Il contesto attuale dell’IA nella programmazione

L’adozione dell’intelligenza artificiale è ormai diffusa in tutta la regione APAC. Gartner prevede che entro il 2028 i costi legati all’IA per la generazione di codice supereranno gli stipendi medi dei developer, a causa dell’aumento esponenziale del consumo di token. La stessa analisi avverte che, senza un modello operativo di ingegneria ben governato, i costi degli strumenti IA cresceranno più rapidamente dei guadagni di produttività attesi.

Questa tendenza solleva interrogativi cruciali per l’intero settore: cosa succederà quando il divario tra costi e benefici si allargherà? Quali competenze dovranno essere potenziate per mantenere la competitività?

Le percezioni degli sviluppatori

Molti ingegneri vedono l’IA come un acceleratore, non come un sostituto affidabile del giudizio umano. In una recente intervista a iTNews Asia, Amit Choudhary, Chief Operating Officer globale di Thoughtworks, ha ribadito che, sebbene l’IA possa velocizzare la produzione di codice, le organizzazioni hanno ancora bisogno di professionisti capaci di:

    • Decidere quando utilizzare l’IA e scegliere il modello più adatto.
    • Gestire costi e autonomia dei tool IA.
    • Progettare sistemi scalabili.
    • Assumersi la responsabilità di sicurezza, qualità e risultati di business.

Produttività reale vs. velocità di generazione

Uno studio di McKinsey indica che i developer possono completare i compiti di codifica fino a due volte più velocemente grazie all’IA generativa. Tuttavia, Choudhary sottolinea che la velocità di generazione non è sinonimo di valore aziendale.

Un’indagine condotta da Agoda ha rivelato che il 95 % dei developer nel Sud‑Est asiatico utilizza l’IA su base settimanale. Nonostante l’ampia adozione, il 77 % dei programmatori di Singapore segnala output incoerenti come principale ostacolo, e due terzi revisionano sempre il codice generato prima del merge.

Questi dati mostrano che la “fiducia” negli output IA è ancora limitata. Accelerare la generazione di codice senza una supervisione architetturale continua non crea valore: si rischia di produrre difetti su larga scala.

Il vero costo dell’IA

Per valutare l’impatto finanziario reale è necessario adottare una prospettiva di Total Cost of Ownership (TCO) che copra tre fasi: pilot, scaling e manutenzione a lungo termine. Un uso incontrollato dell’IA equivale a un “prestito ad alto interesse”: si ottiene una velocità di costruzione economica oggi, ma si accumula un debito di comprensione e manutenzione difficile da ripagare.

Audit indipendenti hanno dimostrato che il codice generato dall’IA contiene 2,7 volte più vulnerabilità di sicurezza rispetto a quello scritto da umani. Le autorità di Singapore, come la Monetary Authority (MAS), hanno introdotto controlli di ciclo di vita end‑to‑end per garantire la sicurezza del software aziendale.

Quando il debito di comprensione si accumula, anche il debito di manutenzione cresce, portando a rotture improvvise dei sistemi. Come osserva Choudhary, “quando il pane diventa economico e abbondante, il valore si sposta sul burro”. L’IA rende la generazione di codice quasi gratuita, ma il vero valore è nella “burro”: il giudizio esperto.

Implicazioni per la gestione del talento

L’aumento della spesa per l’IA avrà effetti significativi sul modo in cui le aziende assumono e utilizzano i talenti tecnologici. Per Choudhary, l’IA è un “bastante vantaggioso per i veri ingegneri, ma una minaccia esistenziale per chi si limita a digitare sintassi”.

Il problema non è più la carenza di risorse tecniche, ma la capacità delle funzioni di business di assorbire la velocità tecnologica. In passato, i colloqui IT erano il collo di bottiglia; oggi, il collo di bottiglia è il top management che non riesce a iterare e scalare rapidamente.

Questo sposta l’attenzione sulla “trasmissibilità”: la capacità umana di articolare un modello mentale chiaro, inquadrare il contesto di business e specificare i vincoli di sistema affinché un agente IA possa eseguire. Non è più sufficiente dire “l’API è pronta”, ma bisogna spiegare perché il processo a valle deve cambiare per generare valore.

Quali competenze cercare?

    • Leadership ingegneristica capace di tradurre le esigenze di business in requisiti tecnici.
    • Capacità di governance dell’architettura e di gestione dei costi di token.
    • Competenze di sicurezza informatica per valutare le vulnerabilità generate dall’IA.
    • Abilità di comunicazione per allineare stakeholder e gestire la resistenza al cambiamento.

Come osserva il Dean della NTU College of Computing and Data Science, “L’intelligenza artificiale è un moltiplicatore. Ma se il moltiplicando è zero, il risultato è zero”. L’obiettivo è quindi trovare professionisti che possano fornire all’IA un “moltiplicando” di valore.

Il nuovo ruolo del developer

Il ruolo del developer non sta evolvendo gradualmente, ma viene ridefinito strutturalmente. La ministra singaporiana per lo Sviluppo Digitale, Josephine Teo, descrive i programmatori come “conduttori d’orchestra” che inquadrano i problemi, validano gli output e dirigono le performance del sistema.

Thoughtworks propone una tassonomia operativa chiara:

    • Citizen developers costruiscono soluzioni di base.
    • AI agents eseguono compiti specifici.
    • Expert engineers governano l’architettura, eliminano output ridondanti e gestiscono l’efficienza dei costi.

In pratica, gli analisti di business usano l’IA per redigere user story, riducendo i tempi di turnaround. I QA engineer spostano i controlli di qualità a monte, generando scenari di test automatizzati. I Tech Lead, infine, supervisionano l’architettura, controllano la sicurezza e ottimizzano il consumo di token.

Le tre forze trainanti

Secondo Choudhary, il successo della trasformazione dipende da tre forze interconnesse:

    • Ingegneria: adozione di pratiche di governance e architettura.
    • Economia: gestione dei costi di token e valutazione del ROI.
    • Psicologia: gestione degli stakeholder e superamento della resistenza al cambiamento.

La sfida psicologica è spesso la più difficile: identificare i business stakeholder disposti a collaborare, mantenere l’allineamento quando emergono resistenze e testare il caso di business originario.

In sintesi, non basta insegnare ai developer come usare gli strumenti IA. È fondamentale formare i leader ingegneristici a riconoscere e a coinvolgere i partner di business pronti a sostenere l’adozione, altrimenti anche il team più competente fallirà.