L’intelligenza artificiale sta cambiando il modo in cui si scrive software, cosa che oramai è nota da tempo, ma voglio raccontare 3 percorsi in cui l’AI sta facendo la differenza.
L’AI è sicuramente un supporto allo sviluppo che ha cambiato il mondo del lavoro, e lo sta facendo in due direzioni che conviene guardare insieme.

Da una parte rende lo sviluppo molto più veloce: aiuta a capire i vecchi programmi in COBOL e RPG che ancora oggi fanno girare banche, trasporti ed energia, e permette a un negozio o a una piccola attività di avere un’applicazione su misura senza ingaggiare uno sviluppatore, con qualche compromesso da mettere in conto.

Dall’altra rende più difficile il lavoro di chi deve proteggere quel software, perché il codice arriva più in fretta di quanto si riesca a controllarlo. I segnali indicano che non è una situazione che rimarrà invariata nel tempo, quindi è una questione di tempo perché il problema si mitighi.

In questo articolo si parte dai cambiamenti nello sviluppo, con le testimonianze dell’università e di IBM, e poi si passa alla sicurezza, con i dati di un recente rapporto della Linux Foundation e il caso del kernel Linux. Si chiude con un riassunto dei punti chiave.

Come l’AI ha cambiato lo sviluppo software

Scrivere software oggi non è più l’attività di due anni fa. Il programmatore non parte più da una pagina bianca: descrive cosa vuole, l’AI propone il codice e lui lo legge, lo corregge, lo mette alla prova. Il lavoro cambia su tre fronti: l’analisi dei vecchi sistemi che ancora oggi reggono banche o trasporti ed energia, il nuovo ruolo di chi sviluppa e la possibilità di costruire strumenti su misura anche per un negozio o una piccola attività, con i compromessi che questo comporta. Più avanti vedremo perché questa velocità rende più complicato il lavoro della sicurezza informatica.

I vecchi sistemi che reggono la vita di tutti i giorni

Quando si parla di AI e programmazione si pensa subito alle app nuove, ma il cambiamento più concreto riguarda il software vecchio. Dietro uno sportello bancario, una prenotazione ferroviaria o la gestione di una rete energetica girano spesso programmi scritti decenni fa, in linguaggi come COBOL e RPG, su sistemi ormai vecchissimi che però sono al centro delle attività di milioni di persone ogni giorno. Funzionano, e proprio per questo nessuno li tocca volentieri. Chi li ha scritti è spesso andato in pensione, la documentazione è scarsa e una modifica sbagliata può fermare un servizio con danni incalcolabili.

Qui l’AI sta facendo la differenza. In un’intervista a 01net, Roberta Bavaro di IBM Italia spiega che il valore dell’AI non sta solo nel generare codice nuovo, ma anche nel leggere quello vecchio, ricostruirne la logica di business e documentarlo. Capire cosa fa un vecchio programma prima di toccarlo è la parte più lenta e più rischiosa del lavoro, ed è proprio quella che l’AI accorcia.

L’esempio concreto è quello di Elmec Informatica, che ha provato IBM Bob, un ambiente di sviluppo con agenti AI che supporta RPG, COBOL e Db2, e l’ha provato sui propri sistemi prima di proporlo ai clienti. Alcune attività di analisi, documentazione e modernizzazione sono passate da giorni a poche ore, per esempio la conversione di codice RPG al formato più moderno e il riutilizzo di servizi già in produzione. Il tutto, ricorda l’intervista, con la supervisione di persone esperte. Per le aziende significa poter modernizzare i sistemi che non possono permettersi di spegnere, senza dover ricominciare da zero.

Il programmatore diventa supervisore

Secondo Antonio Cisternino dell’Università di Pisa e Alessandro Longo, in un’analisi pubblicata a gennaio su Agenda Digitale, la direzione è molto ben definita, il codice viene generato dalle macchine e supervisionato dalle persone, che restano al centro di architettura, qualità e manutenzione.

