Oltre la codifica AI: il vero balzo di produttività consiste nell’eliminare completamente il codice

Per tutto l’attenzione sulla sviluppo assistito da AI, dalle strumenti di autocomplete ai sistemi che generano interi repository, la conversazione rimane focalizzata sulla velocità. Tutti parlano di scaffolding più veloce, prototipazione più veloce e generazione di codice più veloce. Le squadre di prodotto celebrano la capacità di trasformare descrizioni in linguaggio naturale in funzioni o API nel giro di pochi minuti. Sì, questi guadagni sono significativi, ma operano ancora all’interno dello stesso paradigma software. Il codice viene scritto, compilato, distribuito, testato e mantenuto. Il ciclo si accelera, ma la struttura rimane intatta.

A un livello più profondo, tuttavia, una trasformazione sta iniziando a emergere, una che punta al prossimo vero balzo di produttività. Per guadagni veramente straordinari, abbiamo bisogno di un cambiamento di paradigma: non codice più veloce, ma meno codice. Invece di utilizzare l’AI per tradurre regole aziendali in programmi che le macchine eseguiranno in seguito, la logica aziendale sarà espressa direttamente in linguaggio naturale ed eseguita da sistemi intelligenti. Il modello diventa il runtime. I livelli di traduzione scompaiono.

Questo passaggio non è una questione di convenienza. Cambia il modo in cui le organizzazioni operano. Cambia il modo in cui la politica diventa software, il modo in cui la regolamentazione diventa azione e il modo in cui le aziende si adattano alle pressioni esterne. Porta la possibilità di ridurre i cicli di ingegneria di diversi mesi in aggiornamenti rapidi guidati dalla politica che si muovono alla stessa velocità delle istituzioni che le governano.

Come l’AI passa dalla scrittura del codice all’esecuzione della logica

Ci sono tre fasi ampie di adozione dell’AI nello sviluppo software. La prima è la codifica assistita da AI, in cui la macchina aiuta a generare snippet o funzioni durante lo sviluppo. La seconda è la generazione di sistemi da parte dell’AI, in cui grandi componenti o architetture possono essere prodotti da descrizioni in linguaggio naturale. La terza è l’esecuzione della logica da parte dell’AI, in cui gli sviluppatori non scrivono il codice affatto. Invece, forniscono politiche, regole o intenti. Il sistema interpreta quelle istruzioni e agisce di conseguenza.

La maggior parte della discussione industriale rimane confinata alle prime due fasi. Producono efficienze, ma non alterano la struttura più profonda del software. La logica di ramificazione, le pipeline di distribuzione, il testing di regressione e la gestione dell’ambiente rimangono. Così come il debito tecnico, la deriva delle dipendenze e la necessità di squadre che possano navigare i livelli di traduzione complessi tra politica, requisiti e codice.

L’opportunità nella terza fase è più significativa. Quando l’istruzione aziendale diventa la fonte di verità, le organizzazioni passano da cicli di rilascio del software a esecuzione guidata da prompt. Aggiornare una regola di conformità diventa un’unica istruzione. Regolare una soglia di punteggio di frode diventa un’unica istruzione. Modificare una logica di rimborso specifica di una giurisdizione diventa un’unica istruzione. Questi cambiamenti non vengono alimentati in un backlog. Si muovono direttamente nell’esecuzione controllata attraverso simulazione, convalida e flussi di approvazione.

Questo modello è solo all’inizio della sua formazione. I componenti esistono, ma l’integrazione non è ancora diffusa. Tuttavia, la direzione del viaggio è chiara.

Perché ridurre lo sforzo di codifica non è sufficiente

Il codice generato dall’AI porta ancora gli stessi oneri del codice scritto dall’uomo. I sistemi richiedono manutenzione e le dipendenze si spostano. Inoltre, il refactoring diventa inevitabile poiché la logica evolve e i cicli di testing e regressione persistono perché la correttezza dipende ancora da istruzioni statiche scritte in un linguaggio deterministico. Molti di questi vincoli non hanno nulla a che fare con chi ha scritto il codice. Riflettono ciò che il codice è fondamentalmente: un livello di traduzione tra intento aziendale ed esecuzione della macchina.

