Il grande bluff del Vibe Coding: nel 2026 gli sviluppatori non riescono più a lavorare senza AI, ma il conto tecnico sta iniziando ad arrivare
Nel 2026 il problema non è più convincere gli sviluppatori a usare l’intelligenza artificiale. Il problema, molto più interessante e culturalmente rivelatore, è che ormai molti non riescono più a lavorare senza. La dipendenza cognitiva dal copilota algoritmico è diventata così profonda che perfino un esperimento scientifico è fallito per ragioni quasi sociologiche: i programmatori si sono rifiutati di partecipare perché avrebbero dovuto scrivere codice senza AI. Non per mesi. Non per settimane. Per alcune attività limitate.
La scena racconta molto più dello stato dell’industria di qualsiasi keynote patinato della Silicon Valley. A febbraio 2026 il laboratorio di ricerca METR aveva tentato di replicare uno studio precedente sulla produttività degli sviluppatori con strumenti AI. L’esperimento originale del 2025 aveva già prodotto un risultato imbarazzante per l’intera narrativa del settore: i developer erano convinti di lavorare più velocemente grazie all’AI, ma i dati reali mostravano il contrario. Il codice veniva generato rapidamente, certo, ma il tempo perso per correggere bug, verificare output, guidare il modello e aspettare l’esecuzione annullava gran parte del vantaggio percepito.
Il dettaglio più affascinante non è nemmeno tecnico. È psicologico. Gli sviluppatori “sentivano” di essere più produttivi. Una specie di doping cognitivo perfettamente coerente con la cultura contemporanea del knowledge work: se il terminale scorre veloce, se i token esplodono, se GitHub si riempie di commit, allora il cervello interpreta quel movimento come progresso. La quantità sostituisce la qualità. Un principio antico quanto il management moderno, soltanto accelerato dai transformer.
Quando METR ha provato a rifare lo studio nel 2026, il sistema è collassato prima ancora di iniziare. I developer non volevano rinunciare all’AI neppure temporaneamente. È quasi ironico osservare come una tecnologia nata per aumentare la produttività stia già modificando il comportamento operativo di chi la utilizza, creando una forma di dipendenza professionale simile a quella che gli smartphone hanno generato nell’attenzione umana un decennio fa. Gli strumenti AI non sono più percepiti come assistenti. Sono diventati estensioni cognitive.
Il risultato è che METR ha dovuto ripiegare su sondaggi auto dichiarati. Naturalmente gli intervistati si percepiscono “due volte più produttivi”. Anche qui emerge una dinamica familiare a chiunque abbia attraversato trent’anni di hype tecnologici: gli esseri umani tendono a sovrastimare gli strumenti che riducono la frizione immediata e sottostimare i costi differiti nel tempo. Excel sembrava innocuo finché le aziende non si sono ritrovate dipendenti da fogli ingestibili. Il cloud sembrava economico finché non sono arrivate bollette operative da milioni. L’AI coding segue la stessa traiettoria.
Nel frattempo il 2026 ha prodotto una nuova religione aziendale: il tokenmaxxing. Una delle espressioni più tragicomiche mai emerse dal lessico tech recente. L’idea è semplice e tremendamente americana: misurare la produttività attraverso il numero di token consumati dai sistemi AI. Più token utilizzi, più stai “lavorando”. Una filosofia manageriale che trasforma l’ingegneria del software in una slot machine statistica.
Amazon ha già sbattuto contro il muro di questa logica. Secondo il Financial Times, l’azienda ha chiuso Kirorank, una leaderboard interna che tracciava il consumo AI dei dipendenti, dopo che gli sviluppatori avevano iniziato a manipolare il sistema usando agenti AI in modo eccessivo, gonfiando i costi senza produrre reale valore operativo. Una caricatura perfetta del management algoritmico contemporaneo: quando trasformi una metrica in obiettivo, la metrica smette immediatamente di avere significato.
