Gli assistenti e gli agenti di programmazione basati sull’AI aumentano in modo netto la quantità di codice prodotta, ma questo non si traduce automaticamente in più funzionalità software completate. È quanto emerge da un recente studio di ricercatori di Harvard, basato sui dati aggregati di centinaia di aziende.
Il collo di bottiglia si sposterebbe nella revisione umana: con più codice da controllare, le pull request richiedono più tempo, più modifiche e più commenti. Nei dati analizzati, la maggiore velocità della scrittura viene quindi assorbita dalle fasi successive del processo.
Più righe di codice e più pull request
La ricerca citata da Ars Technica è firmata da Fiona Chen e James Stratton dell’Università di Harvard. I due autori hanno usato dati analitici aggregati della piattaforma Jellyfish, includendo circa 300 milioni di eventi di lavoro, come commit e pull request, oltre a dati dei software per la gestione delle attività.
Il campione comprende oltre 700.000 dipendenti in più di 700 aziende del software, con informazioni raccolte dal 2021 al marzo 2026. Per valutare l’effetto degli strumenti AI, i ricercatori hanno confrontato i dati prima e dopo l’introduzione, in momenti diversi, di assistenti alla programmazione e agenti capaci di scrivere e proporre codice in autonomia a partire da prompt.
Gli effetti sulla produzione grezza sono rilevanti. Dopo l’adozione degli agenti AI, lo studio rileva in media un aumento del 30% delle righe di codice, del 20% dei commit e del 23% delle pull request. Sono numeri che descrivono un’accelerazione concreta nella fase di sviluppo, almeno se misurata attraverso le attività registrate dai sistemi di controllo versione.
La revisione diventa il passaggio decisivo
Il punto centrale è che il codice generato non coincide con il software consegnato. Gli sviluppatori devono verificare che quanto prodotto sia corretto, coerente con il progetto, sicuro e mantenibile prima che possa entrare nel prodotto. Proprio questa fase, secondo i risultati riportati, si allunga quando arrivano più contributi generati con l’AI.
Le pull request hanno maggiori probabilità di richiedere revisioni e i revisori lasciano più commenti. In altre parole, lo strumento può aumentare il volume di lavoro in ingresso, ma non elimina la necessità del controllo umano; può anzi concentrare una parte maggiore dell’impegno proprio nella valutazione delle modifiche.
La distinzione tra assistenti e agenti conta. I primi aiutano soprattutto a completare codice scritto dall’essere umano, mentre i secondi possono produrre e inviare modifiche in modo prevalentemente autonomo. La ricerca considera entrambe le categorie per individuare quando le organizzazioni le hanno introdotte nei propri flussi di lavoro.
Nessun aumento significativo delle funzionalità completate
Per capire se l’incremento di codice abbia portato a più software effettivamente realizzato, gli autori hanno osservato anche la risoluzione di Issues ed Epics tracciate con strumenti come Jira. Le Issues possono rappresentare attività o problemi, mentre le Epics raggruppano lavori più ampi, come intere funzionalità.
In questo indicatore non è emersa una variazione statisticamente significativa dopo l’introduzione degli strumenti AI. I ricercatori non hanno rilevato neppure un cambiamento nella dimensione o nella complessità delle attività monitorate in Jira che potesse spiegare il risultato.
Lo studio non sostiene che l’AI non sia utile per programmare. Mostra invece che scrivere più codice e aumentare l’output complessivo di un team sono due misure diverse. In un processo dove il codice passa da revisione, correzioni e integrazione, il beneficio locale della generazione automatica può fermarsi prima di diventare un vantaggio visibile per l’intera azienda.
FAQ
Gli agenti AI hanno ridotto l’occupazione nelle aziende analizzate?
Secondo quanto riportato dalla fonte, i ricercatori trovano poche evidenze che l’uso di questi strumenti abbia aumentato l’output software delle aziende o ridotto l’occupazione.
Perché più codice non significa più software?
Perché il codice deve essere esaminato, corretto e integrato. Lo studio individua nella revisione delle pull request un vincolo a valle che assorbe parte dell’efficienza ottenuta nella generazione.
Quali dati sono stati analizzati?
La ricerca usa dati aggregati di Jellyfish su commit, pull request e altri eventi di lavoro, insieme ai dati dei sistemi di gestione delle attività, raccolti in oltre 700 aziende tra il 2021 e marzo 2026.
Considerazioni finali
Il dato più utile dello studio è che rimette al centro una differenza spesso trascurata: la velocità con cui si genera una modifica non misura, da sola, la velocità con cui un’organizzazione realizza software affidabile. Contare righe di codice o commit può descrivere bene l’impatto immediato degli agenti, ma non basta a raccontare il lavoro necessario per trasformarli in una funzione pronta.
La revisione umana non appare come un residuo da aggirare, bensì come il passaggio che determina se il guadagno iniziale diventa un risultato concreto. Finché pull request, correzioni e commenti crescono insieme al codice generato, è lì che va cercato il peso reale degli strumenti AI.