Il numero di pull request generate ogni giorno in aziende come Spotify è aumentato del 76% da quando i loro ingegneri usano agenti AI. Al contempo, trovare il primo lavoro come sviluppatore junior richiede oggi più tempo che in qualsiasi altro momento degli ultimi dieci anni. Due fatti che raccontano una storia molto più complessa di quella che i titoli sui giornali vogliono far credere.
Come l'intelligenza artificiale ha cambiato lo sviluppo software
Fino a pochi anni fa, la maggior parte degli sviluppatori considerava l'AI un'innovazione interessante ma distante dal lavoro quotidiano. Le prime versioni di GitHub Copilot autocompletevano singole righe di codice, mentre ChatGPT aiutava a spiegare messaggi di errore o generare script semplici. Parlare di sostituzione degli ingegneri software sembrava prematuro.
tutto cambiato rapidamente nel 2023 con il rilascio di GPT-4, seguito da Claude 3, Gemini, Cursor, Windsurf e una nuova generazione di strumenti di sviluppo basati su AI. Per la prima volta, gli sviluppatori potevano fare molto di più che generare frammenti di codice isolati: conversazioni continue con un modello linguistico, raffinazione iterativa delle soluzioni, correzione di bug, discussione di decisioni architetturali, pianificazione della struttura di un'intera applicazione.
La svolta si è intensificata con l'emergere degli agenti AI di coding. A differenza dei chatbot tradizionali, questi agenti interagiscono attivamente con il codebase: analizzano progetti esistenti, creano nuovi file, eseguono comandi terminal, lanciano suite di test, correggono errori di compilazione e aprono pull request automaticamente. I modelli linguistici di grandi dimensioni si sono evoluti da assistenti di ricerca a partecipanti attivi nel processo di sviluppo software.
Il ruolo dello sviluppatore si sta gradualmente spostando dalla scrittura del codice verso la definizione dei requisiti, la validazione della qualità, le decisioni architetturali e la verifica che le soluzioni generate si integrino correttamente nel sistema più ampio. Questa trasformazione spiega perché ogni grande azienda tecnologica sta investendo risorse enormi in AI: Microsoft espande Copilot, Google integra Gemini nell'intero ecosistema, Amazon sviluppa assistenti di ingegneria AI proprietari, Meta embedda AI generativa nei workflow interni, mentre OpenAI e Anthropic competono per diventare la piattaforma principale per lo sviluppo software assistito da AI.
Come le Big Tech stanno adottando l'AI
Ogni azienda sta seguendo un approccio leggermente diverso: alcune si concentrano sulla produttività degli sviluppatori, altre stanno riprogettando i processi interni di ingegneria, mentre un numero crescente considera la competenza AI una capacità professionale fondamentale.
Shopify: AI prima, assunzioni dopo
Uno degli esempi più emblematici è Shopify. Nella primavera del 2025, il CEO ha pubblicato un memo interno diventato presto pubblico: usare l'AI doveva diventare una competenza core per ogni dipendente. Più importante: prima di richiedere nuovo personale o aprire una nuova posizione, i manager dovevano dimostrare che il lavoro non poteva essere completato efficacemente con l'assistenza AI. In altre parole, Shopify ha cambiato fondamentalmente il proprio approccio: AI first, assunzioni second.
Duolingo e il modello AI-first
Duolingo ha adottato una strategia simile annunciando la transizione verso un'organizzazione AI-first. L'azienda ha spiegato che i processi aziendali futuri sarebbero stati progettati tenendo conto delle capacità AI e che l'uso efficace dell'AI sarebbe diventato una delle competenze chiave richieste ai dipendenti. Dopo le critiche pubbliche, Duolingo ha ammorbidito parte del messaggio iniziale, ma la direzione è rimasta invariata: l'AI è ora parte integrante del lavoro quotidiano.
