The Pulse
Faros rileva che la velocità della programmazione con l’IA sposta i colli di bottiglia a valle
Faros Research rileva che l’adozione dell’IA nella programmazione permette a una quantità maggiore di software di arrivare in produzione, ma aumenta la pressione su revisione, controllo qualità e risposta agli incidenti. La sua ultima anali
AI.info Team ·
Gli strumenti di IA per la programmazione aiutano i team di ingegneria a produrre e distribuire più software, ma Faros Research afferma che questi progressi stanno facendo emergere un nuovo vincolo: il lavoro necessario per verificare, correggere e gestire ciò che quegli strumenti creano.
L’ultima analisi di Faros, basata sui dati di telemetria degli ultimi 12 mesi di 22.000 sviluppatori di 4.000 team, descrive questo schema come una «trappola della velocità». La creazione del codice ha accelerato, mentre le code di revisione, il controllo qualità, i riavvii e la gestione degli incidenti assorbono una quota maggiore del lavoro nelle fasi successive. I risultati sono pubblicati nella più recente ricerca di Faros sull’ingegneria dell’IA.
L’azienda afferma che il quadro non è uniformemente negativo. Diversi effetti osservati durante la prima ondata di adozione dell’IA si stanno attenuando e una quantità maggiore di lavoro arriva in produzione. Faros sostiene, tuttavia, che le organizzazioni mantengono il flusso operativo in parte accettando modifiche più ampie, meno revisioni umane e maggiori pressioni operative.
L’adozione dell’IA passa dall’assistenza alla delega
L’uso dell’IA è già molto diffuso nel dataset di Faros. Il 79% degli sviluppatori usa almeno uno strumento di IA ogni settimana, mentre nell’86% dei team più della metà degli sviluppatori usa l’IA ogni settimana. Il tasso di accettazione del codice generato dall’IA ha raggiunto il 65%.
Il cambiamento più significativo riguarda ciò che i team sono disposti a delegare. Faros afferma che molte aziende usano ormai agenti di IA per esaminare tra il 50% e l’80% delle pull request. La creazione autonoma è meno comune, ma gli agenti aprono dal 13% al 14% delle pull request tra i pionieri dell’adozione. I team sono quindi più propensi a lasciare che gli agenti valutino il codice piuttosto che a farlo creare a loro, anche se il confine si sta spostando.
Pull request più ampie arrivano a code di revisione più snelle
Nel dataset più recente, la dimensione media delle pull request è aumentata del 71,8%. Gli sviluppatori intervengono anche su più file e su sezioni più ampie delle proprie basi di codice, aumentando la quantità di contesto che i revisori devono ricostruire prima di approvare una modifica.
Faros collega l’aumento delle dimensioni delle modifiche a una forte crescita delle fusioni senza revisione. Sei mesi prima, l’azienda aveva riportato un aumento del 31,3% delle pull request unite senza revisione. Nell’ultimo report, la cifra è del 76,3%.
Il risultato non dimostra che il codice generato dall’IA sia responsabile di ogni fusione non revisionata. Faros descrive piuttosto un problema di capacità: la produzione aumenta più rapidamente delle risorse dedicate alla revisione e i team, sotto pressione per rispettare le scadenze, possono saltare la revisione per evitare che le code si allunghino. L’azienda raccomanda di commisurare i requisiti di revisione al rischio e alla portata di ogni modifica.
Il controllo qualità eredita il lavoro che la programmazione non assorbe più
Il cambiamento più evidente nelle fasi successive si osserva nel controllo qualità. Il tempo dedicato al QA è aumentato del 300,6%, il peggioramento più marcato tra le principali misure di efficienza e flusso nel dataset, secondo Faros. Anche i tempi di revisione restano elevati.
La spiegazione di Faros è semplice. Modifiche più ampie e complesse, realizzate con l’assistenza dell’IA, arrivano più rapidamente, mentre una quota minore passa per una revisione umana prima della fusione. Il QA si fa quindi carico di una parte maggiore del compito di stabilire se il software funzioni come previsto. La fase di creazione procede più velocemente, ma la verifica della correttezza richiede più tempo.
Il fatto che gli sviluppatori debbano ricominciare da capo offre un altro indizio del fatto che il lavoro attraversa più fasi del sistema prima che i problemi diventino visibili. I riavvii sono aumentati del 66,7%, quasi cinque volte l’incremento registrato nel dataset precedente. Faros descrive il nuovo schema di errore come un percorso sbagliato che costringe a ricominciare, invece della semplice gestione di troppe attività in parallelo.
Viene distribuito più software, ma aumenta il numero di incidenti
Faros segnala un miglioramento significativo nel flusso di distribuzione. La frequenza delle distribuzioni ha invertito la rotta, il throughput delle attività resta elevato e il churn del codice è sceso dai livelli estremi registrati nella fase iniziale di adozione dell’IA.
Anche il rischio per singola modifica si è stabilizzato rispetto ai risultati precedenti dell’azienda. Nel dataset più recente, gli incidenti per pull request sono aumentati del 14,5%, contro un incremento del 242,7% nel report precedente.
Il quadro operativo complessivo è meno rassicurante. Gli incidenti mensili sono aumentati del 125,4%, gli interventi correttivi richiedono più tempo e gli arretrati tornano a crescere. Una singola modifica può essere più sicura rispetto alla prima fase di adozione, ma il sistema ne gestisce molte di più. Il costo complessivo di gestione del parco software può quindi aumentare anche quando il rischio associato a ogni singola modifica diminuisce.
La revisione agentica mostra una possibile contromisura
Faros individua nella revisione agentica il primo intervento misurato su scala significativa associato a miglioramenti in diversi indicatori delle fasi successive. I team che ne fanno un uso intensivo ottengono prime revisioni più rapide e tassi di errore delle modifiche più bassi.
L’azienda precisa che il risultato è correlazionale. Le fusioni senza revisione continuano ad aumentare anche tra i team che fanno ampio ricorso alla revisione agentica, quindi i dati non dimostrano che la revisione automatizzata abbia risolto il problema di capacità. Suggeriscono però che gli agenti di revisione possano assorbire una parte del carico di lavoro generato da una produzione di codice su scala IA.
La raccomandazione più ampia di Faros è di intervenire prima nel processo: fornire agli agenti di programmazione un contesto migliore prima che scrivano, ripensare i controlli per lo sviluppo assistito dall’IA e valutare i sistemi di IA in base ai risultati verificati, non alla sola adozione. A sostegno di questa tesi ci sono le code già visibili nei dati: il tempo dedicato al QA è aumentato del 300,6%, le pull request sono più ampie e le fusioni senza revisione sono cresciute del 76,3%.