Evoluzione del codice e centralità del giudizio: cosa succede a una codebase dopo mesi di sviluppo assistito dall'AI

• Il 90% degli sviluppatori professionisti usa oggi agenti AI almeno una volta a settimana; il 46% del codice che producono è generato interamente dall'AI.
• Un esperimento controllato (METR) mostra che gli stessi strumenti, su codebase mature e complesse, possono rallentare gli sviluppatori più esperti del 19%, pur facendoli sentire più veloci.
• Il report DORA 2025-2026 di Google conferma un pattern simile su scala globale: a fronte di guadagni marginali di qualità, la stabilità delle release cala e il 39% degli sviluppatori dichiara poca o nessuna fiducia nel codice generato dall'AI.
• SIG stima che l'86% del codice enterprise resti sotto la soglia di manutenibilità raccomandata, e che il codice AI presenti circa il doppio delle violazioni di sicurezza rispetto al codice scritto da persone.
• Il punto critico si sta spostando da "quanto in fretta si scrive codice" a "chi lo verifica, lo integra e se ne assume la responsabilità".

Per questa ricerca l'Osservatorio NetStrategy ha incrociato fonti pubbliche indipendenti, di natura sia quantitativa su larga scala sia sperimentale:

• la Developer Ecosystem Survey 2026 di JetBrains, decima edizione dell'indagine, condotta su oltre 15.000 sviluppatori professionisti nel mondo;
• il report State of Software 2026 di SIG, basato sul benchmark proprietario di oltre 30.000 sistemi enterprise;
• il report State of AI-assisted Software Development di DORA (Google Cloud), che dal 2014 misura le performance dei team di sviluppo su scala globale;
• lo studio di METR, unico tra quelli citati a impiego di un disegno sperimentale randomizzato (RCT) anziché di un sondaggio auto-riportato;
• l'Agentic Coding Trends Report di Anthropic sul cambiamento delle competenze richieste agli sviluppatori;
• le previsioni di Gartner sull'adozione dell'AI agentica nel software enterprise e l'analisi di GitClear su oltre 200 milioni di righe di codice.

Si tratta di fonti con metodologie diverse tra loro (survey auto-riportate, benchmark proprietari, un esperimento controllato), ed è proprio l'incrocio a rendere il quadro interessante: dove le fonti convergono, il segnale è più solido; dove divergono, la divergenza stessa è un dato.

I numeri sull'adozione dell’AI sono chiari e precisi. Secondo JetBrains, tra maggio e luglio 2026 il 90% degli sviluppatori professionisti utilizzava agenti AI per programmare almeno una volta a settimana, e il 68% ogni giorno. 

Claude Code, in particolare, è passato dal 18% di adozione a gennaio 2026 al 39% a livello globale in pochi mesi, arrivando al 47% negli Stati Uniti, quasi il doppio di GitHub Copilot, che fino a poco tempo fa era il tool di riferimento del mercato.

Le stesse rilevazioni JetBrains restituiscono un dato ancora più interessante sulla composizione del lavoro quotidiano. Gli sviluppatori dichiarano che: 

• il 46% del codice che producono è generato interamente dall'AI; 
• il 39% è scritto con assistenza AI;
• il 27% è scritto interamente a mano.

La scrittura manuale del codice, come attività quotidiana, si è già ridotta a una minoranza del lavoro. Il dato di adozione, però, racconta solo metà della storia, perché adottare uno strumento e ottenerne un beneficio misurabile sono due cose diverse, come mostra la sezione successiva.

In questo punto la ricerca smentisce un’idea molto diffusa: l'impiego dell'intelligenza artificiale non accelera necessariamente i processi di sviluppo.

METR, organizzazione di ricerca no-profit, ha condotto un esperimento controllato randomizzato (RCT), ovvero un test sul campo, su 16 sviluppatori open source esperti (in media 5 anni di contributi sui rispettivi progetti), assegnando in modo casuale 246 task reali con o senza il permesso di usare strumenti AI.

Prima di iniziare, gli sviluppatori avevano previsto che l'AI avrebbe ridotto i loro tempi di completamento del 24%. 