Microsoft, Amazon e Meta
Presso Microsoft, l'AI non è più vista come prodotto standalone. GitHub Copilot è diventato un componente centrale dell'ecosistema di ingegneria, usato da milioni di sviluppatori in tutto il mondo. I dirigenti Microsoft hanno ripetutamente affermato che l'AI dovrebbe diventare per gli ingegneri software altrettanto essenziale quanto un IDE moderno o un sistema di version control.
Amazon ha espresso una visione simile: l'AI generativa viene introdotta in quasi ogni unità di business, con l'aspettativa che team di ingegneria relativamente piccoli possano alla fine consegnare lavoro che richiedeva precedentemente organizzazioni molto più grandi.
Meta ha scelto un approccio diverso. Invece di concentrarsi esclusivamente sulla generazione di codice, l'azienda enfatizza l'automazione dei workflow di ingegneria interni: AI per la revisione della documentazione, l'elaborazione di richieste interne ripetitive, l'assistenza nel processo di code review e l'automazione di numerose attività di routine.
Spotify e la piattaforma Honk
L'esempio più interessante arriva da Spotify. L'azienda ha sviluppato una propria piattaforma di ingegneria AI interna chiamata Honk. Secondo informazioni disponibili pubblicamente, la stragrande maggioranza degli ingegneri Spotify usa regolarmente modelli AI e agenti di coding come parte del workflow quotidiano. Da quando questi strumenti sono stati introdotti, il numero di pull request create dagli sviluppatori è aumentato di circa il 76%, mentre agenti AI interni generano e fondono automaticamente migliaia di modifiche al codice nei repository dell'azienda. La dirigenza tecnica di Spotify ha dichiarato apertamente che il collo di bottiglia principale non è più scrivere codice, ma revisionare, validare e mantenere il volume crescente di modifiche generate.
Lo stesso trend si osserva nell'industria più ampia: Google ha riferito che una quota significativa del nuovo codice viene ora generata con assistenza AI; Anthropic ha affermato che Claude produce una grande parte del codice interno dell'azienda; monday.com ha riportato pubblicamente miglioramenti di produttività degli sviluppatori superiori al 30%.
Tuttavia, emergono anche problemi inaspettati. Le aziende che adottano l'AI più rapidamente incontrano effetti collaterali imprevisti: crescita del debito tecnico, codebase sempre più complesse, carichi di lavoro di code review più pesanti e nuove sfide di manutenzione che quasi non esistevano pochi anni fa.
La bolla AI: hype eccessivo o prossima rivoluzione industriale?
Man mano che l'AI si embedda sempre più nello sviluppo software, una domanda sta guadagnando terreno: stiamo assistendo alla formazione di una bolla AI?
Le opinioni sono profondamente divise. Alcuni credono che l'AI rappresenti la svolta tecnologica più significativa dall'ascesa di internet. Altri argomentano che il mercato ha iniziato ad assegnare centinaia di miliardi di dollari di valore ad aziende AI molto prima che molte di esse abbiano stabilito modelli di business sostenibili.
Queste preoccupazioni non sono groundless. Negli ultimi due anni, le più grandi aziende tecnologiche hanno annunciato investimenti record in infrastrutture AI. Microsoft, Google, Amazon e Meta stanno collettivamente spendendo decine di miliardi di dollari ogni anno per costruire nuovi data center, acquistare GPU NVIDIA e sviluppare modelli foundation sempre più potenti. Combinati, questi investimenti ammontano già a centinaia di miliardi.
Al contempo, le valutazioni nel settore AI continuano a salire a un ritmo straordinario. OpenAI si è evoluta da laboratorio di ricerca a una delle aziende private più preziose al mondo in pochi anni, mentre Anthropic ha raccolto miliardi in finanziamenti e ha raggiunto una delle traiettorie di crescita più rapide che l'industria software abbia mai visto.
Il problema della redditività
Nonostante generino miliardi di entrate, molte aziende che costruiscono modelli AI di grandi dimensioni restano non redditizie. Una quota significativa del loro reddito viene immediatamente reinvestita nell'addestramento di modelli più recenti, nell'espansione dell'infrastruttura computing, nell'acquisto di GPU e nella copertura degli enormi costi operativi richiesti per servire sistemi AI sempre più capaci. Ogni nuova generazione di modelli frontier diventa più costosa da costruire e spesso più costosa da operare.
