Se l'AI scrive il codice, ha ancora senso l'Agile?
L'Agile ha rappresentato uno dei principali cambiamenti nel modo di sviluppare software. L'idea nasceva da un problema reale: nei progetti software tradizionali si passava molto tempo a definire dettagliatamente una soluzione prima di iniziare a costruirla. Quando il software arrivava agli utenti, spesso il mercato, le esigenze o le priorità erano già cambiate.
Oggi, però, l'Intelligenza Artificiale sta modificando profondamente una delle condizioni sulle quali si basava questo modello: se l'AI permette di produrre software molto più velocemente, ha ancora senso utilizzare cicli di sviluppo brevi per scoprire cosa costruire? La risposta, secondo noi, è sì, ma con una differenza fondamentale:
nell'era dell'AI non dobbiamo essere necessariamente più veloci nel costruire la cosa sbagliata. Dobbiamo essere più bravi nel capire quale sia quella giusta.
L'Agile nasceva anche come risposta al costo del cambiamento
Uno dei problemi che Agile cercava di affrontare era il costo del cambiamento.
Modificare un requisito dopo mesi di progettazione e sviluppo poteva essere costoso.
Per questo era conveniente suddividere il progetto in piccoli incrementi, raccogliere feedback e adattarsi progressivamente.
Il software veniva costruito per passi successivi.
Oggi l'AI sta riducendo proprio una parte del costo associato alla produzione del software.
Generazione del codice, refactoring, documentazione, testing e molte altre attività possono essere accelerate attraverso strumenti di AI. Le ricerche più recenti mostrano inoltre che le organizzazioni che ottengono i risultati migliori non si limitano a utilizzare l'AI per programmare, ma la integrano lungo l'intero ciclo di sviluppo, dalla definizione dei requisiti al testing e alla gestione del prodotto. Questo cambia l'equazione.
Se il software costa meno da produrre, cosa diventa più importante?
Immaginiamo che prima fossero necessarie 100 ore per trasformare un'idea in una prima versione funzionante.
Se l'AI permette di ridurre sensibilmente questo lavoro, potremmo arrivare molto più velocemente al prototipo.
Sembra un vantaggio puramente tecnico.
In realtà produce una conseguenza molto più interessante:
diventa possibile investire maggiormente nella fase che precede lo sviluppo.
- Analizzare
- Capire
- Progettare
- Confrontarsi con gli utenti
- Studiare il processo
- Individuare le eccezioni
- Capire quali dati servono
- Disegnare l'architettura
- Valutare se e dove utilizzare l'AI
- Definire cosa automatizzare e cosa lasciare alle persone
Il valore si sposta quindi progressivamente dalla produzione del codice alla qualità delle decisioni che precedono il codice.
Il vero cambiamento: dal "come sviluppiamo?" al "cosa dobbiamo costruire?"
Questo è probabilmente il punto più importante.
In un modello tradizionale una parte consistente del lavoro tecnico consiste nel trasformare requisiti relativamente astratti in migliaia di righe di codice.
Con l'AI questa trasformazione può diventare molto più rapida.
Ma rimane una domanda molto più difficile: Il software che stiamo costruendo risolve davvero il problema dell'azienda?
Un modello AI può aiutare a scrivere una user story.
Può generare un'applicazione.
Può creare un'interfaccia.
Può produrre test.
Può persino aiutare a progettare componenti architetturali.
Ma non conosce automaticamente:
- come funziona realmente l'azienda;
- quali sono le eccezioni del processo;
- quali compromessi sono accettabili;
- quali utenti hanno esigenze diverse;
- quali informazioni sono veramente affidabili;
- quali sistemi legacy non possono essere modificati;
- quali decisioni hanno un impatto economico;
- quali processi rappresentano un vantaggio competitivo.
Questa conoscenza deve essere costruita attraverso analisi e confronto con il cliente.
Quindi Agile è morto?
No. Ma potrebbe essere arrivato il momento di distinguere due cose che spesso vengono messe insieme: Agile come filosofia e Agile come insieme di pratiche operative.
La filosofia continua ad avere molto senso:
- feedback continuo;
- collaborazione;
- adattabilità;
- attenzione al valore;
- sviluppo incrementale;
- capacità di cambiare direzione.