Anche Uber avrebbe bruciato il budget AI annuale nei primi quattro mesi del 2026 senza vedere incrementi misurabili nella produttività. È una dinamica che i CFO osservano con crescente nervosismo. I costi computazionali dell’AI generativa sono enormi; il problema è che il ROI reale resta nebuloso. Molte aziende stanno vivendo una fase che ricorda il boom ERP degli anni Novanta: investimenti giganteschi sostenuti più dalla paura di restare indietro che da metriche economiche realmente consolidate.
Il nodo strutturale, tuttavia, è la manutenzione del codice. Qui il discorso diventa meno glamour e molto più serio. Il programmatore e autore James Shore ha sintetizzato il problema in modo brutale: scrivere codice più velocemente serve a poco se il costo di manutenzione non diminuisce proporzionalmente. Anzi, potrebbe peggiorare. L’industria software ha sempre avuto una memoria corta su questo punto. Generare codice non è mai stato il vero costo del software enterprise. Il costo reale arriva anni dopo: debugging, refactoring, sicurezza, compliance, integrazione, dipendenze legacy.
Qui l’AI rischia di produrre un’enorme inflazione di debito tecnico. Secondo alcune analisi circolate nel settore, strumenti AI tendono a generare più problemi rispetto al codice scritto manualmente da sviluppatori esperti. Alcuni dati provengono da aziende che vendono tool di code review AI, quindi vanno letti con prudenza; tuttavia, anche ricercatori indipendenti della Singapore Management University hanno avvertito che il codice generato dall’AI può introdurre costi di manutenzione a lungo termine nei progetti reali.
La ragione è quasi banale per chi conosce l’ingegneria software su scala industriale. I modelli linguistici ottimizzano la probabilità statistica del codice plausibile, non la qualità architetturale sistemica. Producono frammenti che “sembrano giusti”, ma la qualità di un sistema software non dipende soltanto dalla correttezza sintattica del singolo blocco. Dipende dalla coerenza complessiva, dalla leggibilità futura, dalla gestione delle dipendenze, dalla sicurezza implicita, dalla capacità del codice di sopravvivere a team diversi nel tempo.
La Silicon Valley continua però a vendere il sogno del fully autonomous coding. Cognition, attraverso Devin, propone agenti AI capaci di lavorare quasi autonomamente. Lo stesso CEO Scott Wu ammette però che il sistema opera ancora a un livello compreso tra junior e mid-level developer. Traduzione manageriale: utile per accelerare attività ripetitive, insufficiente per sostituire competenze senior, architettura e pensiero sistemico.
Qui emerge il vero rischio strategico per il settore. Non tanto che l’AI sostituisca gli sviluppatori, quanto che produca una generazione di sviluppatori meno capaci di comprendere profondamente il software che costruiscono. Una sorta di deskilling progressivo mascherato da efficienza. Se il junior engineer smette di imparare debugging, ottimizzazione, design pattern e gestione della complessità perché delega tutto al modello linguistico, il capitale cognitivo dell’intera industria software potrebbe degradarsi lentamente nel prossimo decennio.
Gli stessi ricercatori suggeriscono infatti un approccio molto meno futuristico e molto più pragmatico: trattare l’AI come un junior developer estremamente veloce, ma che necessita supervisione continua. In pratica, esattamente il contrario della narrativa commerciale dominante. Gli esseri umani dovrebbero continuare a gestire architettura, sicurezza, governance e qualità sistemica; l’AI può accelerare l’implementazione, non sostituire il giudizio ingegneristico.
Il paradosso finale è che il coding assistito dall’AI potrebbe davvero aumentare la produttività nel breve termine, mentre contemporaneamente deteriora la qualità strutturale del software nel lungo periodo. Wall Street ama i trimestri. Il debito tecnico, invece, presenta il conto con calma glaciale, spesso cinque anni dopo, quando i manager che hanno approvato quelle decisioni hanno già cambiato azienda e aggiornato il profilo LinkedIn con la scritta “AI transformation leader”.
Fonti
Measuring the Impact of Early-2025 AI on
Experienced Open-Source Developer Productivity