Un altro motivo per cui la discussione sulla "bolla AI" è diventata così diffusa è che il mercato odierno è guidato principalmente dalle aspettative piuttosto che dalle performance finanziarie attuali. Gli investitori valutano le aziende AI in base alla dimensione del mercato che potrebbero dominare tra cinque o dieci anni, non in base agli utili di oggi. L'industria tecnologica ha vissuto periodi simili prima, più emblematicamente durante il boom delle dot-com alla fine degli anni '90, quando le aspettative di mercato superavano drammaticamente i fondamentali del business.
Tuttavia, comparare direttamente l'industria AI odierna con la bolla delle dot-com sarebbe una semplificazione eccessiva. A differenza di molte startup internet di quell'epoca, le aziende AI leader di oggi hanno già prodotti reali, milioni di utenti attivi e ricavi ricorrenti sostanziali. L'AI non è più limitata ai chatbot: sta trasformando attivamente lo sviluppo software, la ricerca, l'assistenza sanitaria, la ricerca scientifica, la finanza, la manifattura e la cybersecurity.
Vale anche la pena ricordare che una parte considerevole degli investimenti odierni non è limitata ai modelli linguistici. Una quota significativa va in infrastrutture a lungo termine: data center, piattaforme cloud, networking e cluster di computing su larga scala. Anche se l'attuale ondata di entusiasmo per l'AI alla fine si affievolisse, questa infrastruttura probabilmente resterà preziosa per molti anni.
Personalmente, non credo che il rischio principale sia se la bolla AI eventualmente scoppierà. La domanda più importante è quali aziende useranno l'attuale ondata di investimenti per costruire business sostenibili e quali diventeranno troppo dipendenti dall'hype.
Come l'AI sta ridisegnando il mercato del lavoro degli sviluppatori
Seguendo le discussioni all'interno della comunità di ingegneria del software, è facile concludere che ogni sfida affrontata dal mercato del lavoro odierno sia il risultato diretto dell'AI. In realtà, il quadro è molto più complesso.
Il rallentamento è iniziato ben prima dell'adozione diffusa dell'AI generativa. Dopo il boom delle assunzioni durante la pandemia COVID, molte aziende si sono trovate sotto pressione per ridurre i costi. Tassi d'interesse in aumento, declino dell'attività di venture capital, finanziamenti ridotti per le startup e un ambiente di business più cauto hanno tutti contribuito a un raffreddamento del mercato del lavoro. La grave carenza di talenti che aveva definito il decennio precedente è gradualmente iniziata a scomparire.
Fu esattamente in questo momento che gli strumenti AI moderni entrarono nell'industria.
Per le aziende, la tempistica non avrebbe potuto essere migliore. Invece di espandere continuamente i team di ingegneria, le aziende improvvisamente avevano l'opportunità di aumentare la produttività degli sviluppatori che già impiegavano. Compiti che precedentemente richiedevano l'assunzione di ingegneri aggiuntivi potevano ora essere completati, almeno parzialmente, con l'aiuto di assistenti di coding AI e agenti autonomi.
L'impatto sui junior
L'impatto è stato più visibile a livello entry-level.
Tradizionalmente, gli ingegneri software junior costruivano le loro carriere lavorando su compiti relativamente semplici che consegnavano valore al business mentre li aiutavano ad acquisire esperienza pratica. Correzione di bug, servizi CRUD, test automatizzati, documentazione, API semplici e piccoli refactoring di codice legacy servivano come terreno di formazione dell'industria. È qui che la maggior parte degli ingegneri ha imparato come funzionano i progetti software reali.
