Lo dico senza esitazione:

I developer sono qui per restare… e lavorare assieme all’AI.

ChatGPT 3.5 è stato lanciato al grande pubblico il 30 novembre 2022. Da quel momento si è spalancato il vaso di Pandora degli LLM e, passo dopo passo, siamo arrivati (mentre scrivo, a fine 2025) ad avere agenti integrati nei nostri IDE che scrivono software a partire da istruzioni in linguaggio naturale che ha persino dato vita a un nuovo modo di lavorare, chiamato vibe coding, entrato nel gergo comune all’inizio del 2025. Tra chi è convinto che l’AI non riuscirà mai a scrivere codice davvero utile e chi, all’opposto, prevede la scomparsa dei developer, il dibattito è stato continuo. Discussioni, esperimenti e ricerche si susseguono senza sosta perché la tecnologia degli LLM, e tutto quello che ci gira intorno, continua a evolversi a velocità impressionante.

Inoltre, siamo ben lontani dal momento in cui potremmo delegare totalmente tutto agli LLM, come anche sostiene Mark Russinovich quando dice [“data l’architettura di questi modelli, delle context-window \[…\] l’AI non ci sostituirà completamente.”](https://youtu.be/xcaKYRgTvys?list=PL0M0zPgJ3HSf4XZvYgZPUXgSrfzBN26pf&t=1314). Infatti, per me, l’AI oggi assomiglia a uno junior developer pieno di entusiasmo e idee, ma con poca esperienza: spesso prende cantonate e il suo lavoro va attentamente revisionato e controllato.

In questo messaggio offro una panoramica sullo stato dell’arte dell’AI al servizio dei developer e dei team di sviluppo, con la consapevolezza che le scoperte in questo ambito continueranno a susseguirsi rapidamente e che una parte di ciò che leggerete potrebbe diventare obsoleta in pochi anni… o forse in pochi mesi!

Comincio con il proporre una classificazione in tre livelli, definiti in base a chi trae il principale beneficio dal loro utilizzo, ovvero a “chi servono” i tool di AI. Distinguo strumenti, piattaforme e agenti al servizio:

• dell’intera software factory: hanno lo scopo di agevolare l’organizzazione generale della software factory ed essere utilizzati per prendere decisioni a livello di business (ad esempio con un’analisi dei dati di telemetria di business, ALTRI ESEMPI);
• di un team: hanno lo scopo di aiutare i team a gestire le proprie attività, il backlog, la qualità del software che viene prodotto e in generale i processi di produzione e distribuzione di software del team (ad esempio pianificazione del lavoro suggerita dall’AI in base a telemetria e statistiche del team, pipeline con controlli aumentati dall’AI, …)
• del singolo software engineer o IT professional: hanno lo scopo di migliorare la qualità del lavoro del singolo developer nella quotidianità (riducendo le attività su codice ripetitivo / noioso, scovare casi di test limite, refactoring dei sorgenti, creazione protipi, scaffolding delle applicazioni…).

Nei prossimi messaggi enterò nei dettagli di ciascuna.

Sharing is caring

Se conosci qualcuno che potrebbe trovare utile ricevere e-mail per migliorare l’organizzazione dei team di sviluppo software, DevOps e software engineering in generale inoltragli questo post! Qui può iscriversi e cominciare a ricevere subito!