Una recente analisi condotta da Fiona Chen e James Stratton dell'Università di Harvard, intitolata Künstliche Intelligenz im Unternehmen: Engpässe in der Software‑Produktion, evidenzia che, nonostante i promettenti risultati dei tool di intelligenza artificiale (IA) nella generazione di codice, le imprese non registrano aumenti significativi né nella qualità né nella velocità complessiva dei progetti software.

Metodo e dataset

Per valutare l'impatto reale degli assistenti di codifica basati su IA, i ricercatori hanno sfruttato un nuovo dataset derivato da Jellyfish, una piattaforma di analytics per l'engineering. Il dataset comprende più di 300 milioni di risultati di lavoro registrati tra gennaio 2021 e marzo 2026, relativi a più di 700 000 dipendenti di 718 aziende diverse. Sono state analizzate tre metriche chiave: numero di linee di codice scritte, numero di commit e numero di pull‑request (PR) aperte.

Effetti dei tool reattivi di IA

Gli assistenti di IA “reattivi”, ovvero quelli che suggeriscono frammenti di codice su richiesta, hanno portato a un leggero aumento della produttività:

    • Linee di codice: +12 %
    • Commit: +9 %
    • Pull‑request: +5 %

Solo l'incremento dei commit è risultato statisticamente significativo, suggerendo che l'effetto generale sia limitato.

Effetti dei agenti semi‑autonomi

Gli agenti di IA “semi‑autonomi”, in grado di generare blocchi di codice in modo più indipendente, hanno prodotto risultati più marcati:

    • Linee di codice: +30 %
    • Commit: +20 %
    • Pull‑request: +23 %

Questi aumenti sono tutti statisticamente significativi e si collocano nella parte inferiore della gamma riportata da studi precedenti, confermando un potenziale reale ma ancora limitato.

Il collo di bottiglia della revisione

Nonostante i parametri di output migliorino, la produzione complessiva non registra differenze rilevanti. Gli autori attribuiscono il fenomeno a un collo di bottiglia nel processo di revisione del codice. I dati mostrano che:

    • Il tempo medio per revisionare una pull‑request è aumentato del 49 %.
    • La percentuale di PR che richiedono modifiche è quasi raddoppiata.
    • Il numero medio di commenti per PR è cresciuto del 35 %.
    • La quota di dipendenti coinvolti nei code‑review è aumentata del 14 %.

Questi numeri indicano che le aziende stanno ridistribuendo la capacità dei loro sviluppatori verso attività di verifica, annullando i potenziali risparmi di tempo derivanti dalla generazione automatica di codice.

Interviste qualitative

Per corroborare l'analisi quantitativa, Chen e Stratton hanno condotto 21 interviste con figure chiave di vari settori: responsabili di sviluppo, sviluppatori senior e junior, e product manager. Tra le testimonianze più significative:

    • Un senior ha dichiarato: “Con Claude Code riesco a produrre un prototipo in due secondi, corretto nel 90 % dei casi. Per compiti più complessi l'IA fa errori e devo spendere più tempo a correggerli”.
    • Un junior ha confermato che “l'IA completa circa il 95 % del compito, ma il restante 5 % è dedicato a identificare e correggere gli errori”.

Queste osservazioni sottolineano che, sebbene l'IA possa gestire la maggior parte delle attività di routine, le verifiche manuali rimangono indispensabili, soprattutto per problemi più intricati.

Confronto con altre ricerche

La scoperta di un “engagement” nella revisione non è isolata. Altri studi hanno evidenziato risultati analoghi, indicando che la produttività guadagnata nella fase di scrittura è spesso compensata dal tempo speso nella validazione del codice generato. In tal senso, la ricerca di Harvard si posiziona al punto più basso della gamma di miglioramenti segnalati dalla letteratura, suggerendo che le aspettative potrebbero essere state sovrastimate.

Implicazioni per le aziende

Le organizzazioni che intendono adottare tool di IA devono considerare non solo i potenziali guadagni nella produzione di codice, ma anche la necessità di rafforzare i processi di revisione**. Strategie consigliate includono:

    • Investire in strumenti di code‑review automatizzati che integrino l'IA per identificare errori comuni.
    • Formare i team a valutare criticamente il codice generato, riducendo la dipendenza da revisioni manuali prolungate.
    • Definire metriche di qualità che bilancino velocità e affidabilità, evitando di perseguire una semplice quantità di linee di codice.

Solo attraverso un approccio olistico è possibile capitalizzare i vantaggi dell'IA senza incorrere in inefficienze nascoste.

Conclusioni

La ricerca di Harvard dimostra che, sebbene gli strumenti di IA possano aumentare la quantità di codice prodotto e il numero di commit, il loro impatto sulla produttività reale è annullato dai maggiori tempi di verifica richiesti dai revisori umani. Il futuro della programmazione assistita dall'IA dipenderà dalla capacità delle imprese di integrare meccanismi di revisione più intelligenti e di riequilibrare le responsabilità tra automazione e controllo umano.