Ironicamente, questi sono esattamente i tipi di compiti che i moderni modelli linguistici eseguono remarkably bene. I sistemi AI odierni possono generare boilerplate, scrivere unit test, produrre documentazione e correggere bug relativamente semplici in pochi minuti. Di conseguenza, molte aziende scelgono di integrare team ridotti di ingegneri esperti con l'AI invece di aprire posizioni junior aggiuntive.
Questo aiuta a spiegare perché entrare nell'industria sia diventato significativamente più difficile di pochi anni fa. La competizione per stage e ruoli entry-level continua ad aumentare, mentre i datori di lavoro si aspettano che i candidati dimostrino un insieme di competenze molto più ampio, anche prima di ottenere la loro prima esperienza professionale.
Il paradosso delle competenze
Ogni ingegnere software senior è stato una volta uno sviluppatore junior. Gli ingegneri esperti non appaiono dal nulla dopo la laurea o un corso online. Sviluppare un forte giudizio ingegneristico richiede anni di lavoro su sistemi di produzione, partecipazione a code review, correzione di bug reali, comprensione di architetture complesse e apprendimento accanto a colleghi più esperti.
Se l'industria rimuove gradualmente molte di queste opportunità entry-level, meno sviluppatori avranno la possibilità di seguire lo stesso percorso.
Si crea un paradosso. Da un lato, le aziende hanno sempre più bisogno di ingegneri esperti capaci di progettare architetture scalabili, prendere decisioni tecniche e sfruttare efficacemente strumenti di sviluppo alimentati da AI. Dall'altro, molti dei compiti che storicamente aiutavano gli sviluppatori junior a diventare ingegneri senior vengono ora automatizzati da quegli stessi sistemi AI.
Il risultato è un problema a lungo termine nella pipeline dei talenti. Le aziende potrebbero ridurre la domanda di sviluppatori junior oggi mentre riducono simultaneamente il bacino di ingegneri che sarebbero diventati collaboratori senior tra cinque o dieci anni.
A mio avviso, questo potrebbe diventare una delle conseguenze a lungo termine più significative dell'adozione diffusa dell'AI. Se l'attuale trend continua, l'eccesso di offerta di sviluppatori di oggi potrebbe alla fine trasformarsi in una carenza di ingegneri altamente esperti. Costruire competenza ingegneristica richiede anni di esperienza pratica, un processo che non può essere accelerato facilmente come la generazione di codice.
Il costo nascosto dello sviluppo assistito da AI: quando scrivere codice diventa più facile che mantenerlo
Ascoltando i leader ingegneristici delle principali aziende tecnologiche, un trend diventa immediatamente evidente. Quasi nessuno contesta che l'AI abbia accelerato drammaticamente lo sviluppo software. Invece, una domanda diversa sta iniziando a dominare le discussioni ingegneristiche: cosa facciamo con l'enorme quantità di codice che stiamo producendo ogni giorno?
Il problema fondamentale è sorprendentemente semplice. Mentre la velocità di scrittura del codice è aumentata drammaticamente, la velocità di comprensione, revisione, testing e manutenzione di quel codice è appena cambiata.
Fino a poco tempo fa, implementare una nuova funzionalità poteva richiedere a uno sviluppatore ore o anche giorni. Oggi, un agente AI di coding può generare un'implementazione equivalente in pochi minuti. Ma generare codice è solo l'inizio del processo ingegneristico.
Ogni riga di codice deve ancora passare attraverso code review, testing automatizzato, validazione architetturale e verifica rispetto ai requisiti di business. Di conseguenza, il collo di bottiglia principale nello sviluppo software moderno si sta gradualmente spostando dalla generazione del codice verso la capacità del team di validare la qualità del codice.
Code review: il nuovo collo di bottiglia
Dopo l'adozione di strumenti di sviluppo alimentati da AI, molte aziende hanno riportato un sostanziale aumento nel numero di pull request sottoposte dagli sviluppatori. Spotify ha condiviso pubblicamente che l'adozione AI ha aumentato significativamente il volume di pull request nell'intera organizzazione ingegneristica. Gli agenti AI di coding tendono anche a generare molte piccole modifiche incrementali invece di poche modifiche più sostanziali, lasciando agli ingegneri decine di richieste di review piuttosto che una manciata di contributi rilevanti.
