Introduzione

Due ricercatori di Harvard, Fiona Chen e James Stratton, hanno condotto un’analisi comparativa sull’impatto degli agenti di coding all’interno di 718 aziende. I risultati, pubblicati in un working paper dell’8 agosto 2026, evidenziano una contraddizione importante: se da una parte gli strumenti di intelligenza artificiale generano più codice, dall’altra la fase di revisione umana diventa più lenta e meno efficace.

Metodologia e campione

I dati provengono da Jellyfish, una piattaforma che monitora in dettaglio il lavoro dei team di sviluppo. Sono stati registrati circa 300 milioni di eventi, corrispondenti a 725 938 persone attive tra gennaio 2021 e marzo 2026. Tutte le aziende partecipanti hanno autorizzato l’uso dei dati a fini di ricerca. Lo studio si concentra sull’effetto a livello aziendale, non sul singolo sviluppatore: a un anno dall’introduzione dell’agente, la media delle imprese utilizza l’AI per circa il 20 % dei propri tecnici.

Principali risultati

Le righe di codice scritte per persona aumentano del 30 %.
I task chiusi rimangono invariati; gli autori escludono un incremento superiore al 12 %.
Il tempo medio tra la sottomissione di una modifica e la sua approvazione sale del 49 %, passando da 7 a quasi 10,5 giorni.
Le richieste di modifica (pull request) per sviluppatore raddoppiano, da 0,13 a 0,25 per PR.
I commenti per PR crescono del 35 % e il numero di revisori aumenta del 14 %.

In sostanza, il lavoro si è spostato dalla scrittura al controllo.

Confronto con altri strumenti AI

Per gli assistenti più leggeri, come Copilot e Cursor, l’effetto è diverso: le righe di codice aumentano del 12 %, i commit del 9 % e le pull request del 5 %, senza impatti significativi sui tempi di revisione. Solo gli agenti più autonomi – capaci di generare grandi blocchi di codice – creano il colpo di bottiglia nella fase di revisione.

Adozione dell’AI nella revisione

Le aziende hanno già iniziato a impiegare l’AI per accelerare la revisione. A marzo 2026 quasi l’80 % delle imprese del campione utilizza qualche forma di AI per il code review; il 23,3 % dei commenti è generato da un modello, e il 10,8 % delle pull request contiene almeno un commento AI.

Testimonianze interne

Nel documento sono riportate due voci tipiche dei team:

Un ingegnere junior sottolinea che “la revisione del codice era ancora il collo di bottiglia”.
Un senior afferma che “servono assolutamente ancora le persone nel processo di revisione”.

Confronti con studi precedenti

Lo studio di METR del luglio 2025, su 16 sviluppatori esperti e 246 task in progetti open source, aveva evidenziato che l’uso dell’AI aumentava il tempo di lavoro del 19 %. A febbraio 2026 METR ha rivisto il disegno sperimentale, in quanto i dati della fine 2025 erano considerati poco affidabili per effetti di selezione.

Un’indagine di Undo sul software critico, già citata in precedenti articoli di Tom’s Hardware, mostrava che il 35 % del codice in produzione era stato generato dall’AI senza essere compreso dagli sviluppatori. Un altro pezzo evidenziava che “nessuno controlla più il codice scritto dall’AI”, e una raccolta di metodi per misurare il ritorno dell’AI sottolineava le difficoltà di quantificare il valore reale.

Perché la revisione umana è insufficiente

Il principio della validazione umana resta valido, ma la quantità di codice prodotto supera di gran lunga la capacità di revisione di un team tradizionale. Una revisione approfondita di ogni modifica richiederebbe risorse pari o superiori a quelle necessarie per riscrivere manualmente il codice, rendendo il modello attuale insostenibile.

Soluzioni proposte

Per superare il limite della revisione manuale, gli esperti suggeriscono di combinare:

Audit automatici basati su analizzatori statici e dinamici.
Sistemi deterministici che possano verificare proprietà formali del codice.
Un ruolo di revisione umana più focalizzato su casi critici e su controllo di qualità complessiva, piuttosto che su ogni singola riga.

Solo una sinergia tra AI generativa e strumenti di verifica automatica può garantire sicurezza, qualità e scalabilità.

Implicazioni per le imprese

Le aziende devono valutare attentamente il ritorno sull’investimento degli agenti di coding. Se l’obiettivo è aumentare la produttività, è necessario parallelamente potenziare le capacità di revisione tramite AI assistita e automatismi di qualità. Altrimenti, l’aumento di codice non tradotto in task chiusi può tradursi in debito tecnico e vulnerabilità non rilevate.

Conclusioni

Gli agenti di coding dimostrano di poter generare più codice, ma la revisione umana non è pronta a gestire il volume aggiuntivo. Senza interventi mirati – audit automatici, strumenti di analisi statici e un ripensamento dei flussi di lavoro – il “collo di bottiglia” della revisione rischia di diventare il nuovo limite alla produttività delle organizzazioni software.