Gli agenti AI scrivono il codice, ma la qualità di quanto prodotto è veramente buona?

L’87% degli sviluppatori intervistati da Atlassian dice che l’intelligenza artificiale lo aiuta a consegnare il lavoro più in fretta. Eppure il 72% incontra ancora gli stessi ostacoli, o più ostacoli, nel percorso che porta il software agli utenti. Scrivere codice più velocemente non equivale a costruire un prodotto migliore: è questa la distanza che conta misurare.

Lo sviluppatore Dan Luu propone di guardare all’AI da un’altra prospettiva. Gli agenti di programmazione — strumenti capaci di modificare file e svolgere compiti di sviluppo su istruzione — abbassano il costo di progetti che prima avrebbero richiesto troppo tempo. La vera opportunità, sostiene, non è pubblicare più software: è tentare strumenti più utili e impegnativi, dedicando comunque il lavoro necessario a controllarli.

Nel suo saggio Luu racconta di aver realizzato, per uso personale, strumenti legati alla ricerca nei file e alla compilazione di programmi Rust, un linguaggio di programmazione. Non li presenta come prodotti pronti per tutti: precisa che portarli a quel livello richiederebbe molto altro lavoro. Il cambiamento è nella soglia d’ingresso. Un’idea che non giustificava mesi di sviluppo può diventare un esperimento da provare e valutare.

È un po’ come avere un’officina in cui costruire il primo prototipo costa molto meno. Si possono esplorare più soluzioni, ma il prototipo non supera automaticamente i controlli necessari per essere venduto. Per chi sviluppa applicazioni in Italia o nel resto d’Europa, questa distinzione è concreta: uno strumento interno può essere utile anche se imperfetto; un servizio da cui dipendono clienti e colleghi richiede una soglia di affidabilità ben diversa.

Il risparmio di tempo non è garantito in ogni situazione. In un esperimento del 2025, l’organizzazione di ricerca METR osservò che 16 sviluppatori esperti, impegnati su progetti open source che conoscevano bene, impiegavano in media il 19% di tempo in più quando potevano usare strumenti AI. METR ha poi avvertito che quel risultato non va scambiato per una fotografia degli strumenti successivi: in una nuova ricerca ha rilevato indizi di accelerazione, ma anche problemi metodologici che impediscono una stima affidabile.

Il punto non è scegliere tra «l’AI funziona» e «l’AI rallenta». Bisogna chiedersi quale lavoro si sta misurando. Generare una prima versione è diverso dal comprenderla, provarla, correggerla e mantenerla nel tempo. Nel rapporto Atlassian del 2026, quasi metà degli sviluppatori dichiara di dedicare almeno quattro ore a settimana a rivedere risultati AI e correggere istruzioni date agli strumenti: il lavoro non scompare necessariamente, ma si sposta.

Luu indica un caso che mostra entrambe le facce della svolta: pgrust, il progetto di Michael Malis che esplora un’implementazione alternativa di componenti legati al database PostgreSQL, cioè il sistema che conserva e organizza dati per molte applicazioni. Secondo Luu, le verifiche svolte durante quel lavoro hanno fatto emergere anche problemi nel software esistente. Non è una prova che pgrust sia pronto a sostituirlo; è un esempio di ciò che diventa possibile quando la facilità di sperimentare si accompagna a test approfonditi.

Per un team, la scelta decisiva arriva prima di affidare un compito all’agente: stabilire che cosa significhi «migliore». Può voler dire meno errori per gli utenti, tempi di risposta più brevi o modifiche future meno rischiose. Senza un criterio verificabile, la velocità produce soltanto più versioni dello stesso dubbio.

Gli agenti AI possono liberare tempo per tentare idee più specifiche, migliorare strumenti trascurati o rendere più semplice un’operazione quotidiana. Possono anche riempire quel tempo con modifiche da controllare. La differenza non sta nel numero di righe prodotte, ma nella capacità di riconoscere quali esperimenti meritano di diventare software su cui altri possano fare affidamento.

Il software migliore non nasce perché ora è facile scriverne di più. Nasce quando la velocità conquistata viene spesa per fare una domanda più difficile: funziona davvero, anche fuori dalla dimostrazione?