All'inizio, questo potrebbe sembrare un cambiamento positivo: pull request più piccole sono generalmente più facili da revisionare. In pratica, tuttavia, il loro volume complessivo cresce così rapidamente che la code review stessa diventa una delle fasi più costose del processo di sviluppo.
Non molto tempo fa, la più grande sfida dell'industria era scrivere software abbastanza velocemente. Oggi, la domanda più pressante è diventata: come revisioniamo tutto questo?
L'evoluzione della code review
La code review stessa è cambiata fondamentalmente. Gli agenti AI moderni sono notevolmente bravi a produrre codice pulito e ben formattato. Seguono le convenzioni di naming, mantengono una formattazione consistente, generano commenti e spesso producono implementazioni che appaiono professionali a prima vista.
Ironicamente, questo è esattamente ciò che rende la revisione del codice generato da AI più difficile. I reviewer dedicano meno tempo a cercare errori di sintassi o errori di formattazione e molto più tempo a valutare decisioni architetturali, verificare la logica di business, identificare subtili casi limite e assicurarsi che il nuovo codice si integri pulitamente con il resto del sistema. La code review sta gradualmente evolvendo dalla verifica del codice alla validazione ingegneristica.
Il debito tecnico accelerato
Un'altra preoccupazione crescente è l'accumulo rapido di debito tecnico. Il costo di scrivere nuovo codice non è mai stato così basso. Compiti che richiedevano una volta una considerazione attenta — creare un altro microservizio, introdurre un ulteriore livello di astrazione, aggiungere una libreria helper o costruire un nuovo strumento interno — possono ora essere completati in pochi minuti. Di conseguenza, gli ingegneri diventano naturalmente più disposti a creare nuovo codice piuttosto che riutilizzare o semplificare soluzioni esistenti.
Il rovescio della medaglia è prevedibile. Le organizzazioni accumulano più codice legacy, più workaround temporanei, più servizi utility, più astrazioni e più soluzioni sperimentali di quanto non abbiano mai fatto prima. Molte di queste decisioni sembrano perfettamente ragionevoli quando vengono prese. Anni dopo, tuttavia, spesso diventano la fonte di complessità architetturale, costi di manutenzione crescenti e frustrazione crescente degli sviluppatori.
In molti modi, l'AI non ha eliminato il debito tecnico: lo ha semplicemente reso molto più facile da creare.
La coerenza in codebase in crescita
Un'altra sfida è mantenere la coerenza in una codebase in crescita. Anche quando ogni ingegnere usa lo stesso strumento AI, gli sviluppatori scrivono prompt diversi, si affidano a modelli diversi e accettano suggerimenti diversi. Nel tempo, lo stesso tipo di funzionalità potrebbe essere implementato in modi completamente diversi.
Di conseguenza, diventa sempre più difficile preservare:
- Uno stile di codifica coerente nell'organizzazione
- Convenzioni di naming condivise
- Una struttura di progetto coerente
- Standard di documentazione e commenti
- Pattern consistenti di gestione degli errori
- Principi architetturali unificati
Questi problemi possono essere quasi invisibili in piccoli progetti. In prodotti grandi sviluppati da centinaia di ingegneri, tuttavia, diventano gradualmente un ostacolo significativo. I nuovi membri del team hanno bisogno di più tempo per capire il sistema, implementare nuove funzionalità diventa sempre più difficile e gli ingegneri esperti dedicano più del loro tempo a ripulire codice esistente invece di costruire nuove funzionalità.
La dipendenza dagli strumenti AI
Un'altra sfida emergente è la crescente dipendenza dagli strumenti AI stessi. Fino a pochi anni fa, lo sviluppo software era principalmente vincolato dalla capacità degli sviluppatori, dalla connettività internet o dalla disponibilità dell'infrastruttura di produzione. Oggi, la produttività ingegneristica dipende sempre più dalla disponibilità di modelli linguistici e agenti di coding AI.
