L’impatto dell’Intelligenza Artificiale sull’IT: tra accelerazione del coding e i suoi limiti

Il dibattito sull’Intelligenza Artificiale è dominato da anni dal timore della sostituzione: l’AI, si teme, causerà disoccupazione, innescando una sfida tra l’uomo e la macchina (o il profitto) nel mondo del lavoro. 

Questa è una tesi complessa, con aspetti veritieri e altri che necessitano di un’analisi più approfondita. Quel che è indubbio è che l’AI, come Internet oltre vent’anni fa, ha già radicalmente trasformato il modo di lavorare, specialmente in termini di produzione e di uso della tecnologia, determinando impatti sociali ed economici significativi. 

Il settore IT è, in questo caso, il primo campo di sperimentazione. Dopo aver discusso l’impatto dei tool LLM sul coding e il cambiamento nel modo di lavorare per i programmatori in un altro articolo, in questo articolo metto a confronto i risultati di due recenti studi che rivelano una tendenza inattesa sulla produttività: l’AI è un acceleratore imperfetto o illusorio. 

 Lo Studio METR: L’Illusione di Velocità e il Rallentamento Inatteso 

Il primo studio, condotto da METR (Model Evaluation and Training Research) a luglio 2025, si intitola Measuring the Impact of Early 2025 AI on Experienced Open-Source Developer Productivity. 

La ricerca ha messo a confronto sviluppatori esperti (senior) che utilizzavano strumenti di AI assistita (come Cursor Pro con Claude) con quelli che non li utilizzavano. Il risultato non solo è interessante, ma offre un punto di riflessione cruciale sulla presunta “bolla” della produttività AI. 

Il punto chiave emerso è che l’AI non solo non ha aumentato la produttività per gli sviluppatori esperti in compiti complessi, ma ha creato un’illusione di velocità, rendendoli di fatto più lenti. 

Perché si è verificato questo rallentamento per gli sviluppatori senior? I programmatori perdevano tempo quando usavano gli strumenti AI principalmente a causa di: 

• Revisione e Debug: Circa il 9% del tempo totale del compito è stato speso per correggere o risolvere errori nel codice generato dall’AI. 

• Prompt Engineering e Attesa: Tempo perso a formulare i prompt in modo corretto e ad attendere la risposta del modello. 

• Qualità del Codice: Gli strumenti AI tendevano a generare soluzioni che non rispettavano gli standard di qualità o la conoscenza specifica delle architetture legacy del progetto open-source. 

In sintesi, i tool di AI, pur essendo efficienti nel generare codice semplice o nel risolvere problemi noti, dimostrano di mancare di ‘esperienza’ e di conoscenza legata al contesto del software. Non sono quindi in grado di sostituire gli sviluppatori senior, la cui profonda comprensione del codice specifico e delle architetture esistenti rimane fondamentale. 

Faros AI: Il Collo di Bottiglia nella Revisione 

Il secondo set di dati, fornito da Faros AI e basato sull’analisi di migliaia di repository GIT e flussi di lavoro, conferma l’emergere di un nuovo “collo di bottiglia” nella fase di revisione del codice.

L’AI permette ai programmatori di scrivere il codice iniziale più rapidamente, ma il processo umano di verifica e validazione rallenta l’intero ciclo di sviluppo. 

Questi dati quantificano chiaramente l’impatto degli errori AI che richiedono una risoluzione successiva (il problema del “codice quasi giusto” ma da sistemare): 

• Tasso di Rework: Aumento del 20% del tasso di rework (codice che deve essere modificato entro una settimana dalla merge iniziale) nei team che usano pesantemente l’AI. 

• Volume di Pull Request (PRs): Le PRs sono in media 30% più grandi, a causa dell’AI che genera blocchi di codice più ampi. PRs più grandi richiedono più tempo per la revisione e sono più inclini agli errori. 

• Densità dei Difetti: La densità dei difetti del codice generato dall’AI è 3% maggiore in fase di test, richiedendo debugging e context switching aggiuntivi. 

Conclusioni:  

I dati delle ricerche METR e Faros AI convergono su un punto fondamentale: per quanto riguarda l’impatto sul mondo del lavoro IT, l’AI non è in grado, al momento, di sostituirsi all’esperienza umana. 

L’AI non è un sostituto, ma un acceleratore imperfetto. Se da un lato può affiancare o potenzialmente sostituire alcune attività delle figure junior, accelerando la scrittura di codice semplice, dall’altro aumenta il carico legato alla revisione del codice per gli sviluppatori senior. Questi ultimi sono chiamati a diventare “supervisori dell’AI” che devono verificare e validare il codice, investendo più tempo nella revisione (review) e nel rework per mantenere una buona qualità del software.

PS: un esempio chiarissimo è questa immagine generata da Gemini, dove ho inserito alcuni dati in italiano nel prompt e mi ha generato un’immagine con diversi errori nel testo (un misto di italiano, inglese e altri errori). Ho chiesto di correggere per tre volte, indicando cosa e dove nel prompt, e alla quarta versione si possono ancora vedere diverse “imperfezioni”.

L’AI mi ha permesso di generare un’immagine che non sarei riuscito a produrre (aumento di produzione), ma allo stesso ha comportato dei tempi per la revisione dell’immagine. Direi, quindi, in linea con le due ricerche.

Fonte: metr.org e Faros AI.