Il tuo AI ha appena prodotto in serie debito tecnico.
L'AI doveva migliorare il tuo codebase. Invece lo ha peggiorato.
Per la prima volta dall'invenzione del version control, i team consegnano più velocemente e rompono di più.
L'AI fa tre cose per i team di ingegneria. Scrive codice più velocemente. Cattura i difetti prima. Costruisce cose che il tuo team attuale non può costruire da solo.
L'industria ha puntato tutto sulla prima. Velocità. Più codice, più velocemente.
Nessuno si è chiesto cosa succede quando triplichi l'output di un team che già non capiva metà del proprio codebase.
Fonte: https://www.faros.ai/blog/ai-acceleration-whiplash-takeaways
L'ho già visto. Lo abbiamo visto tutti.
Alla fine degli anni '90, il Java enterprise prometteva write-once-run-anywhere. Le aziende ci hanno scommesso intere linee di prodotto. J2EE, EJB, stack middleware.
Nel 2005, cambiare il colore di un pulsante in una tipica app Java enterprise richiedeva 14 file in 6 pacchetti. Martin Fowler lo chiamava "la malattia enterprise". Le aziende non riuscivano a consegnare. Non riuscivano ad assumere nessuno che capisse il sistema. Non potevano riscrivere perché non potevano documentare cosa faceva il vecchio sistema.
La soluzione ci ha messo un decennio. Framework leggeri. TDD. CI. Agile. L'industria ha dovuto ricostruire il layer di gestione attorno alla tecnologia.
L'AI sta facendo la stessa cosa in una timeline compressa.
Abbiamo dato a ogni sviluppatore la possibilità di generare migliaia di righe di codice al giorno. Lo sviluppatore che ha dato il prompt non può spiegare cosa ha costruito. Il revisore che l'ha approvato non l'ha letto. E il prossimo sviluppatore che lo erediterà lo tratterà come una scatola nera, perché è esattamente quello che è.
L'ho osservato in codebase legacy e in demo greenfield. Si rompono negli stessi modi.
Ecco le 5 modalità di fallimento che vediamo negli incarichi.
Le 5 modalità di fallimento dell'AI su codebase reali
1. Il volume generato dall'AI è il nuovo "buttare persone sul problema".
Ogni CTO ha comprato licenze per Cursor. Ogni board ha chiesto il ROI. Il ciclo di hype ha percorso tutto il suo corso in meno di un anno.
Ma più codice non è mai stato il problema.
Il 70% delle aziende Fortune 500 utilizza ancora software vecchio di oltre vent'anni. Quei codebase non sono lenti perché gli sviluppatori scrivono troppo lentamente. Sono lenti perché nessuno vivente nell'azienda comprende tutte le regole di business codificate nel codice.
Dai accesso a un agente AI a quel codebase. Produrrà codice funzionante che supera i test e viola contratti che nessuno ha documentato.
Il rapporto DORA 2026: gli strumenti AI offrono guadagni del 35-40% su attività greenfield pulite. Su brownfield, stessi strumenti, 10% o meno. Un divario di 4x.
Il collo di bottiglia era la comprensione. L'AI l'ha peggiorato.
2. Il debito di comprensione è il nuovo debito tecnico.
GitClear ha analizzato 623 milioni di modifiche al codice. Il refactoring legacy è diminuito del 74% dal 2023. Gli strumenti AI generano nuovo codice invece di riutilizzare ciò che esiste. Un test superato. Un ticket chiuso. Nessun consolidamento con il sistema esistente.
Addy Osmani di Google lo ha chiamato debito di comprensione: il divario tra quanto codice esiste e quanto un essere umano capisce.
Su un codebase di 6 mesi, ti riprendi. Su un monolite di 10 anni con integrazioni non documentate e logica di business sparsa su centinaia di file, non ti riprendi.
Il debito tecnico è codice che sai essere cattivo. Il debito di comprensione è codice su cui non puoi fare alcuna valutazione. L'AI è la prima tecnologia che genera il secondo tipo su larga scala.
3. Il teatro della revisione è il nuovo timbro di gomma.
Il 31% in più di PR sono state unite con zero revisione nel dataset di Faros AI con 22.000 sviluppatori. Il tempo mediano di revisione è aumentato di 5x perché i revisori non riuscivano a tenere il passo con il volume.
Più output, meno controllo qualità, nessuno autorizzato a rallentare. Abbiamo visto questo schema organizzativo centinaia di volte prima dell'AI. Ora funziona a velocità macchina.
Anthropic ha scoperto che gli sviluppatori che usano l'AI per delega passiva hanno ottenuto punteggi inferiori al 40% nei test di comprensione. Richiesta attiva: 65%+. Stessi strumenti. La variabile era l'umano.
La maggior parte dei team usa l'AI per evitare di pensare. Questo si ripaga in produzione.
