When someone tells you they shipped 335 live pages across 26 repositories in 29 days, working alone, the instinct is to ask how they moved so fast. The better question is what broke when they did.

The numbers are real: 1,549 commits, 26 repos, 29 days, one developer using Claude Code. But velocity itself teaches you very little. What matters is the texture of the failures, because they were not the kind you catch in a stack trace. They were structural fractures. You only see them when you step back from the editor and look at the whole system breathing in production.

What Worked

The speed was not an illusion. Certain tasks really do collapse in duration when you hand them to an AI that does not sleep.

Textbook algorithms turned into shipped features over days, not weeks. A 2048 solver and minimax-based games came together fast because the implementation patterns are well documented. The model does not get lost in academic papers; it writes the search tree, the heuristic evaluation, the move scoring, and moves on. These are solved problems, and an AI pair programmer handles solved problems with brute efficiency.

Tedious audits became tolerable. Crawling link graphs, verifying redirect chains, checking canonical tags across hundreds of pages — this work destroys human attention spans, but a language model will iterate without complaint. It checks the same pattern three hundred times and reports back.

The real surprise was consistency. When you ask an AI to generate dozens of landing pages, drift is inevitable unless you anchor it. I used small memory files to lock down a single brand system: voice rules, color token names, component restrictions, and page archetypes. The model read those constraints at the start of each relevant task and produced work that felt like it came from one hand instead of twenty-nine different moods.

What Actually Broke

The failures were architectural. No build failed because of a missing semicolon. Instead, the system slowly deceived me into thinking everything was fine.

SEO cannibalization hit first. The AI built a new tool hub under a fresh URL while an older tool hub still lived at its original path. Each individual page was optimized. Titles were tight. Meta descriptions were unique. Content was useful. But they all hunted the same search intent. Search engines saw two authorities on identical terms and ranked neither. Perfect pages canceled each other out because no one was watching the site as a portfolio rather than a collection of files.

URL mismatches followed. Different repositories adopted slightly different folder structures for the same logical content. One repo nested tools under /tools/utility-name; another flattened them to /utility-name. The CDN saw both, generated redirect chains to resolve them, and started throwing errors at the edge. The pages loaded, eventually, but every redirect burned crawl budget and user patience. The code was correct. The topology was a mess.

Then came the sync trap. I updated a mirror site — a staging or backup instance — but forgot to propagate those changes back to the source repository. When I later asked the AI to sync the environments, it treated the mirror as ground truth. A simple sync command would have overwritten the production database or file set with stale mirror data. The AI executed what I described, not what I intended. Intentions do not diff; files do.

The audit tools themselves lied. Because I automated the auditing, I assumed the output was clean. It was not. The AI-written audit scripts contained subtle bugs: off-by-one checks, incorrect assumptions about redirect status codes, phantom errors triggered by timing or headers rather than real misconfigurations. They reported problems that did not exist, which sent me chasing ghosts. I learned to stop trusting static analysis until I had manually probed the live site and confirmed the symptom in a browser or a direct curl.

The Hidden Cost

Here is a number no one talks about: 93 percent of my token spend went to re-reading cached context.

In una sessione prolungata di Claude Code, ogni nuova richiesta costringe il modello a riesaminare la cronologia della conversazione precedente, i buffer dei file e la memoria di lavoro. Il primo compito in una sessione può essere economico. Al decimo compito, il modello sta digerendo tutto ciò che è venuto prima solo per comprendere la frase successiva. La curva dei costi sale rapidamente. Le sessioni lunghe si trasformano in costosi esercizi di rilettura, e la finestra di contesto si riempie di detriti provenienti da lavori precedenti che non hanno nulla a che fare con quello attuale.

Non si tratta di una stranezza. È una tassa diretta sulla scarsa igiene delle sessioni.

Come risolvere il problema

Le soluzioni sono state semplici una volta identificati i problemi.

Tratta ogni sessione come un singolo compito. Quando il lavoro cambia, ricomincia da capo. La tentazione di mantenere il contesto "caldo" è forte — ti sembra di risparmiare tempo di configurazione — ma in realtà stai affittando memoria con interessi composti.

Mantieni la conoscenza in piccoli file di memoria dedicati. Non lasciare che il modello trasporti linee guida del brand, librerie di componenti o regole SEO all'interno del contesto conversazionale. Scrivile su disco in file concisi e fai riferimento ad essi esplicitamente. Questo sposta le informazioni da un contesto volatile costoso a uno storage persistente economico.

Tra un lavoro e l'altro, libera il campo. Chiudi la sessione. Aprine una nuova. I trenta secondi di configurazione fanno risparmiare dollari e allucinazioni in seguito.

Lezioni per la scalabilità

Se intendi lavorare a questo volume, hai bisogno di guardrail che considerino il sistema, e non il singolo file, come unità di revisione.

Esegui un benchmark prima di pubblicare. Non dare per scontato che una pagina funzioni solo perché viene renderizzata. Controlla i tempi di caricamento, il layout mobile e le metriche principali sull'URL distribuito. Un componente bellissimo in ambiente di sviluppo locale può crollare in condizioni di rete reali.

Controlla il diff prima di copiare. Non eseguire mai un'operazione di sincronizzazione o copia massiva alla cieca. Guarda il delta. Capisci in quale direzione fluiscono i dati. L'IA non ti avvertirà che stai per sovrascrivere i dati reali dei clienti.

Verifica i siti live prima di fidarti degli audit. L'analisi statica è un'ipotesi. Una richiesta live è una prova. Quando uno strumento di audit segnala un link interrotto o un loop di reindirizzamento, verificalo con una richiesta diretta. Anche gli strumenti hanno bug, specialmente quelli scritti da un'IA che opera su pattern inferiti.

Scrivi le convenzioni prima di scalare. La struttura degli URL, la gerarchia delle cartelle, i pattern canonici e la tassonomia dei contenuti devono essere documentati in un luogo che l'IA possa leggere prima che generi una singola nuova pagina. I file di memoria non sono opzionali a