Quando l’AI scrive tre volte più codice ma il software non cresce: lo studio MIT e Wharton che ridimensiona la rivoluzione degli agenti

Il recente dibattito sull’intelligenza artificiale applicata alla programmazione è dominato da una convinzione semplice: se gli sviluppatori producono più codice, il software aumenterà nella stessa proporzione. Un nuovo studio firmato da ricercatori del MIT e della Wharton School mette però in discussione questa equazione apparentemente ovvia e introduce una conclusione molto più scomoda per l’industria tecnologica. L’AI sta effettivamente moltiplicando la produttività dei programmatori, ma gran parte di questo vantaggio si perde lungo la catena produttiva prima di trasformarsi in prodotti reali utilizzati dagli utenti.

La ricerca, basata sull’analisi di oltre 100.000 sviluppatori GitHub e sui dati di utilizzo di diversi strumenti di coding assistito tra il 2022 e il 2026, rappresenta uno dei più grandi studi empirici mai realizzati sull’impatto economico degli strumenti di programmazione generativa. I ricercatori hanno osservato tre generazioni successive di tecnologie: gli strumenti di autocompletamento come GitHub Copilot, gli agenti sincroni come Claude Code e Codex utilizzati in modalità interattiva, e infine gli agenti asincroni capaci di lavorare autonomamente per lunghi periodi eseguendo task complessi senza supervisione continua.

I numeri sono impressionanti. L’autocomplete aumenta l’attività di sviluppo di circa il 40%. Gli agenti sincroni portano il miglioramento cumulativo al 140%. Gli agenti asincroni arrivano fino al 180% di incremento nei commit prodotti. In altre parole, uno sviluppatore supportato dagli strumenti più avanzati del 2026 può produrre quasi tre volte il lavoro osservabile rispetto a un collega che opera senza questi sistemi.

A questo punto ci si aspetterebbe una crescita esplosiva del software disponibile sul mercato. Invece accade qualcosa di molto diverso.

Lo studio mostra che ogni livello della filiera produttiva agisce come un filtro. L’aumento del 180% osservato nei commit si riduce a circa il 50% quando si misurano i progetti effettivamente sviluppati e scende a circa il 30% quando si osservano le release reali distribuite agli utenti. La produttività cresce enormemente nelle attività elementari ma perde forza man mano che si avvicina al risultato finale.

Questa dinamica viene descritta dagli autori attraverso quella che definiscono “weak-link hypothesis”, una moderna reinterpretazione della teoria economica dei colli di bottiglia. Scrivere codice è soltanto una parte del processo. Occorre integrare modifiche, coordinare team, verificare qualità, eseguire test, approvare pull request, distribuire aggiornamenti e gestire il rilascio. Se l’intelligenza artificiale accelera una sola fase ma lascia inalterate le altre, il beneficio complessivo viene inevitabilmente compresso.

Dal punto di vista manageriale il messaggio è rilevante. Molti dirigenti stanno misurando il successo dell’AI attraverso metriche intermedie come righe di codice generate, ticket chiusi o velocità di sviluppo. Lo studio suggerisce che tali indicatori possono essere fuorvianti. Un incremento del 700% nelle linee di codice non implica automaticamente un incremento equivalente del valore economico prodotto. In alcuni casi osservati dai ricercatori, un aumento del 741% nelle linee di codice si traduceva in appena il 20% di crescita nelle release effettive.

La parte forse più interessante emerge quando l’analisi si sposta dai repository agli utenti finali. I ricercatori hanno esaminato quattro grandi marketplace software: l’Apple App Store, il Google Play Store, il Chrome Web Store e SourceForge. Qui emerge un fenomeno familiare a chi osserva da anni l’economia digitale. Il numero di nuove applicazioni cresce sensibilmente dopo l’arrivo degli agenti AI, ma il consumo complessivo non aumenta. Gli utenti non scaricano più software di prima. Non utilizzano più applicazioni. Non trascorrono più tempo sui nuovi prodotti.

In sostanza l’AI sembra aver abbassato drasticamente il costo di produzione del software senza modificare in modo significativo la domanda. È una distinzione fondamentale. Creare un’applicazione diventa più semplice; convincere qualcuno a usarla rimane difficile quanto prima.

Questo fenomeno richiama dinamiche già osservate in altri mercati digitali. La fotografia generativa ha moltiplicato il numero di immagini disponibili online senza aumentare il numero di occhi umani. Gli LLM hanno prodotto una valanga di contenuti testuali senza moltiplicare il tempo di lettura delle persone. Ora il software sembra seguire la stessa traiettoria. L’offerta cresce molto più rapidamente dell’attenzione disponibile.

Gli autori stimano un’elasticità di sostituzione tra output AI e lavoro umano pari a circa 0,25, valore che indica una forte complementarità tra uomo e macchina. Tradotto in linguaggio manageriale significa che, almeno oggi, l’intelligenza artificiale non sta sostituendo completamente gli sviluppatori. Sta amplificando alcune capacità, automatizzando segmenti del lavoro e generando enormi quantità di materiale preliminare, ma continua ad aver bisogno dell’intervento umano nelle fasi critiche di revisione, integrazione e decisione.

Questa conclusione entra in collisione con molta della retorica dominante della Silicon Valley. Negli ultimi diciotto mesi il mercato ha spesso presentato gli agenti autonomi come una forma embrionale di sostituzione completa del lavoro cognitivo. Lo studio suggerisce invece che il problema non è produrre più codice. Il problema è trasformare quel codice in prodotti affidabili, distribuibili e desiderabili.

L’aspetto più provocatorio riguarda il futuro. Se i colli di bottiglia si trovano nelle fasi umane della catena produttiva, allora il prossimo salto economico non arriverà necessariamente da modelli che scrivono ancora più codice. Potrebbe arrivare da sistemi capaci di gestire revisione, testing, coordinamento, governance e distribuzione con livelli di affidabilità molto superiori agli attuali. Gli agenti che oggi impressionano perché generano software potrebbero apparire primitivi rispetto agli agenti che domani sapranno validarlo, integrarlo e portarlo sul mercato.

Per il momento il verdetto dello studio è netto. L’intelligenza artificiale ha già trasformato il lavoro degli sviluppatori e la produttività osservabile cresce a ritmi senza precedenti. Tuttavia la vera misura dell’innovazione non è il volume di codice prodotto, ma la quantità di valore che raggiunge gli utenti. Tra questi due estremi esiste ancora una lunga catena di passaggi umani. Ed è proprio lì che, almeno nel 2026, la rivoluzione dell’AI incontra i suoi limiti più concreti.