Il risultato osservato è stato l'opposto: quando potevano usare l'AI, gli sviluppatori impiegavano il 19% di tempo in più, non di meno. E anche dopo aver sperimentato di persona questo rallentamento, hanno continuato a percepire (erroneamente) di essere stati più veloci del 20%.

Il divario tra percezione e realtà è il dato più citato dello studio, ma quello operativo è altrettanto rilevante: su codebase grandi, mature e che gli sviluppatori già conoscevano bene, l'AI ha introdotto un costo cognitivo (tempo speso a formulare prompt, attendere risposte, valutare output plausibili ma non corretti) che ha superato il tempo risparmiato nella scrittura.

Il report DORA 2025-2026 di Google, costruito su un campione molto più ampio (decine di migliaia di professionisti), converge su un pattern simile pur con metodologia diversa: a fronte di guadagni reali ma contenuti (+7,5% nella qualità della documentazione, +3,4% nella qualità del codice, +3,1% nella velocità di code review), il report registra un calo dell'1,5% nel throughput di delivery e una riduzione del 7,2% nella stabilità delle release per ogni incremento del 25% nell'adozione AI. Il 39% degli intervistati dichiara inoltre poca o nessuna fiducia nel codice generato dall'AI.

Nathen Harvey, lead di DORA, ha rivelato che non è ancora chiaro cosa causi esattamente questi cali, ma è probabile che parte del codice scritto dall'AI debba essere corretto prima di andare in produzione, un'ipotesi coerente con quanto emerge dal capitolo successivo.

Se METR e DORA misurano la velocità, SIG misura cosa resta dopo. Il benchmark 2026, costruito su oltre 400 miliardi di righe di codice, mostra che il codice generato dall'AI presenta oggi circa il doppio delle violazioni di sicurezza rispetto al codice scritto da persone, e che più della metà del codice AI analizzato contiene almeno una vulnerabilità.

Alcuni numeri chiave del report:

• l'86% del codice nel benchmark è sotto la soglia di manutenibilità raccomandata da SIG;
• il 50% è sotto la soglia raccomandata per l'architettura, mentre un'architettura solida riduce i tempi di risoluzione dei problemi del 30%;
• il 71% del codice mostra un basso livello di controlli di sicurezza;
• ridurre il debito tecnico a livello di codice può far risparmiare, secondo le stime SIG, fino a 870.000 euro l'anno in tempo sviluppatore per singolo sistema.

C'è poi un limite di scala che SIG isola con precisione: superata la soglia delle 100.000 righe di codice, i guadagni di produttività dell'AI tendono a collassare, perché i modelli non riescono più a comprendere adeguatamente l'architettura complessiva del sistema, un limite che aiuta a spiegare perché il rallentamento osservato da METR riguardasse proprio sviluppatori su codebase grandi e mature.

Il report SIG descrive anche un pattern comportamentale particolare: gli sviluppatori generano più codice per soddisfare metriche guidate dall'AI, per poi passare più tempo (e più token) a correggerlo. Un fenomeno che rischia di erodere buona parte del guadagno di produttività promesso dagli strumenti agentici.

I numeri sui costi confermano la tendenza: per un team di 50 sviluppatori che usa strumenti AI non agentici, la spesa in token oggi equivale quasi al costo di un ulteriore sviluppatore in organico. I task agentici, poi, possono consumare fino a 1.000 volte più token rispetto a una semplice interazione conversazionale con un modello.

A questo si somma un indicatore osservato da una fonte indipendente dalle precedenti: l'analisi di GitClear su oltre 200 milioni di righe di codice mostra che il "code churn", ovvero la percentuale di codice riscritta entro due settimane dalla sua creazione, è salito dal 3,1% del 2020 al 5,7% del 2024, in parallelo alla crescita dell'adozione AI. 

Questo significa che il codice si itera più rapidamente, e che quell'operazione ha un costo (in tempo, token e revisione) che va misurato. 

Il secondo fenomeno che l'Osservatorio ha voluto isolare riguarda il ruolo stesso dello sviluppatore. 

Il passaggio è ben descritto nell'Agentic Coding Trends Report di Anthropic: gli sviluppatori integrano oggi l'AI in circa il 60% del proprio lavoro, ma riescono a delegare completamente solo tra lo 0% e il 20% dei task. Per tutto il resto (la stragrande maggioranza) l'AI resta uno strumento, mentre la responsabilità sull'output resta umana, con una supervisione attiva stimata tra l'80% e il 100% di ciò che viene delegato.