Questi vincoli si accumulano. Consumano tempo e denaro. Anche i repository più sofisticati generati dall’AI richiedono ancora una supervisione e test complessi. La manutenzione diventa il principale driver di costo per la vita di un sistema.

Recenti ricerche hanno delineato questi sfide in dettaglio. Uno studio del 2025 sullo debito tecnico nei sistemi abilitati all’AI ha scoperto che le organizzazioni che adottano il codice generato dall’AI affrontano ancora problemi di manutenibilità significativi, incongruenze architettoniche e oneri di refactoring a lungo termine. Questi problemi appaiono indipendentemente dal fatto che il codice sia stato scritto da esseri umani o modelli, il che suggerisce che accelerare la generazione del codice non risolve i limiti strutturali dell’ingegneria del software. Rimuovere completamente il livello di traduzione è l’unico percorso per una produttività con un cambiamento significativo.

Perché il settore finanziario sentirà per primo questo cambiamento

I pagamenti, la banca e i servizi finanziari operano in condizioni che premiano l’adattabilità. I paesaggi regolamentari cambiano frequentemente e la guida attraverso domini come l’autenticazione del cliente forte, il rimborso delle frodi, le sanzioni transfrontaliere e la protezione dei consumatori è in continua evoluzione. Ad esempio, la comunicazione “Dear CEO” dell’FCA sul rimborso delle frodi APP stabilisce aspettative chiare per la supervisione e i controlli a livello di sistema in questo ambiente. Le istituzioni spesso impiegano mesi per tradurre questi cambiamenti di politica in comportamento del sistema, e questo ritardo crea uno svantaggio strategico.

Un modello di esecuzione guidata da prompt potrebbe cambiare il ritmo. Invece di codificare le regole in più sistemi, le istituzioni finanziarie potrebbero aggiornare le politiche direttamente in linguaggio naturale e consentire al livello di esecuzione di interpretare, simulare e generare proposte di distribuzione. Se questo accade, il costo di sviluppo diminuirebbe. Inoltre, il rischio di malinterpretazione diminuirebbe e la distanza tra regolamentazione e implementazione si ridurrebbe drasticamente.

Le aspettative regolamentari nel Regno Unito stanno muovendosi nella stessa direzione. La dichiarazione di politica dell’FCA e della Banca d’Inghilterra del 2024 sulla resilienza operativa stabilisce requisiti più severi per come le istituzioni finanziarie identificano le vulnerabilità, rispondono ai cambiamenti e mantengono la continuità attraverso servizi critici. La guida enfatizza strutture di governance più chiare e una supervisione più forte dei sistemi che supportano i pagamenti e i controlli delle frodi. Le istituzioni che possono tradurre la politica in comportamento operativo rapidamente saranno meglio posizionate per soddisfare queste aspettative.

I rischi che i leader devono considerare

Questo cambiamento non è senza sfide. Sostituire il codice con l’esecuzione guidata dal modello introduce nuove forme di rischio. La determinazione diventa essenziale, in particolare nei pagamenti in cui la prevedibilità e la tracciabilità sono obbligatorie. La spiegabilità diventa critica per la conformità e la revisione regolamentare. Il costo di calcolo deve essere controllato. La governance necessita di linee di responsabilità chiare, specialmente sotto le funzioni di gestione senior.

Recenti lavori sulla affidabilità e valutazione dei modelli sottolineano quanto sia difficile mantenere un comportamento deterministico su larga scala. Uno studio che esamina le valutazioni dei grandi modelli linguistici ha scoperto che piccoli cambiamenti nell’impostazione della valutazione producevano risultati inconsistenti e a volte contraddittori. Questa variabilità significa che qualsiasi livello di esecuzione guidata da prompt avrà bisogno di controlli che includono modelli di guardrail, procedure di convalida, ambienti di simulazione e prompt e modelli versionati. Questi elementi saranno necessari per soddisfare le aspettative regolamentari per la supervisione e la resilienza operativa.