Quello che può cambiare è il modo in cui queste idee vengono applicate. Se l'AI permette di costruire una funzionalità in poche ore invece che in giorni, non ha necessariamente senso organizzare il lavoro esattamente come prima.
La velocità del ciclo può aumentare. Il contenuto dello sprint può cambiare. Il ruolo delle persone può cambiare. E soprattutto può cambiare il rapporto tra discovery e delivery.
Discovery e Delivery: il vero nuovo equilibrio
Possiamo semplificare il processo in due grandi aree.
Discovery
Cosa dobbiamo costruire e perché? Comprende:
- analisi del processo;
- comprensione del problema;
- raccolta dei requisiti;
- confronto con gli utenti;
- definizione delle priorità;
- progettazione dell'esperienza;
- valutazione delle alternative;
- definizione dell'architettura.
Delivery
Come lo costruiamo? Comprende:
- sviluppo;
- testing;
- integrazione;
- deployment;
- manutenzione;
- evoluzione.
L'AI sta accelerando soprattutto la seconda area, ma sta diventando utile anche nella prima. Può analizzare documentazione, sintetizzare interviste, elaborare feedback, individuare pattern nei requisiti e aiutare nella produzione di prototipi e specifiche. McKinsey evidenzia proprio questa evoluzione verso un ciclo di sviluppo nel quale l'AI interviene anche nelle fasi iniziali di strategia, discovery, requisiti e product design.
Il risultato è interessante: se la Delivery diventa più veloce, la Discovery diventa relativamente più importante.
Non è un ritorno al Waterfall
Questa conclusione potrebbe sembrare un ritorno al passato. Se l'analisi diventa più importante, perché non tornare al vecchio modello? Perché sarebbe una conclusione sbagliata.
Non significa tornare a progettare tutto per un anno prima di scrivere una riga di codice.
Significa invece utilizzare l'AI per accorciare anche il ciclo tra analisi, prototipo e validazione.
Il nuovo modello potrebbe essere:
Analizzare → Progettare → Prototipare con AI → Validare → Sviluppare → Misurare → Apprendere
E poi ricominciare. È ancora Agile.
Ma il ciclo è più veloce e può contenere più lavoro di discovery e validazione prima di impegnare risorse significative nello sviluppo.
Agile tradizionale: Costruiamo velocemente per imparare.
AI + Agile: Comprendiamo meglio, prototipiamo velocemente e costruiamo solo ciò che crea valore.
La nuova competenza: capire il problema prima di risolverlo
In questo scenario l'analisi dei processi assume un valore ancora maggiore.
Prima di pensare a un'applicazione bisogna capire:
- Come funziona oggi il processo?
- Chi fa cosa?
- Con quali strumenti?
- Con quali dati?
- Dove si perde tempo?
- Quali attività sono ripetitive?
- Dove avvengono errori?
- Quali informazioni devono essere ricopiate?
- Quali decisioni vengono prese?
- Quali sono automatiche?
- Quali richiedono esperienza?
- Quali potrebbero essere supportate dall'AI?
- Quali sistemi esistono già?
- ERP?
- CRM?
- Excel?
- Documentali?
- Applicazioni legacy?
- API?
- Cosa dovrebbe cambiare?
- Qual è il processo futuro?
- Quale parte deve essere automatizzata?
- Quale deve rimanere sotto controllo umano?
Solo a questo punto ha senso progettare il software.
Quindi: Agile sì, ma non Agile come prima
La domanda iniziale era: Ha ancora senso Agile nell'era dell'Intelligenza Artificiale?
La nostra risposta è: sì, ma non possiamo limitarci a fare Agile più velocemente.
L'AI cambia l'economia dello sviluppo software e rende molto più veloce la trasformazione di un'idea in codice.
Questo rende ancora più importante tutto ciò che viene prima: comprendere il problema, analizzare il processo, definire il valore, progettare l'architettura e validare le scelte.
La ricerca accademica più recente sull'intersezione tra AI e Agile parla infatti di una possibile evoluzione della disciplina, con un nuovo equilibrio tra ruoli umani e AI e una crescente attenzione a collaborazione, governance e mantenimento della centralità umana.
Il futuro probabilmente non sarà quindi Agile contro AI, ma sarà: Agile + AI + una maggiore capacità di comprendere il problema.