Cisternino ha provato gli strumenti più diffusi, da Claude Code a Codex, da Copilot ad Antigravity di Google, sul suo progetto open source Eligere, un sistema di voto elettronico. Claude Code ha prodotto il risultato atteso al primo tentativo, mentre Codex ha avuto bisogno di un secondo prompt.
Le differenze, insomma, ci sono, ma il punto non è la gara tra strumenti, è che oggi basta una richiesta ben scritta per ottenere in pochi minuti un’analisi che prima richiedeva ore.

Il cambiamento non è solo nelle aziende, è arrivato anche in aula!

Al Master in Computer Science di Pisa il corso di Advanced Programming è stato ripensato, agli studenti si chiede di far generare le soluzioni all’AI, di allegare i prompt usati e le tecniche con cui hanno verificato il risultato.
Si impara a controllare lo sviluppo automatico, non solo a scrivere in uno o più di linguaggi di programmazione.

L’applicazione per il negozio non richiede più uno sviluppatore

C’è un secondo cambiamento, meno visibile ma molto concreto.
Fino a poco tempo fa, chi aveva un negozio, uno studio o una piccola azienda e voleva un programma per gestire prenotazioni, magazzino o preventivi doveva rivolgersi a uno sviluppatore oppure adattarsi a un software generico. Oggi, per applicazioni semplici, si può chiedere all’AI di costruirla e ottenere, con una buona approssimazione, quello che serve.

Cisternino ci racconta che i sistemi di tipo CRUD, cioè quelli che inseriscono, leggono, modificano e cancellano dati e che sono la base di molti gestionali, vengono sempre più generati in automatico, con una riduzione prevista del numero di sviluppatori necessari per questo tipo di lavoro.

L’AI per lo sviluppo va quindi interpretata come uno strumento per creare strumenti, costruirne di nuovi su misura, ma anche ottimizzare quelli che già si usano, sistemando un passaggio ripetitivo, aggiungendo una funzione a un programma esistente o collegando due sistemi che non si parlavano.

La parola chiave però è approssimazione, perché l’AI chiede dei compromessi.
Funziona bene sulle tecnologie diffuse e tende a riprodurre schemi già noti, l’applicazione sarà fatta come tante altre, e se servono vincoli particolari o soluzioni originali il risultato peggiora.
Inoltre il primo 90% del lavoro arriva in fretta, ma l’ultimo 10%, fatto di casi particolari, dati reali e rifiniture, richiede ancora competenza.

E quando l’applicazione gestisce dati dei clienti, qualcuno deve comunque assicurarsi che sia sicura e che continui a funzionare nel tempo, ma non mi dilungo oltre visto che è un tema che affrontiamo più avanti.

Gli altri compromessi da mettere in conto

Cisternino elenca otto criticità spesso sottovalutate, e oltre a quelle già viste ce ne sono altre molto pratiche. E da chi usa questi strumenti non posso che confermare.
Aggiungere funzioni diventa così facile che si rischia di riempire il programma di cose inutili.
La memoria dell’AI dura una sessione, quindi serve documentare tutto fuori dallo strumento.

L’AI amplifica le competenze che già ci sono, ma non sostituisce architettura, test e gestione del debito tecnico.
E la velocità alza le aspettative, il tempo risparmiato viene subito riempito di nuovi obiettivi, con il rischio di più stress per chi lavora, invece che occupare il tempo risparmiato in test e simulazioni di funzionamento.

Ma anche questo sarà destinato a cambiare, perché come diceva il mio professore “più codice scrivi, più errori ci sono”.

Perché la sicurezza fa fatica a stare al passo

Ed inevitabilmente si arriva alla nota dolente dello sviluppo aiutato dall’AI.

Se il codice cresce a questa velocità, chi deve proteggerlo si trova a rincorrere.
Vediamo perché seguire lo sviluppo diventa più complicato per la cybersecurity, prima i numeri di un recente rapporto della Linux Foundation, poi il caso del kernel Linux, cioè il cuore del sistema operativo che è diventato le fondamenta di internet, e infine cosa si può fare, con calma e senza allarmismi.

