Coding AI
| Titolo: | Coding AI |
| Sezione: | WEB |
| Data: | 16.08.2026 |
Coding AI, il paradosso della produttività: quando lo ...
Coding AI, il paradosso della produttività: quando lo sviluppatore perde tempo con l’intelligenza artificiale
L’intelligenza artificiale è ormai entrata nel workflow quotidiano di molti professionisti del software, ma il suo impatto sulla produttività potrebbe essere meno lineare di quanto si pensi. Una ricerca di METR ha infatti analizzato l’utilizzo di strumenti di coding AI da parte di sviluppatori esperti, arrivando a un risultato inatteso: in determinate condizioni, l’AI non avrebbe ridotto i tempi di lavoro, ma li avrebbe aumentati.
L’esperimento ha preso in considerazione strumenti come Claude 3.5 e Cursor Pro, utilizzati all’interno di progetti open source caratterizzati da codebase particolarmente estese. L’obiettivo era verificare sul campo quanto l’intelligenza artificiale potesse incidere realmente sulle prestazioni di uno sviluppatore, andando oltre le semplici impressioni degli utenti.
AI coding
Quando l’AI promette più velocità di quella che offre
Per comprendere l’effettivo impatto del coding AI, i ricercatori hanno coinvolto 16 sviluppatori professionisti, ciascuno con circa cinque anni di esperienza media sui progetti oggetto della sperimentazione.
Non si trattava quindi di attività artificiali create appositamente per il test. I partecipanti hanno lavorato su 246 task reali, ricavati da problematiche presenti in repository open source con oltre 1,1 milioni di righe di codice.
Le prove prevedevano sessioni di lavoro della durata massima di due ore, svolte alternativamente con il supporto degli strumenti di intelligenza artificiale e senza il loro utilizzo. Un’impostazione pensata per mettere a confronto direttamente i due approcci.
Le aspettative iniziali erano decisamente positive: secondo le previsioni raccolte prima della sperimentazione, l’impiego dell’AI avrebbe dovuto portare a un miglioramento della velocità nell’ordine del 40%.
I dati osservati hanno raccontato però una storia completamente diversa. Nei task analizzati, l’utilizzo degli strumenti di coding AI è stato associato a un aumento del 19% del tempo necessario per completare il lavoro.
Il “perception gap” tra aspettative e risultati
Il dato più interessante della ricerca non riguarda soltanto il rallentamento. A colpire è soprattutto la distanza tra ciò che gli sviluppatori si aspettavano dall’AI e ciò che è effettivamente accaduto durante le sessioni.
Questo divario, definito dagli autori perception gap, mostra come la sensazione di lavorare più rapidamente con un assistente AI non coincida necessariamente con un incremento misurabile della produttività.
La generazione automatica del codice può infatti dare allo sviluppatore un’immediata percezione di efficienza. Una parte del lavoro viene delegata alla macchina e il codice compare rapidamente nell’editor. Ma il processo non termina con la generazione.
Il risultato deve essere compreso, controllato, modificato e inserito correttamente all’interno dell’architettura esistente. Ed è proprio in queste fasi che possono emergere costi aggiuntivi.
Prompt, controlli e modifiche: dove si nasconde il tempo perso
L’analisi delle sessioni, accompagnata da più di 140 ore di registrazioni, ha permesso di osservare con maggiore precisione il comportamento degli sviluppatori durante l’utilizzo dell’AI.
Uno dei fattori considerati riguarda la preparazione dei prompt. Per ottenere una risposta realmente utilizzabile, lo sviluppatore deve fornire all’intelligenza artificiale un contesto adeguato e formulare richieste sufficientemente precise.
C’è poi la fase di verifica. Il codice generato non può essere semplicemente accettato senza controlli: deve essere sottoposto a revisione e valutazione per capire se rispetta i requisiti del task e se può convivere correttamente con il resto del software.
Infine, l’integrazione rappresenta un ulteriore passaggio critico. Inserire una modifica prodotta dall’AI all’interno di una codebase complessa e poco familiare può richiedere una quantità di lavoro significativa.
In altre parole, il tempo risparmiato nella scrittura del codice può essere compensato dalle attività necessarie per verificarlo e adattarlo.
Sviluppatori e AI
Il coding AI non è sempre sinonimo di maggiore produttività
I risultati della ricerca devono comunque essere interpretati nel loro specifico contesto. Gli stessi autori sottolineano infatti che non sarebbe corretto estendere automaticamente le conclusioni a qualsiasi progetto software o a ogni situazione in cui uno sviluppatore utilizza l’intelligenza artificiale.
L’esperimento si è concentrato su repository molto grandi, attività complesse e finestre temporali ristrette. Circostanze che possono rendere più difficile sfruttare efficacemente un assistente AI.
Questo non significa quindi che il coding AI sia destinato a rallentare lo sviluppo software. Piuttosto, lo studio suggerisce che il suo valore debba essere valutato caso per caso.
Uno strumento che funziona molto bene per generare codice ripetitivo o affrontare attività circoscritte potrebbe risultare meno efficace quando deve intervenire su una porzione di software ampia, interconnessa e difficile da comprendere.
Lo sviluppatore resta centrale nel processo
L’esperimento di METR porta quindi l’attenzione su un aspetto fondamentale dell’evoluzione dell’AI nel settore software: generare codice più velocemente non equivale necessariamente a sviluppare più velocemente.
La competenza dello sviluppatore rimane determinante per stabilire come utilizzare l’intelligenza artificiale, quali suggerimenti accettare e quali invece modificare o scartare.
Il coding AI può diventare un prezioso strumento di supporto, ma la produttività reale dipende dall’intero workflow. Prompt, analisi, revisione, debugging, test e integrazione fanno parte dello stesso processo e non possono essere ignorati quando si misura l’efficacia dell’AI.
La ricerca suggerisce dunque di guardare oltre la semplice velocità di generazione del codice. La domanda più importante non è quanto rapidamente un’intelligenza artificiale riesca a scrivere una soluzione, ma quanto valore riesca realmente ad aggiungere al lavoro dello sviluppatore una volta completato l’intero ciclo di sviluppo.