Gli agenti di programmazione basati sull’IA possono generare codice in una frazione del tempo che servirebbe a un ingegnere per scriverlo. Ma questa velocità non si traduce necessariamente in rilasci software più rapidi: man mano che il codice si accumula, i team possono dover dedicare più tempo a comprenderne il comportamento, revisionare le modifiche e diagnosticare i guasti.

L’articolo, scritto da Greg, cofondatore e CTO di Undo, descrive questo fenomeno come uno spostamento del collo di bottiglia nello sviluppo. L’IA è sempre più capace di generare codice, ma può incontrare difficoltà nel fare debugging di basi di codice ampie e complesse. Stratificazioni di modifiche e logica duplicata possono rendere il software più difficile da seguire, lasciando agli ingegneri più lavoro di revisione e meno chiarezza sull’origine di un difetto.

Le conseguenze possono essere particolarmente gravi in settori come i servizi finanziari, la progettazione di semiconduttori, il networking e i database, in cui un guasto software può interrompere servizi essenziali. L’articolo cita il controllore nazionale del traffico aereo del Regno Unito, secondo cui una recente interruzione del servizio, che ha causato la cancellazione di 2.000 voli e giorni di disagi, è stata dovuta a un difetto nel software legacy.

I dati citati nell’articolo indicano una discrepanza tra la generazione più rapida del codice e i miglioramenti misurabili della produttività. Secondo l’articolo, il 79% dei responsabili dell’ingegneria dichiara che i cicli di rilascio non sono diventati più rapidi, mentre nove su dieci affermano che comprendere il codice e fare debugging richiedono più tempo in ambienti complessi, come le basi di codice C/C++.

Anche gli agenti di IA hanno dei limiti nel diagnosticare i problemi. Se si basano soltanto sul codice sorgente, sui log e sulla documentazione, potrebbero non disporre di prove su ciò che è realmente accaduto quando il software era in esecuzione. L’articolo afferma che nel 93% delle organizzazioni di ingegneria la causa principale di un problema è stata diagnosticata in modo errato a causa di un’allucinazione dell’IA; di conseguenza, il 37% dei team usa gli agenti per comprendere il codice e fare debugging soltanto con basi di codice semplici.

La soluzione proposta non consiste semplicemente nell’adottare un modello più grande o più potente, ma nel fornire informazioni migliori sul comportamento in fase di esecuzione. Dare agli agenti una registrazione di ciò che è avvenuto durante l’esecuzione potrebbe aiutarli a ricondurre i guasti alle loro cause e offrire agli ingegneri un supporto più affidabile. Senza questo contesto, una generazione più rapida del codice rischia di spostare il carico di lavoro alle fasi successive, anziché ridurlo.

Fonti: TechRadar.