La velocità supera i controlli

Il rapporto State of AI Impact on Software Security and Cybersecurity 2026, pubblicato a novembre dalla Linux Foundation, si basa su un sondaggio tra giugno e luglio con 308 professionisti della sicurezza, sviluppatori e contributori open source.
Il campione è piccolo, con un margine di errore del 7%, quindi i numeri vanno letti come indicazioni di tendenza. Ma la tendenza è netta.

Il 58% dei team dichiara di rilasciare codice più velocemente di quanto la revisione di sicurezza riesca a seguire.
Solo il 30% ha un ruolo dedicato alla sicurezza dell’AI e circa un terzo ha una policy formale.
Dove c’è un team dedicato, le cose vanno meglio; il 43% corregge subito la maggior parte degli alert, contro il 23% di chi non ce l’ha.

In pratica, tra i team con un gruppo dedicato alla sicurezza, 43 su 100 sistemano subito la maggior parte dei problemi segnalati. Tra quelli senza, solo 23 su 100.
Avere qualcuno che se ne occupa a tempo pieno fa quasi raddoppiare la rapidità di intervento.

Il kernel Linux. Il caso emblematico per i controlli sui sistemi operativi

Il sistema operativo è lo strato su cui poggia tutto il resto, e il kernel Linux è l’esempio più osservabile di cosa succede quando il codice arriva più in fretta.

Come racconta HDblog, a maggio Linus Torvalds ha scritto che l’aumento delle patch ricevute, cresciuto release dopo release, è ormai la nuova normalità.
All’inizio lo considerava un fenomeno passeggero, anzi aveva anche espresso perplessità sull’uso massiccio dell’AI per la ricerca degli errori.
Secondo l’articolo, a spiegarlo è la diffusione degli strumenti AI che rendono più produttivi i contributori.

Nella release candidate 7.1-rc3 circa un terzo delle patch riguarda networking e driver di rete, e compaiono molte correzioni di sicurezza sulla gestione della memoria, in particolare errori di tipo use-after-free nei driver Bluetooth e GPU.
Sono bug che nascono quando un programma continua a usare un’area di memoria dopo averla rilasciata, e in un sistema operativo possono trasformarsi in falle serie.

Il punto per la sicurezza è semplice, ogni patch deve essere letta e valutata da una persona, e se il flusso cresce mentre i revisori restano gli stessi, è più difficile mantenere la stessa velocità e la stessa attenzione.
L’articolo non parla di controlli saltati, ma è lo stesso squilibrio che il rapporto della Linux Foundation fotografa nelle aziende.

I lettori del sito sono divisi, e le loro posizioni raccontano bene la situazione attuale, perché sono le stesse opinioni che si sentono oggi tra i professionisti dello sviluppo software.

C’è chi dice che più codice non significa codice migliore, e che si rischia di dover correggere dopo, e c’è chi ricorda che l’AI può aiutare a scovare proprio i bug di memoria.

Un’altra strada, più a lungo termine, è Rust, un linguaggio di programmazione più evoluto rispetto a C con cui veniva scritto il codice di Linux fino a qualche anno fa.
Il fatto che il kernel sta adottando Rust gradualmente potrebbe ridurre alla radice questo tipo di errori.
L’AI, a farla breve, è sia una delle cause del carico in più, sia uno degli strumenti per gestirlo.

Più AI, più dipendenze

Un altro nodo riguarda i pezzi di software che ogni progetto si porta dietro, le cosiddette dipendenze.
Il 60% degli intervistati dice che gli strumenti AI le aumentano, mentre solo il 16% pensa che le riducano.
E le dipendenze indirette, quelle che arrivano al seguito di altre, vengono controllate solo nel 53% dei casi.

Non stupisce allora che la minaccia più temuta sia l’attacco alla catena di fornitura del software (93%), seguita dalla prompt injection (90%), cioè dalle istruzioni nascoste che possono far deviare un assistente AI.

In quasi ogni caso la preoccupazione supera la preparazione.
Sul fronte degli aggiornamenti dei componenti, per esempio, ci si preoccupa all’83% ma ci si sente pronti solo al 44%.