Molte organizzazioni hanno integrato l'AI così profondamente nei loro workflow di sviluppo che interruzioni temporanee dei servizi, fallimenti API o quote di token esaurite possono rallentare visibilmente il lavoro ingegneristico. I team enterprise operano sempre più con budget di token fissi e durante periodi di sviluppo intenso questi limiti potrebbero essere raggiunti ben prima della fine del ciclo di fatturazione.
Ogni interazione con un modello AI avanzato consuma risorse computazionali. Un singolo sviluppatore può generare centinaia di migliaia — o anche milioni — di token ogni giorno. Alla scala di una grande organizzazione ingegneristica, questo si traduce in centinaia di milioni di token quotidiani e spese significative di infrastruttura.
La mia prospettiva: cosa viene dopo per l'AI e l'industria software
Non credo che l'intelligenza artificiale sia solo un altro trend tecnologico che scomparirà tra qualche anno. Al contrario: l'AI generativa è qui per restare. È già parte del nostro workflow quotidiano e sospetto che alla fine la penseremo come pensiamo agli IDE, a Git, alle pipeline CI/CD o all'infrastruttura cloud oggi: non come qualcosa di rivoluzionario, ma semplicemente come un altro strumento essenziale che ogni ingegnere software usa.
Ciò che credo, tuttavia, è che l'attuale livello di eccitazione intorno all'AI non durerà per sempre. Oggi, quasi ogni prodotto cerca di posizionarsi come "AI-powered". Le startup attirano investimenti enormi semplicemente promettendo di incorporare AI nei loro prodotti, mentre le più grandi aziende tecnologiche del mondo continuano a investire centinaia di miliardi di dollari in data center, GPU e infrastrutture AI.
Il ciclo si ripeterà
Abbiamo visto questo pattern prima. L'industria tecnologica ha già vissuto la bolla delle dot-com, il boom della blockchain, l'hype del metaverso e innumerevoli altre ondate tecnologiche più piccole. Ognuna di esse ha attraversato un periodo di aspettative inflazionate prima di stabilizzarsi in un posto più realistico all'interno dell'industria.
Per questo motivo, non mi sorprenderebbe se il mercato AI attraversasse una correzione significativa entro la fine di questo decennio. Questo non significa che l'AI scomparirà. Non significa che i modelli linguistici di grandi dimensioni diventeranno improvvisamente inutili. Ciò che probabilmente scomparirà è l'hype. Molte aziende il cui business esiste principalmente perché possono attaccare le lettere "AI" ai loro prodotti potrebbero avere difficoltà a sopravvivere. Gli investitori diventeranno più selettivi, i finanziamenti dipenderanno sempre più da modelli di business sostenibili piuttosto che da promesse audaci e gli stipendi per gli specialisti AI potrebbero gradualmente avvicinarsi al mercato più ampio dell'ingegneria software.
L'intelligenza artificiale smetterà di essere il trend più caldo della tecnologia. Diventerà semplicemente un'altra specializzazione all'interno dell'industria software.
Il momento in cui l'AI diventa "normale"
Ironicamente, credo che sia allora che le cose diventeranno veramente interessanti. Negli ultimi anni abbiamo imparato a produrre software molto più velocemente di prima. Allo stesso tempo, abbiamo anche imparato a generare debito tecnico a un ritmo senza precedenti. Migliaia di nuovi servizi, strumenti interni, librerie helper, workaround temporanei, moduli poco documentati e implementazioni generate da AI non andranno da nessuna parte. Rimarranno dentro i sistemi bancari, le piattaforme di e-commerce, i servizi governativi, le applicazioni enterprise e i prodotti mobile.
Entro pochi anni, il codice generato da AI di oggi diventerà il codice legacy di domani. Alla fine, le aziende realizzeranno che scrivere software è solo una piccola parte del suo ciclo di vita. Mantenere quel software per i prossimi dieci o quindici anni potrebbe alla fine costare molto di più che scriverlo inizialmente.
