Intelligenza artificiale e produttività sviluppatori: il limite che nessuno dice

Perché l'IA non basta: la curva a J, il 30% e il vero collo di bottiglia nelle aziende tech

L’intelligenza artificiale e produttività sviluppatori è il tema del momento. Ogni azienda sta comprando licenze Copilot, integrando Gemini nei workflow, sperimentando agenti autonomi. Eppure c’è un dato che circola sottovoce nei corridoi delle big tech: il guadagno reale di produttività raramente supera il 30%. E spesso, dopo i primi entusiasmi, le organizzazioni si ritrovano più lente di prima.

Come è possibile?

DORA — il gruppo di ricerca DevOps Research and Assessment — ha una risposta precisa. E non è quella che ti aspetti.

L’IA come amplificatore, non come soluzione

Il primo errore concettuale è trattare l’IA come una soluzione. DORA la definisce un amplificatore: magnifica i punti di forza delle organizzazioni che funzionano già bene, e amplifica le disfunzioni di quelle che arrancano.

Tradotto in pratica: se i tuoi processi di review sono lenti, l’IA produrrà più codice da revisionare lentamente. Se la tua documentazione interna è un disastro, gli agenti genereranno output ridondanti e irrilevanti. Se non hai test automatizzati, ogni PR generata da un agente diventa una bomba a orologeria.

L’IA non risolve i problemi strutturali. Li accelera.

La curva a J: il calo che le aziende non mettono in budget

Ogni trasformazione tecnologica passa attraverso una curva a J: prima di salire, si scende. Si investe tempo per imparare, per integrare, per sbagliare. Il problema è che la maggior parte delle aziende non prevede questo calo nel budget e, quando arriva, lo interpreta come un fallimento dell’IA.

Non lo è. È il costo dell’apprendimento.

DORA è esplicita: il recupero avviene solo se si investe contemporaneamente in testing automatizzato e integrazione continua. Senza queste fondamenta, l’IA aggiunge entropia invece di ridurla.

Intelligenza artificiale produttività sviluppatori: i 5 pilastri che fanno la differenza

Il ROI dell’IA non dipende dallo strumento scelto. Dipende dalla maturità dell’organizzazione in cinque aree critiche:

1. Fiducia. Gli sviluppatori devono potersi fidare dell’output dell’IA senza sprecare ore a verificare ogni riga. DORA chiama questo costo “verification tax”: il tempo consumato a controllare codice che sembra giusto ma potrebbe non esserlo. La leadership deve creare sicurezza psicologica affinché gli ingegneri passino dallo scetticismo manuale a una supervisione efficace.

2. Internal Developer Platform come prodotto. L’IDP deve fornire contesto agli agenti IA. Una piattaforma ben progettata riduce le allucinazioni degli agenti perché fornisce standard e workflow chiari. Senza IDP solido, gli agenti operano nel vuoto.

3. Dati interni accessibili. Gli agenti sono efficaci solo se hanno accesso a documentazione di qualità, API pulite, un ecosistema di dati sano. Senza questo “knowledge graph” interno, l’IA genera codice ridondante che accumula debito tecnico invece di ridurlo.

4. Focus sull’utente reale. La velocità garantita dall’IA deve essere indirizzata alla risoluzione di problemi reali — non all’aumento della frequenza dei commit. Più deploy non significa più valore.

5. Guardrail automatizzati. Bisogna passare dai controlli manuali a security e quality gate non opzionali. — Sono i freni che permettono al motore di andare più veloce in sicurezza.

Il 30%: perché il soffitto è lì

Il guadagno di produttività raramente supera il 30% perché l’IA sposta il collo di bottiglia, non lo elimina. Lo sforzo risparmiato nello scrivere codice viene sostituito dal carico cognitivo necessario per controllare, validare e orchestrare output che sembrano corretti ma richiedono supervisione.

Se non si automatizzano i processi a valle — review, testing, deployment — i guadagni ottenuti a monte evaporano nel caos. Il lavoro umano deve evolversi verso l’orchestrazione di alto livello: fornire agli agenti contesto aziendale preciso, mantenere supervisione rigorosa, interpretare i segnali che la macchina non sa leggere.

Non licenziare nessuno. Reinvesti.

Una delle raccomandazioni più forti è controintuitiva: non usare i guadagni di produttività per ridurre il personale.

La riduzione del team danneggia il morale, riduce l’efficienza collettiva e incentiva le persone a non migliorare i processi — perché migliorare significherebbe rendersi sostituibili. Il tempo risparmiato va visto come “headcount gratuito” da reinvestire in nuove funzionalità e innovazione. La conoscenza istituzionale delle persone è l’unica cosa che permette di auditare correttamente il codice generato dall’IA.

Misura i colli di bottiglia, non il codice scritto

L’ultimo errore sistematico è misurare l’IA dalla quantità di codice prodotto. DORA suggerisce di misurare i colli di bottiglia che rimuove: Lead Time for Changes, Deployment Frequency, Change Failure Rate, Failed Deployment Recovery Time.

E soprattutto: la frequenza di sperimentazione. L’IA riduce il costo della prototipazione. Le aziende che la usano per testare molteplici varianti in produzione — investendo pesante solo su ciò che gli utenti validano — ottengono un vantaggio competitivo reale e misurabile.

Quanto tempo sta passando la tua organizzazione a misurare righe di codice invece di impatto reale sugli utenti?

Rif per pil post: https://dora.dev/