Indice
Introduzione
Il momento più istruttivo per valutare una funzionalità scritta con l’intelligenza artificiale potrebbe arrivare mesi dopo il rilascio. Un cliente chiede un’eccezione a una regola, oppure l’azienda cambia il modo in cui vende un servizio. Lo sviluppatore incaricato apre il progetto. Trova il codice, trova i test, vede che il comportamento attuale è intenzionale. Gli manca un’informazione decisiva: quale promessa fatta al cliente proteggeva quella regola? Da questo dipende se può cambiarla in un pomeriggio o se deve prima rintracciare le persone coinvolte nella decisione originale.
È il problema che emerge dal secondo incontro di Pionieri del Tech con Riccardo Tartaglia, co-founder di Artiforge. In molte aziende la conoscenza del prodotto era già distribuita fra persone, documenti e software scritti in epoche diverse. Gli agenti di programmazione introducono una novità concreta. Oggi è possibile attraversare l’intero percorso dalla richiesta al codice funzionante lasciando gran parte del ragionamento in una conversazione a cui, al lavoro successivo, un collega potrebbe non avere accesso.
Il conto continua dopo la prima risposta
Per un’azienda, la velocità con cui compare sullo schermo una soluzione è facile da apprezzare. Il resto del lavoro è disperso. Una persona legge la modifica, un’altra chiarisce il requisito, chi ha avviato l’agente torna a correggere il risultato. Se ogni passaggio appartiene a qualcuno di diverso, ciascuno può avere l’impressione di essere stato veloce. Il cliente continua ad aspettare.
Riccardo suggerisce di seguire un’attività fino all’accettazione. Quanto tempo è servito? Quanto è costata la sessione con l’agente? Il revisore ha accettato il risultato al primo passaggio oppure lo ha rimandato indietro? L’unità di osservazione cambia la lettura dell’investimento. Una sessione economica può produrre una modifica costosa da verificare. Dedicare più tempo all’inizio per chiarire un requisito può evitare che due persone debbano tornarci sopra.
Da qui la proposta di partire con un piccolo prodotto pilota prima di estendere gli abbonamenti a tutto il reparto. Il valore del pilota sta anche nella possibilità di esaminare i singoli casi. Due task rimandati in lavorazione possono raccontare storie diverse: in uno l’agente ha ignorato una convenzione, nell’altro il requisito iniziale consentiva due interpretazioni. Il primo può richiedere istruzioni migliori. Nel secondo, il lavoro da fare è sedersi con chi conosce il prodotto.
La conoscenza che serve per dire «qui c’è un errore»
Anche prima dell’AI, nessuno sviluppatore aveva bisogno di conoscere ogni riga del software che utilizzava. L’ingegneria procede proprio perché è possibile fidarsi di un componente e lavorare a un livello superiore. Dove passa, allora, il confine tra un’astrazione utile e una perdita di comprensione?
La distinzione proposta da Riccardo riguarda il tipo di decisione. Le convenzioni sui commenti, le regole di scrittura e alcune pratiche di sviluppo si possono rendere disponibili a un agente quando gli servono. Per chi deve approvare una modifica, invece, la conoscenza di un flusso centrale del prodotto è indispensabile. Permette di riconoscere una soluzione formalmente coerente che realizza il comportamento sbagliato. È una competenza particolarmente preziosa quando anche i test discendono dalla stessa interpretazione del requisito.
Si capisce così perché generare più documentazione possa lasciare irrisolto il problema. Riccardo descrive un cortocircuito plausibile nei progetti già difficili da conoscere: un’AI scrive la documentazione, un’altra la legge e la persona responsabile della modifica continua a faticare per orientarsi. Una verifica semplice è chiedere a un collega che cosa dovrebbe continuare a essere vero dopo il cambiamento. La sua risposta dice qualcosa che il numero di pagine prodotte non registra.
Ritrovare ciò che il team sapeva in quel momento
In Knotic, racconta Riccardo, Artiforge ha scelto di conservare la memoria del progetto nello stesso repository del codice. Il vantaggio diventa evidente quando si torna a una versione precedente. Chi indaga su un comportamento può ricostruire quali informazioni fossero disponibili all’agente in quel momento. Consultare soltanto la documentazione di oggi potrebbe invece portarlo ad attribuire a una vecchia decisione una motivazione comparsa più tardi.
Resta una difficoltà: anche una cartella di documenti versionati può invecchiare. Secondo la descrizione di Riccardo, gli agenti aggiornano le memorie collegate ai file modificati durante il lavoro e lo sviluppatore può consultare entrambe le cose. Il meccanismo rende più facile ricostruire il percorso. Rimane al team il giudizio più delicato: stabilire se la spiegazione conservata corrisponda ancora al modo in cui l’azienda vuole far funzionare il prodotto.
È qui che il debito di conoscenza diventa una questione imprenditoriale. Finché il prodotto resta fermo, una decisione dimenticata può sembrare irrilevante. Il suo costo emerge quando l’azienda vuole cambiare prezzo, servire un cliente diverso o correggere un comportamento senza compromettere quello degli altri utenti. Per capire che cosa abbia guadagnato con l’AI, vale la pena osservare anche quella seconda modifica. È allora che si scopre quanta capacità di decidere è rimasta a chi dovrà costruire la versione successiva.