Quando mi chiedono quale AI per sviluppo software uso davvero, la risposta è un agente di coding che lavora dentro il repository, con permessi limitati, e una serie di controlli automatici che decidono quando il lavoro è finito. Il modello scrive buona parte del codice; i test, la pipeline e la mia revisione decidono cosa entra. In questa nota trovi il metodo, cosa dicono gli studi sulla produttività e i punti in cui l'AI sbaglia ancora.
AI per sviluppo software: la risposta in breve
Lo strumento principale che uso è Claude Code, un agente che legge il progetto, modifica i file ed esegue i comandi nel terminale. Lo affianco a tre regole:
- ogni compito ha una definizione di «finito» verificabile: test, controllo dei tipi, build;
- l'agente ha solo i permessi che servono, e le azioni rischiose chiedono conferma;
- nessuna modifica arriva in produzione senza pipeline e revisione.
Con queste regole l'AI mi fa risparmiare tempo sulle parti ripetitive e mi lascia più attenzione per architettura, sicurezza e decisioni.
Assistenti e agenti di coding: la differenza
Un assistente completa il codice mentre scrivi o risponde in una chat. Un agente di coding riceve un compito, esplora il progetto, modifica più file, lancia i test e corregge quello che si rompe, finché il compito è chiuso o si ferma per chiederti qualcosa.
La differenza pratica è il controllo. Con un assistente rivedi ogni riga mentre nasce. Con un agente rivedi un insieme di modifiche alla fine, quindi ti servono controlli automatici più solidi e permessi definiti prima di iniziare.
Come lavoro con un agente di coding
Il metodo che seguo ricalca le indicazioni ufficiali delle best practice di Claude Code, che descrivono il problema in modo preciso: l'agente «stops when the work looks done», e senza un controllo da eseguire «"looks done" is all it has to go on».
I passaggi:
- Contesto scritto. Nel repository c'è un file di istruzioni breve con i comandi per test, controllo dei tipi e lint, le convenzioni e le trappole del progetto. La documentazione consiglia di tenerlo corto, perché ogni riga pesa su ogni compito.
- Una specifica prima del codice. Per i lavori più grandi scrivo prima cosa deve fare la modifica e come verificarla, poi faccio partire l'agente in una sessione pulita.
- Un controllo che passa o fallisce. Test, controllo dei tipi e build sono la definizione di «finito». Se esistono, l'agente li esegue e corregge da solo prima di fermarsi.
- Regole che non hanno eccezioni. Le cose che non devono succedere mai, come leggere i file dei segreti o toccare le migrazioni, vanno in regole di permesso o in hook, non nelle istruzioni. La documentazione è chiara: quello che deve succedere ogni volta va reso deterministico.
- Revisione umana. Leggo il diff come leggerei quello di un collega, con più attenzione su accessi, dati e dipendenze nuove.
Cosa dicono gli studi sulla produttività
I dati indipendenti sono meno entusiasti degli annunci. Lo studio di METR Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity ha seguito 16 sviluppatori esperti su 246 compiti reali nei loro progetti. Con l'AI i compiti hanno richiesto il 19% di tempo in più. Prima dello studio gli sviluppatori prevedevano un risparmio del 24%, e anche dopo stimavano di aver risparmiato il 20%.
Il rapporto DORA 2025 di Google Cloud, dedicato allo sviluppo assistito dall'AI, arriva a una conclusione simile per le organizzazioni: «AI's primary role is as an amplifier, magnifying an organization's existing strengths and weaknesses».
La lettura che ne do: l'AI accelera chi ha già test, pipeline e processi solidi, e amplifica il disordine dove mancano. La percezione di velocità, da sola, non è una misura.
Dove l'AI sbaglia ancora
Gli errori che controllo di più:
- Dipendenze inventate. Lo studio di Spracklen e altri ha trovato in media almeno il 5,2% di pacchetti inesistenti suggeriti dai modelli commerciali e il 21,7% da quelli open source.
- Codice plausibile ma vulnerabile. Nello studio Asleep at the Keyboard?, circa il 40% dei 1.689 programmi generati da Copilot in scenari a rischio era vulnerabile. È uno studio del 2021, ma i punti deboli tipici restano: controlli di accesso, gestione degli input, segreti.
- Contesto perso. In sessioni lunghe l'agente dimentica decisioni prese all'inizio. Per i compiti grandi meglio sessioni corte con una specifica scritta.
- Test adattati al codice. Un agente può correggere il test invece del codice. Per questo rileggo sempre le modifiche ai test.
Per le app scritte in gran parte con l'AI ho preparato una checklist a parte: DevSecOps per le app scritte con l'AI.
Permessi, dati e sicurezza dell'agente
Un agente di coding esegue comandi sulla tua macchina o in un ambiente remoto, quindi va trattato come un utente con accesso al codice. La documentazione di sicurezza di Claude Code descrive le modalità di permesso, il sandbox per i comandi e le regole di negazione, e ricorda: «You're responsible for reviewing proposed code and commands for safety before approval».
Le mie regole:
- i segreti di produzione non sono mai nella cartella in cui lavora l'agente;
- i comandi di rete e le operazioni distruttive richiedono conferma o sono negati;
- per il codice non fidato uso un ambiente isolato;
- i server MCP collegati all'agente sono solo quelli che conosco.
Cosa cambia per un'azienda che sviluppa software
Per un'azienda il punto di partenza sono i controlli automatici. Se un progetto ha pochi test e una pipeline debole, l'AI produce più codice da verificare a mano. Se i controlli ci sono, l'AI diventa un acceleratore.
L'ordine che suggerisco: prima test e pipeline, poi regole di permesso condivise nel repository, poi l'uso degli agenti su compiti ben definiti, misurando tempi e difetti prima e dopo. Se vuoi portare l'AI in altri processi, oltre allo sviluppo, la pagina sull'intelligenza artificiale per aziende spiega come scelgo il primo.
Domande frequenti
Qual è la miglior IA per programmare?
Una migliore in assoluto non esiste: dipende dal linguaggio, dal progetto e da come la usi. Conta di più avere un agente che lavora nel repository con permessi chiari e controlli automatici che verificano il risultato. Io uso Claude Code, ma il metodo vale anche con altri strumenti.
Quali attività dello sviluppo software può fare l'AI?
Scrivere codice da una specifica, scrivere ed eseguire test, correggere errori a partire dai messaggi, rifattorizzare, spiegare codice esistente e preparare documentazione. Le decisioni di architettura, sicurezza e priorità restano a una persona.
Qual è il futuro dei programmatori con l'intelligenza artificiale?
Il lavoro si sposta dalla scrittura riga per riga alla specifica, alla verifica e alla revisione. Contano di più la capacità di definire cosa significa «fatto», di leggere codice in fretta e di riconoscere un problema di sicurezza.
Il codice scritto dall'AI è sicuro?
Non di default. Gli studi trovano vulnerabilità e dipendenze inventate in una parte del codice generato. Diventa affidabile con revisione umana, test e una pipeline che controlla segreti, dipendenze e accessi a ogni modifica.
Fonti
- Best practices for Claude Code, Anthropic
- Security, Claude Code Docs, Anthropic
- Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, Becker e altri (METR), 2025
- State of AI-assisted Software Development 2025, DORA, Google Cloud
- We Have a Package for You! A Comprehensive Analysis of Package Hallucinations by Code Generating LLMs, Spracklen e altri, USENIX Security 2025
- Asleep at the Keyboard? Assessing the Security of GitHub Copilot's Code Contributions, Pearce e altri, IEEE S&P 2022