Il report descrive questo passaggio come una trasformazione strutturale del ruolo: il compito primario dello sviluppatore diventa orchestrare agenti AI che scrivono codice, valutarne l'output, fornire direzione strategica e garantire che il sistema risolva il problema giusto. 

In molte organizzazioni questo si traduce già in workflow multi-agente: un singolo sviluppatore coordina in parallelo un agente per l'architettura, uno per l'implementazione, uno per i test, uno per la code review.

Questo è coerente con le previsioni di Gartner, secondo cui entro il 2028 il 33% delle applicazioni enterprise integrerà AI agentica (contro meno dell'1% nel 2024), abilitando il 15% delle decisioni operative quotidiane in autonomia. Anche in quello scenario, però, la quota di decisioni realmente autonome resta minoritaria: la maggioranza continua a passare da una supervisione umana.

Mettendo insieme questi dati emerge un quadro meno lineare del racconto "l'AI sostituisce i programmatori". Emerge piuttosto una polarizzazione delle competenze, con l'esperimento METR come caso limite: proprio gli sviluppatori più esperti, su codebase che conoscevano meglio, sono quelli che l'AI ha rallentato di più. Questo non perché incapaci di usarla, ma perché il loro valore stava già altrove: nel giudizio, nella conoscenza tacita del sistema, nella capacità di riconoscere quando qualcosa non torna prima ancora di eseguirlo.

Le competenze che restano centrali, e che nessuno dei dati raccolti mostra in declino, riguardano proprio questo tipo di giudizio:

• definire l'intento in modo abbastanza preciso perché un agente lo implementi correttamente;
• valutare l'output, distinguendo un risultato corretto da uno solo plausibile, il tipo di errore "quasi giusto" che, secondo diverse rilevazioni di settore, è oggi la fonte di frustrazione più citata dagli sviluppatori proprio perché richiede più tempo da individuare di un errore evidente;
• mantenere la coerenza architetturale di un sistema quando componenti diversi vengono generati da agenti diversi, in parallelo, senza una visione d'insieme condivisa;
• assumersi la responsabilità di ciò che viene messo in produzione, l'unico compito che, per definizione, non è delegabile a uno strumento.

Per chi in azienda non scrive codice ma decide su team e budget tecnologici, questi dati suggeriscono alcune domande operative più utili della classica "quanta AI stiamo usando?":

• Stiamo misurando la produttività percepita o quella reale? (Il divario emerso nello studio METR, sviluppatori convinti di essere più veloci mentre non lo erano, è un rischio concreto anche nella propria organizzazione.)
• Chi, nel team, ha il tempo e il mandato per fare da "supervisore" degli output generati dall'AI, invece di limitarsi ad accettarli?
• Il debito tecnico accumulato viene misurato, o solo il tempo di consegna?
• Le decisioni su architettura e sicurezza restano in mano a chi ha visione d'insieme del sistema, o vengono di fatto delegate all'agente che ha scritto per ultimo quella porzione di codice?

L'AI rende il codice più economico da produrre, ma i dati raccolti in questa ricerca suggeriscono che non lo rende più economico da possedere. Quel divario, oggi più che mai, lo paga chi sa ancora leggere una codebase e capire cosa sta succedendo davvero.

I dati e le evidenze di questa ricerca sono liberamente citabili previa menzione dell'Osservatorio NetStrategy.

Osservatorio NetStrategy (2026). Evoluzione del codice e centralità del giudizio: cosa succede a una codebase dopo mesi di sviluppo assistito dall'AI. Settembre 2026. 

Ricerca a cura del team dell'Osservatorio NetStrategy, basata su fonti pubbliche indipendenti: 

• Software Improvement Group ("State of Software 2026")
• JetBrains ("Developer Ecosystem Survey 2026")
• DORA / Google Cloud ("State of AI-assisted Software Development")
• METR (studio RCT su sviluppatori open source, 2025)
• Anthropic ("Agentic Coding Trends Report")
• Gartner 
• GitClear