Il software engineering e il cambiamento in atto

Il mercato è saturo di narrazioni miracolose sull'AI: accelerazioni istantanee, demo che sembrano risolvere problemi complessi in un attimo. La realtà nelle aziende è più moderata. Gartner colloca oggi la GenAI nella "fossa della disillusione" e stima che fino al 2028 almeno la metà dei progetti supererà i costi a budget per scelte architetturali carenti e mancanza di know-how operativo. Secondo il MIT, il 95% dei progetti pilota di AI generativa non ha generato ritorno economico tangibile, a fronte di una spesa stimata tra i 30 e i 40 miliardi di dollari. Non stupisce che molti C-level si sentano sospesi tra entusiasmo e timore di restare indietro: nel CEO Study 2025 di IBM, il 64% degli amministratori delegati ammette di investire più per paura che per reale comprensione del valore. La risposta non è né fiducia cieca né scetticismo di principio: è un metodo che distingua ciò che genera valore in produzione da ciò che funziona soltanto in una presentazione.

Un'applicazione non è mai valsa per le giornate impiegate a realizzarla, ma per l'importanza del problema che risolve. Per decenni il tempo è stato una comoda scorciatoia per stimare costi e prezzi; oggi, con l'AI che comprime i tempi di sviluppo, quell'approssimazione non regge più. Le domande dei committenti sono già cambiate: non più "quante giornate servono?", ma "quale problema risolviamo, quale indicatore migliora, come si passa dall'esperimento alla scala industriale?". È il passaggio da una logica di effort a una logica di outcome: un costo operativo che scende, un time-to-market che si accorcia, un rischio che viene neutralizzato. È una transizione che ridefinisce non solo i modelli di pricing, ma il senso stesso della relazione tra chi realizza software e chi lo commissiona: chi cerca eccellenza può scegliere partner capaci di collegare il lavoro a obiettivi misurabili e di assumersi responsabilità sul risultato.

La tensione tra autonomia e dipendenza si manifesta su due piani. Sul piano organizzativo, l'AI rende accessibili attività che prima richiedevano capacità di sviluppo più ampie, e può spingere a internalizzare la produzione software. Ma produrre più codice non significa essere più autonomi: la ricerca DORA mostra che l'AI amplifica capacità e debolezze già presenti, e i benefici della velocità vengono assorbiti dai colli di bottiglia in testing, sicurezza e deployment quando le fondamenta non sono adeguate. Sul piano tecnologico emerge un apparente paradosso: il costo della singola inferenza scende rapidamente, ma l'Agentic AI moltiplica il numero di inferenze necessarie per ottenere un risultato e l'indipendenza non coincide semplicemente con l'eseguire un modello localmente, perché ogni deployment resta inserito in un ecosistema interdipendente di hardware, infrastruttura, dati e competenze. Su entrambi i piani, l'autonomia non è possedere ogni componente, ma scegliere e governare consapevolmente le proprie dipendenze, garantendo giuste competenze, interoperabilità, portabilità e la possibilità di sostituire partner e tecnologie.

L’era agentica trasforma il mestiere di chi costruisce software: la maestria si sposta dalla scrittura del codice alla capacità di istruire, coordinare e monitorare sistemi che operano in autonomia. La telemetria di Faros AI su oltre 22.000 sviluppatori misura lo spostamento: il 98% di pull request integrate in più per persona, ma anche il 242% di incidenti in più e tempi di revisione cresciuti del 441%. Il vero differenziale non è la macchina, ma l’interprete umano che garantisce la governance della qualità, del rischio e della coerenza del risultato. Lo stesso vale per le relazioni: Gartner prevede che oltre il 40% dei progetti di AI agentica sarà cancellato entro il 2027 per costi crescenti, benefici incerti o controlli di rischio inadeguati. Nelle decisioni ad alto budget e ad alto rischio, i decisori non cercano soltanto tecnologia: cercano presenza, ascolto, continuità. La governance del cambiamento diventa essa stessa parte del servizio.