L’infrastruttura che circonda i modelli di esecuzione dell’AI definirà se le istituzioni possono adottare questo paradigma in modo sicuro. Non è sufficiente esprimere le regole in linguaggio naturale. Le organizzazioni devono costruire i livelli che assicurano la correttezza, la riproducibilità e l’osservabilità.

Un’architettura potenziale per i sistemi di esecuzione della politica

Un ambiente di esecuzione futuro per le organizzazioni regolamentate potrebbe seguire una struttura in cui la politica diventa la principale fonte di verità operativa. Il processo potrebbe funzionare attraverso diversi livelli:

• Politica: regole aziendali o di conformità espresse direttamente in linguaggio naturale.
• Biblioteca di prompt controllata: un repository versionato in cui queste regole vengono archiviate, esaminate e approvate con tracciabilità completa.
• Interpretazione e simulazione dell’AI: sistemi che testano la politica, eseguono scenari, controllano i casi limite e identificano le incongruenze prima della distribuzione.
• Raccomandazioni di distribuzione: passaggi di rollout proposti, compresi i guardrail e le valutazioni di impatto, che richiedono l’approvazione umana.
• Esecuzione attraverso API strutturate: una volta approvato, il sistema applica la politica validata utilizzando meccanismi deterministici esistenti, come motori di regole o API predefinite che aggiornano configurazioni, soglie o controlli. Il livello di AI interpreta l’intento; il livello di esecuzione lo applica senza generare nuovo codice.

Un esempio pratico illustra come questi livelli potrebbero funzionare. L’FCA aggiorna la guida sul rimborso delle frodi APP e il team di conformità converte il cambiamento in una politica scritta in linguaggio naturale. L’istruzione potrebbe essere semplice come: “Segnala tutti i pagamenti in uscita superiori a 500 sterline in cui il beneficiario è stato creato nelle ultime 48 ore, a meno che il mittente non abbia inviato a questo beneficiario in precedenza”. Il sistema di AI testa l’istruzione, esegue simulazioni, controlla i casi limite, produce documentazione e propone un percorso di distribuzione. La conformità esamina e approva la raccomandazione. Il livello di esecuzione aggiorna quindi i controlli pertinenti senza che venga scritto o distribuito manualmente il codice.

Questa architettura mantiene la supervisione umana mentre riduce la distanza tecnica tra politica e comportamento operativo. Fornisce anche un ambiente controllato in cui l’interpretazione probabilistica e l’applicazione deterministica possono coesistere.

Diverse analisi di ingegneria hanno esaminato come le architetture ibride possano supportare sistemi che combinano l’interpretazione guidata dal modello con la logica deterministica. Un sondaggio sui framework di AI agente delinea come le organizzazioni possano integrare componenti neurali con strutture basate su regole in un unico ambiente operativo. La ricerca suggerisce che questo tipo di progettazione può semplificare la coordinazione tra i sistemi, mantenere confini più chiari intorno alle operazioni critiche e creare percorsi di esecuzione che rimangono prevedibili abbastanza per i contesti regolamentati.

Pensieri finali

Gli strumenti di codifica dell’AI continueranno a migliorare. Accelereranno lo sviluppo del software e ridurranno lo sforzo. Ma non risolvono i limiti di base della traduzione dell’intento aziendale in codice deterministico. Il prossimo cambiamento di produttività verrà dall’eliminazione di quel livello di traduzione completamente.

Le organizzazioni che iniziano a prepararsi per l’esecuzione guidata da prompt ora guadagneranno velocità, resilienza e chiarezza. Saranno in grado di adattarsi ai cambiamenti regolamentari rapidamente e ridurre l’attrito di ingegneria. Costruiranno anche l’infrastruttura necessaria per i flussi di lavoro autonomi e guidati dalle macchine.

Le istituzioni che rimangono focalizzate sulla generazione del codice cattureranno l’efficienza. Le istituzioni che si spostano oltre il codice cattureranno il vantaggio strategico.