4. Le persone che capiscono il sistema hanno il minimo incentivo a darlo in pasto all'AI.
Ho parlato con il capo dell'ingegneria di un'azienda software sostenuta da private equity con circa $15 milioni di fatturato. Il suo team ha provato Claude internamente. Le sue parole: "Ha fatto un mucchio di stupidate."
Ha ragione a essere scettico.
Ford ha lasciato andare ingegneri esperti prima che la loro conoscenza potesse addestrare i sistemi di qualità. Tre anni e miliardi di costi di garanzia dopo, hanno riassunto 350 ingegneri veterani. Quegli ingegneri hanno riaddestrato l'AI. Ricostruito i processi di qualità. Ford ora è in cima allo studio di qualità iniziale di JD Power 2026 per la prima volta in 16 anni.
Il loro VP di ingegneria hardware: pensavano che inserire i requisiti di progettazione avrebbe prodotto un prodotto di alta qualità. Non è stato così. La competenza di dominio doveva venire prima.
Le persone che detengono la conoscenza istituzionale hanno visto l'ultimo giro di iniziative di "efficienza". Sanno cosa succede dopo che il processo viene documentato. Le corporazioni medievali tenevano segreti i loro metodi per lo stesso motivo.
5. Il codebase che ha più bisogno dell'AI è dove l'AI funziona peggio.
Piattaforme SaaS di medio mercato. Sistemi sanitari. Backend logistici. Prodotti di servizi finanziari costruiti da sviluppatori che se ne sono andati anni fa.
Queste aziende hanno clienti paganti, entrate reali e logica di business che vale la pena preservare. Hanno la superficie più ampia per l'AI da accelerare.
Ogni strumento di coding AI venduto oggi assume che il codebase sia pulito, l'architettura modulare, lo sviluppatore possa dare all'agente abbastanza contesto. Questa assunzione si rompe all'interno di un monolite di 10 anni con integrazioni non documentate e regole di business che nessuno ricorda di aver scritto.
Il 74% delle iniziative AI non scala oltre il pilota, secondo Gartner. Il modello funziona bene. Il codebase non era pronto.
Cosa risolve davvero questo problema
Lo abbiamo dimostrato in un incarico reale. Due ingegneri su una piattaforma logistica legacy. 330 PR unite in 6 mesi. ~90% di codice generato dall'AI. Il cliente li ha chiamati il loro team con le migliori performance. Hanno ricevuto bonus discrezionali due volte.
Questo risultato è arrivato dalla preparazione, non da modelli migliori. Tre cose sono successe prima che l'AI toccasse una riga di codice.
Documenta prima di dare il prompt. Lo chiamiamo Step Zero. Prima che un agente AI tocchi un codebase brownfield, scansiona il codice esistente, produce documentazione leggibile dall'AI, rendi il sistema comprensibile agli strumenti. L'agente non può ragionare su ciò che non può vedere. Il turnaround di Ford è iniziato qui. Hanno riportato indietro le persone che capivano il sistema, documentato ciò che sapevano, e solo dopo riaddestrato l'AI.
Definisci le zone. 80/20/0. L'80% del boilerplate (CRUD, test, config, documentazione): l'AI genera liberamente. Il 20% della logica di business e delle integrazioni: modalità copilot, AI abbozza, ingegnere riscrive. Lo 0% di autenticazione, pagamenti, crittografia, decisioni architetturali: nessun AI lo tocca. Questa disciplina impedisce che il debito di comprensione si accumuli.
Misura prima di scalare. Costo per commit. Modelli di utilizzo dell'AI. Percentuale di codice AI. Metriche DORA per ogni team. Baseline prima dell'AI. Misura dopo. Senza quei dati, stai volando cieco nello stesso colpo di frusta dell'accelerazione che ha colpito 22.000 sviluppatori nel dataset di Faros.
Dove sta andando
Microsoft ha impegnato $2,5 miliardi. Amazon ha impegnato $1 miliardo. Anthropic ha raccolto $1,5 miliardi. OpenAI ha raccolto $4 miliardi. Tutti puntati sullo stesso problema: far funzionare l'AI all'interno di aziende che già esistono.
Il mercato si è concentrato sul greenfield perché le demo hanno un aspetto migliore. Il più grande impatto ingegneristico arriverà dalle aziende i cui codebase sono i più brutti, i cui prodotti sono i più vecchi, e le cui pipeline sono state costruite prima che qualcuno sentisse parlare di un LLM.
Il collo di bottiglia è il sistema di ingegneria sottostante al modello.
P.S. Questo è ciò che facciamo @ Limestone Digital. Integriamo team di ingegneria nativi dell'AI in codebase esistenti. Step Zero, disciplina delle zone, infrastruttura di misurazione. Se il tuo pilota AI si è bloccato su un codebase brownfield, mandami un DM.
Mettiti in contatto: limestonedigital.com
