto

Gran parte delle analisi post-mortem si concentra sulla cultura di Stack Overflow (i moderatori che chiudono tutto come duplicato, le domande riscritte, la freddezza verso i nuovi arrivati) e conclude che un sito di Q&A più amichevole sarebbe prosperato. Non ci credo. La cultura ha accelerato il declino, ma il problema strutturale avrebbe affondato anche un clone caloroso e accogliente: l’economia dell’expertise volontaria è crollata.

Pensa perché gli esperti rispondevano alle domande nel 2012. La reputazione era una credenziale reale: i recruiter guardavano i profili. Rispondere era un modo per studiare a fondo una tecnologia. E c’era una comunità visibile: vedevi sempre gli stessi nomi, costruivi uno status, a volte incontravi di persona gente conosciuta in chat o nei siti collegati. Verso la fine degli anni 2010 tutti e tre i pilastri si erano indeboliti. Il valore della credenziale è svanito con il calo del prestigio culturale del sito. L’incentivo di imparare rispondendo è rimasto, ma le domande degne di risposta si sono rarefatte: la coda residua era piena di post da principianti poco chiari. E la comunità si è assottigliata, perché le persone più coinvolte se ne sono andate o hanno abbandonato in segno di protesta per la nuova licenza e gli accordi sui dati.

Poi gli LLM hanno eliminato l’ultimo incentivo: perché spendere quaranta minuti a scrivere una risposta accurata per punti immaginari, quando chi chiede può ottenere subito una risposta decente altrove, e quando la tua risposta finirebbe comunque come dati di addestramento che sembrano non licenziati? Ogni thread di commenti su questa storia è pieno di ex utenti con alta reputazione che dicono più o meno «mi piaceva rispondere, e poi... ho smesso». Nella discussione recente, una persona ha citato un punteggio di reputazione di 29.000 e 645 risposte, e ha dovuto pensarci un attimo per ricordarsi che il sito esiste ancora. Con una policy di moderazione non puoi fare un A/B test per uscirne. Verdetto: sostanzialmente sfatato. Un atteggiamento più amichevole avrebbe rallentato l’emorragia, non l’avrebbe fermata.

Mito 5: qualunque cosa lo sostituirà avrà l’aspetto di un sito web

Ogni pochi mesi qualcuno annuncia un «Stack Overflow per l’era dell’AI», ed è sempre la stessa forma: un sito pubblico di Q&A con voti e badge. Secondo me è nostalgia, non analisi. Il sostituto che sta davvero emergendo è un sistema a livelli, e solo uno dei livelli è pubblico.

Da quello che vedo nei team con cui lavoro, la conoscenza degli sviluppatori oggi passa più o meno attraverso quattro canali:

• L’LLM come porta d’ingresso. Primo passaggio per quasi tutto, soprattutto errori e uso di API. Veloce, privato, senza costi sociali. Questo livello ha vinto e non tornerà indietro.
• Memoria privata del team. Wiki interni, archivi di Slack e, sempre più spesso, assistenti con retrieval-augmented generation puntati sul proprio codice e sui postmortem. È qui che oggi vive la nuova conoscenza davvero preziosa, ed è volutamente non pubblica.
• Enclave pubbliche ad alto segnale. Server Discord per strumenti specifici, GitHub Discussions, issue tracker. Più piccole, più calorose e con un ambito abbastanza ristretto da rendere efficace la moderazione. Quando ho una domanda seria su una nuova libreria, vado sul suo Discord, non su un sito generico di Q&A.
• Materiale di riferimento. Documentazione, RFC e il codice stesso. Leggere il sorgente è passato dall’ultima risorsa alla seconda tappa, in parte perché gli strumenti di AI rendono molto più economico navigare codebase sconosciute.

Nota cosa manca: un unico bene comune pubblico dove le domande nuove e difficili ricevono risposta a beneficio di tutti. Ogni livello è razionale individualmente e impoverente collettivamente. La memoria privata del team non esce mai. I server Discord non sono indicizzabili dall’esterno e sono ostili all’archiviazione, un problema di cui abbiamo scritto parlando di il web che perde la propria memoria. E la porta d’ingresso degli LLM consuma testo pubblico senza produrne nessuno.

Verdetto: confermato che il sito monolitico è morto; la domanda aperta è se il sistema a livelli possa sostenere ancora uno strato pubblico.

