Agentic AI ha risolto la scrittura del codice — e ha esposto tutti gli altri problemi del software engineering
L’agentic AI è ormai parte integrante del processo di engineering. Genera più codice che mai, accelera l’esecuzione. Eppure i business leader notano un paradosso: se spediamo codice più velocemente, perché i prodotti non migliorano alla stessa velocità?
La risposta è semplice: scrivere codice non è mai stato il limite. Definire requisiti corretti, integrarsi con sistemi complessi, mantenere il software in condizioni reali — quello è sempre stato il vero lavoro. Quando gli agenti inondano l’organizzazione di nuovo codice, quel lavoro diventa solo più difficile.
Gli agenti comprimono il tempo di esecuzione. Non comprimono ambiguità, responsabilità o complessità operativa. Con l’aumento del codice generato dall’AI, la revisione umana sta diventando un nuovo collo di bottiglia. Gli ingegneri perdono il contesto necessario per individuare gli errori degli agenti.
Le aziende che capiscono questo si muovono con cautela, creando persino nuovi ruoli grazie all’AI. Quelle che non lo capiscono prendono una scorciatoia distruttiva: taglio del personale e aumento della spesa AI.
Il playbook per navigare il caos
Decisioni strutturali irreversibili richiedono cautela, proprio perché la tecnologia si muove così velocemente. Ecco come i leader dell’engineering enterprise possono procedere.
Fase 1: Governance finanziaria e del rischio
Proteggi il lato negativo — metti in sicurezza l’infrastruttura e blocca le emorragie finanziarie. Tratta la governance come rischio di primo livello: dare libertà di sperimentare senza una struttura centralizzata crea processi frammentati e costi fuori controllo.
Applica il principio del minimo privilegio agli attori non umani. Mai permettere a un agente di ereditare automaticamente tutti i permessi del suo operatore umano. Gli umani hanno giudizio contestuale e responsabilità finale. Gli agenti no. Separa rigorosamente accesso in lettura e scrittura/esecuzione, e richiedi approvazione umana per azioni distruttive o che alterano la produzione.
Tieni d’occhio il portafoglio: imposta quote e limiti di velocità sia per l’engineering che per la produzione. I casi di avvertimento si moltiplicano: Uber ha esaurito il budget AI del 2026 entro aprile; un’azienda ha ricevuto una fattura da 500 milioni di dollari da Anthropic in un solo mese a causa di loop agentici fuori controllo.
Fase 2: Strategia tecnica
Scegli i modelli giusti e misura il loro successo. Vai multi-modello e multi-vendor: nessun singolo modello eccelle in tutto. Standardizzare su un solo fornitore sacrifica capacità e introduce un singolo punto di fallimento critico.
Paga per la frontiera: tratta l’AI come leva di engineering, non come un’altra spesa SaaS. Paga per modelli premium che producono output di alta qualità e riducono rilavorazioni costose. Il modello più economico non è quello con il prezzo per token più basso — è quello che massimizza l’efficienza minimizzando il rischio a valle.
Misura ciò che conta davvero: deployment, righe di codice e pull request non sono mai state metriche valide per la produttività. Con l’AI sono attivamente fuorvianti. Punta a metriche legate ai risultati di business (adozione di funzionalità, fidelizzazione) e alla durabilità dell’engineering (tasso di fallimento delle modifiche, difetti sfuggiti, sopravvivenza del codice nel tempo). Per l’efficienza AI, misura successo dell’attività per dollaro e tempo di rilavorazione.
Fase 3: Talento e organizzazione
Sposta gli ingegneri dalla sintassi ai sistemi. Poiché gli agenti gestiscono la generazione del codice, la revisione umana e l’allineamento architetturale diventano i nuovi colli di bottiglia. Le organizzazioni devono formare la forza lavoro per passare da scrittori di sintassi a pensatori sistemici e gestori di agenti.
Ridefinisci performance e incentivi. Quando un singolo ingegnere può generare l’output di un intero squad, metriche tradizionali come story point o velocità di sprint diventano inefficaci. Allinea i sistemi di valutazione per premiare l’impatto sul business, l’affidabilità cross-sistema e l’orchestrazione efficace degli agenti. Non il volume puro di output.
Non tagliare il personale prima che la strategia si adatti. Se non hai integrato flussi di lavoro agentici, misurato l’output aumentato in produzione e rielaborato la roadmap intorno a un’esecuzione più rapida, non sai se le tue esigenze e capacità sono allineate. Tagliare il personale senza questa baseline non è disciplina — è cecità.
L’AI non sostituisce il giudizio di engineering: è un moltiplicatore di forze. Nei sistemi ben strutturati accelera le consegne in sicurezza. Nei sistemi mal compresi accelera il fallimento. Stiamo già vedendo le conseguenze: interruzioni, debito tecnico in aumento e picchi di costo imprevisti. L’errore che le organizzazioni stanno commettendo non è adottare l’AI troppo lentamente — è adottarla senza capire dove si rompe.
Il problema è che la velocità di esecuzione sta superando la capacità del settore di gestire le conseguenze. Abbiamo dato ai team di engineering l’utensile più potente. Il vecchio adagio dice di misurare due volte e tagliare una volta. Invece, troppe aziende stanno optando per tagliare e basta.