Il comportamento conta più dell’etichetta

Su Forbes, in un intervento del 10 novembre, Ken Ammon, CEO di CodeHunter, prova a spiegare perché la fiducia tradizionale nel codice (da dove arriva, chi lo ha firmato, che reputazione ha) è sempre meno importante.

Si tratta di un’opinione e non di una ricerca, ma gli esempi sono quelli che chi sviluppa conosce bene. Un aggiornamento che risolve un problema di compilazione ma si porta dietro un pacchetto pericoloso, uno script generato dall’AI che fa il suo lavoro e intanto lascia un accesso non voluto, un container che supera tutti i controlli e contiene logica che in produzione non dovrebbe esistere.

La proposta è applicare al codice la stessa filosofia già usata per le reti, il cosiddetto zero trust: non fidarsi a priori, guardare cosa il codice fa davvero e limitarlo prima che venga eseguito.
Gli ambienti da presidiare per primi sono i computer degli sviluppatori, i sistemi di integrazione continua e i gestori di pacchetti.

Anche chi difende può usare l’AI

Sarebbe però un errore leggere tutto questo come una cattiva notizia. Tra chi usa strumenti di sicurezza assistiti dall’AI, il 69% li considera un miglioramento e solo il 10% un peggioramento.
Circa il 30% delle vulnerabilità trovate nell’ultimo anno è stato individuato proprio con questi strumenti, e si risparmia il 17% del tempo.

C’è un prezzo. I falsi allarmi aumentano il carico di lavoro del 30%, e l’82% degli intervistati teme che affidarsi troppo all’AI indebolisca le competenze di sicurezza degli sviluppatori.

Anche qui l’AI funziona da amplificatore, aiuta chi sa cosa sta facendo.

Cosa fare, senza allarmismi

Le raccomandazioni del rapporto sono pratiche e alla portata di molte aziende.
Servono un responsabile o un team che si occupi dei rischi legati all’AI, anche nei progetti open source.
Servono policy chiare su quali strumenti usare, da quali fonti prendere i componenti e quando la revisione umana è obbligatoria.
Serve un controllo più attento delle nuove dipendenze e del codice generato.
E serve considerare i falsi allarmi come un costo da misurare, non come un fastidio da ignorare.

Il filo conduttore è lo stesso già visto nella prima metà dell’articolo, l’AI allarga la capacità di chi lavora, ma la responsabilità resta sempre in mano alle persone.

In poche parole

In sintesi, l’AI sta cambiando lo sviluppo software su più livelli.
Accorcia l’analisi dei vecchi sistemi in COBOL e RPG che sostengono banche e trasporti ed energia, sposta il lavoro degli sviluppatori dalla scrittura alla supervisione e permette ad una piccola attività di avere strumenti su misura, a patto di accettare i compromessi di soluzioni standard, rifiniture che richiedono ancora competenza, manutenzione da non dimenticare.

Il codice, ad oggi, si produce più in fretta di quanto si riesca a controllarlo. Lo mostra il rapporto della Linux Foundation, lo mostra il kernel Linux, dove le patch aumentano e ogni modifica richiede comunque un occhio umano, e lo mostrano le dipendenze che crescono mentre i vecchi segnali di fiducia valgono sempre meno.

Gli stessi strumenti che accelerano gli sviluppatori aiutano però anche i difensori, a patto di avere ruoli chiari, regole scritte e qualcuno che controlli i risultati.

Attualmente la situazione è che se il codice lo scrive sempre più spesso l’AI, la differenza la fa chi lo legge, lo verifica e ci mette la firma.

Fonti: Agenda Digitale · HDblog · 01net · Forbes Tech Council · Linux Foundation

Co-Fondatore di Rubedo Data Solutions, ha una newsletter su substack, appassionato di informatica e automazione, sta in giro per il web in mezzo a enormi quantità di dati da più di 25 anni. Si occupa principalmente dell'ideazione e progettazione di servizi web, elaborazione e raccolta dati. Tutti strumenti che usa per i suoi hobby: la creazione di motori di ricerca e strumenti legati all'IA. Da vecchio nerd ha una scarsa propensione alla diplomazia ed uno spiccato humor nero, qualità che stranamente non a tutti piacciono.

Comments are closed.