Progettare sistemi di conoscenza che non muoiano di fame

Se stai costruendo strumenti per sviluppatori, piattaforme interne o infrastrutture per le community, la post-mortem di Stack Overflow offre lezioni concrete. Sono arrivato a quattro principi di progettazione, e ammetto che il quarto è quello di cui sono meno sicuro che abbiamo risolto.

Primo, tratta la freschezza come una funzionalità, non come un problema di moderazione. Stack Overflow trattava le vecchie risposte come canoniche e le nuove come duplicati. Invertilo. Versiona le risposte. Lascia che una domanda venga riproposta a ogni major release di un framework e rendi esplicito il contesto temporale: «a partire da React 19» batte una singola risposta immortale. I sistemi che lo gestiscono bene (documentazione ufficiale con pagine versionate, alcune wiki) sono quelli di cui le persone continuano a fidarsi.

Secondo, integra il ciclo di valutazione nel flusso di lavoro. Il genio di Stack Overflow era il voto: un segnale economico e persistente della qualità della risposta. Le risposte degli LLM non hanno un ciclo del genere di default: ottieni fluidità, non verifica. Nella mia esperienza la soluzione non è chiedere al modello di ricontrollarsi (di solito produce un accordo dal tono sicuro), ma forzare il contatto con la realtà. Esegui il codice. Controlla la versione. Quando uso un LLM per qualcosa di più di un boilerplate, tratto il suo output come la pull request di uno stagista: plausibile finché non è testato. Il nostro articolo sui controlli di comprensione contro i test per il codice generato dall’AI approfondisce dove ciascun approccio intercetta gli errori. I team che ricavano valore reale dagli assistenti AI sono quelli che hanno collegato test e linter direttamente nel ciclo di generazione, non quelli che si sono fidati della prosa.

Terzo, gli incentivi devono sopravvivere al contatto con le alternative gratuite. Punti e badge sono morti nel momento in cui è esistita una risposta privata istantanea. Cosa motiva ancora le persone a scrivere cose pubblicamente? Lo status all’interno di una comunità specifica (un ambito ristretto batte il globale), un beneficio professionale diretto (contributi alla documentazione che riportano il tuo nome, materiale per talk) e la reciprocità in spazi abbastanza piccoli da far sì che aiutare qualcuno oggi significhi che ti aiuterà il mese prossimo. Progetta per questo, non per la gamification delle classifiche.

Quarto, il più difficile: mantieni vivo uno strato pubblico di generazione. Qualcuno deve scrivere la prima risposta sulla cosa uscita la settimana scorsa, in un posto che i crawler e i modelli futuri possano raggiungere. Oggi quel peso ricade su issue di GitHub, blog personali e documentazione dei vendor, in modo diseguale e senza coordinamento. Se sei un vendor di strumenti, questa è un’opportunità: un forum pubblico ben curato per il tuo prodotto è oggi un vantaggio competitivo, perché determina cosa dicono i modelli su di te. E se vuoi che la conoscenza interna del tuo team, conquistata a fatica, si accumuli invece di evaporare quando le persone se ne vanno, un assistente interno basato sulla vostra documentazione batte la speranza che qualcuno si ricordi di aggiornare la wiki, ma solo se risolvi anche l’incentivo a scrivere la documentazione.

Cosa abbiamo perso davvero

Tolta la nostalgia, il declino di Stack Overflow è un caso di studio su come l’infrastruttura tecnica marcisce: non per un singolo colpo, ma per incentivi disallineati che si accumulano per anni, finché un sostituto rende visibile il degrado. Il sito ottimizzava l’artefatto, la risposta canonica, e si è dimenticato che gli artefatti li producono persone che hanno bisogno di ragioni per farsi vedere.

La posizione pragmatica, quella che sosterrei, è questa: piangerlo per un momento, poi trattarlo come un brief di progettazione. La porta d’ingresso degli LLM è davvero migliore per il 90% di ciò che faceva Stack Overflow, e dovremmo dirlo apertamente invece di recitare il lutto. Ma il restante 10% (generare nuova conoscenza pubblica, verificarla contro la realtà, mantenerla aggiornata) è oggi un problema di tutti e il compito di nessuno. I team e le community che risolveranno il problema degli incentivi per quel 10% possiederanno il prossimo decennio della conoscenza degli sviluppatori. Quelli che danno per scontato che il chatbot ci pensi già scopriranno, lentamente e poi tutto insieme, quanto vale una risposta quando nessuno l’ha scritta.