Introduzione al dibattito

All’evento TechSparks 2026, OPPEX ha organizzato una tavola rotonda intitolata “AI Can 10X Your Engineers. Can It 10X Your Ability to Fix What They Build?” per analizzare le implicazioni della rapida generazione di codice tramite IA. L’incontro ha riunito dirigenti di aziende di spicco, tra cui Cimpress, Amadeus, Google DeepMind, Razorpay, Global Logic, Coforge, Synchrony, Ascendion, Broadridge, Capillary Technologies, IBM, Thoughtworks, dbt Labs e NetApp.

Il fondatore e CEO di OPPEX, Prasun Kumar, ha presentato le tematiche, mentre la discussione è stata moderata da Madanmohan Rao, Research Director di YourStory. I partecipanti hanno condiviso esperienze pratiche, evidenziando le difficoltà di mantenere, diagnosticare e recuperare sistemi software costruiti più velocemente grazie all’IA.

Le cinque lezioni emerse

1. Codice più veloce non garantisce risultati di business più rapidi

L’IA ha notevolmente accelerato la generazione di codice, ma le fasi di test, validazione, deployment e integrazione con sistemi a valle non hanno tenuto il passo. Di conseguenza, il codice può essere pronto molto prima che l’intera architettura sia in grado di supportarlo.

I leader hanno avvertito di non confondere output con outcome: produrre dieci volte più codice non si traduce automaticamente in un miglioramento dieci volte più grande per i clienti. L’obiettivo deve essere l’impatto reale sul business, non la mera quantità di righe generate.

    • Utilizzare l’IA per eliminare codice superfluo, non solo per crearne di nuovo.
    • Valutare il valore aggiunto di ogni modifica rispetto agli obiettivi di prodotto.

2. Allineare l’autonomia dell’IA al livello di rischio

Gli interventi automatizzati devono essere differenziati in base al rischio associato. Operazioni reversibili, come il riavvio di un servizio senza stato o l’incremento di capacità, possono essere affidate a agenti autonomi.

Al contrario, modifiche che coinvolgono denaro, dati sensibili dei pazienti o processi di produzione richiedono una supervisione più stretta, poiché gli errori possono avere conseguenze irreversibili.

    • Classificazione delle applicazioni e dei dati secondo criteri di rischio.
    • Maggiore libertà per gli agenti nelle aree a basso rischio.
    • Controlli rigorosi e procedure di gestione degli errori per i contesti regolamentati.

3. Il contesto è fondamentale per l’efficacia degli agenti IA

Per operare correttamente, gli agenti hanno bisogno di informazioni contestuali accurate. In molte organizzazioni, la conoscenza su sistemi legacy, dipendenze di servizio e incidenti passati è concentrata in poche risorse senior.

Per ridurre questa dipendenza, le aziende stanno implementando:

    • Grafi della conoscenza (knowledge graphs) per mappare relazioni tra servizi.
    • Livelli di memoria e repository condivisi per documentare configurazioni e failure precedenti.
    • Strategie di retrieval mirato per minimizzare l’uso di token e garantire che gli agenti ricevano solo i dati pertinenti.

4. La responsabilità umana rimane imprescindibile

Con l’aumento della frequenza e della dimensione delle modifiche generate dall’IA, cresce il rischio che gli ingegneri approvino codice senza comprenderlo appieno. Per mitigare questo pericolo, i partecipanti hanno proposto sistemi in cui gli agenti indicano il proprio livello di fiducia e segnalano le decisioni quando la confidenza è bassa.

In ambienti regolamentati, la necessità di fornire giustificazioni a enti di controllo o clienti rende la supervisione umana ancora più critica.

    • Tracciare gli incidenti causati da cambiamenti IA‑generated.
    • Utilizzare i dati degli incidenti per migliorare i processi di sviluppo e revisione.
    • Stabilire un feedback loop continuo tra agenti e team di revisione.

5. Lasciare l’indagine agli agenti, ma le decisioni critiche alle persone

La risposta agli incidenti è stata identificata come l’uso più promettente dell’IA nel breve termine. Gli agenti possono:

    • Raccogliere log e tracce di dipendenza.
    • Analizzare le ultime distribuzioni.
    • Filtrare falsi allarmi e sintetizzare informazioni rilevanti per gli ingegneri.

Questo permette ai team di on‑call di risparmiare tempo prezioso, concentrandosi sulla risoluzione anziché sulla raccolta di evidenze.

Tuttavia, per incidenti critici è indispensabile avvisare immediatamente i team appropriati, anche mentre gli agenti continuano l’analisi. I partecipanti hanno anche sottolineato il costo aggiuntivo di monitorare gli agenti stessi, le incognite legate a precisione, drift e valore reale fornito.

Infine, è stato evidenziato che ruoli non tecnici – product manager, analisti e altri stakeholder – dovrebbero partecipare attivamente alla costruzione e al monitoraggio delle soluzioni IA.

Conclusioni e prospettive future

Il tavolo rotondo ha messo in luce preoccupazioni comuni tra leader tecnologici di settori diversi, in particolare riguardo a affidabilità, governance e risposta agli incidenti. È emersa una chiamata condivisa a investire maggiormente in stabilità, sicurezza e capacità di recupero, affiancando lo sviluppo accelerato dall’IA a processi solidi di controllo.

Man mano che le organizzazioni produrranno più codice con l’ausilio dell’IA, dovranno garantire la presenza di sistemi, processi e persone capaci di mantenere quel codice e di intervenire prontamente quando le cose vanno storte. Solo così l’intelligenza artificiale potrà tradursi in valore reale e sostenibile per il business.