Ecco perché mi aspetto che l'attenzione dell'industria si sposti gradualmente. Invece di investire principalmente nella generazione di nuovo codice, le organizzazioni investiranno sempre più nella manutenzione, semplificazione, refactoring e modernizzazione degli enormi codebase creati durante la prima ondata di sviluppo assistito da AI.
Il paradosso del prossimo ciclo di assunzioni
Paradossalmente, questo potrebbe diventare il catalizzatore del prossimo boom di assunzioni dell'industria software. Se le mie ipotesi sono corrette, la domanda di ingegneri software eventualmente crescerà di nuovo, ma non necessariamente per sviluppatori la cui responsabilità principale è scrivere nuove funzionalità.
Gli ingegneri più preziosi saranno quelli capaci di navigare sistemi legacy complessi, comprendere architetture su larga scala, prendere decisioni tecniche sensate e trasformare gradualmente codebase caotiche in software mantenibile. Questo è uno dei motivi principali per cui non credo che l'AI sostituirà gli ingegneri software. Credo che cambierà l'aspetto dell'ingegneria software.
Il coding di routine diventerà meno prezioso. Il giudizio ingegneristico diventerà molto più prezioso:
- Architettura
- Pensiero sistemico
- Comprensione dei requisiti di business
- Compromessi tecnici consapevoli
- Comunicazione con gli stakeholder
- Responsabilità per le decisioni tecniche
Queste sono le competenze che rimangono estremamente difficili da automatizzare.
L'industria sta ottimizzando, ma la storia è ciclica
Se sei preoccupato per il mercato del lavoro odierno, non vedrei la situazione attuale come la fine della professione. Più probabilmente, stiamo semplicemente attraversando un altro ciclo tecnologico. Proprio adesso, l'industria sta ottimizzando. La storia suggerisce che periodi come questo sono quasi sempre seguiti da nuove fasi di crescita.
Quel futuro potrebbe avere un aspetto molto diverso da quello che conoscevamo un decennio fa. Probabilmente scriveremo meno boilerplate code, collaboreremo con agenti AI molto più frequentemente e dedicheremo molto più tempo alla progettazione di sistemi che alla digitazione di codice.
Ma non credo che il bisogno di ingegneri software eccezionali stia scomparendo.
Non pensare all'AI come a una soluzione magica
L'intelligenza artificiale non elimina la necessità di comprendere l'architettura del software. Non sostituisce code review attente. Non previene il debito tecnico. E certamente non si assume la responsabilità per la qualità del prodotto finale.
L'AI è solo un altro strumento ingegneristico. Notevolmente potente. Incredibilmente utile. Ma ancora... solo uno strumento. Come ogni strumento professionale, offre il massimo valore solo quando viene usato da qualcuno che capisce non solo come usarlo, ma anche quando usarlo — e, altrettanto importante, quando non usarlo.
L'industria tecnologica sta attraversando una delle sue trasformazioni più significative. L'AI ha cambiato le regole del gioco in termini di velocità di generazione del codice, ma ha anche introdotto sfide che stiamo solo iniziando a comprendere. Il mercato del lavoro è in una fase di assestamento difficile, soprattutto per chi è all'inizio della carriera. E la bolla dell'entusiasmo AI potrebbe, nel giro di pochi anni, sgonfiarsi fino a rendere l'AI semplicemente "un'altra cosa che si usa nel lavoro di tutti i giorni".
Detto questo, la mia valutazione è che l'AI non è né la salvezza né la rovina dell'industria software. È uno strumento potente che premia chi lo sa usare con criterio. Gli ingegneri che sapranno distinguere quando l'AI è utile e quando è controproducente, che manterranno vive le competenze di architettura e pensiero sistemico, e che non si affideranno ciecamente alla generazione automatica, saranno quelli con le migliori prospettive. Gli altri rischiano di trovarsi nella posizione di chi sa usare benissimo un martello, ma non sa più costruire una casa.