L'intelligenza artificiale generativa sta rapidamente ridefinendo i paradigmi in numerosi settori, e l'ingegneria del software non fa eccezione. Modernizzare le applicazioni, automatizzare i test, ottimizzare il supporto sono solo alcune delle aree in cui l'IA generativa promette di apportare trasformazioni significative. Per esplorare e comprendere a fondo queste dinamiche, il Cigref, un'associazione francese di grandi imprese utilizzatrici di soluzioni e servizi digitali, co-anima un think tank dedicato specificamente a questo tema cruciale. Questo gruppo di riflessione ha condotto un'analisi approfondita sull'impatto e sul potenziale dell'IA nel ciclo di vita dello sviluppo software, culminando in un bilancio dettagliato dei lavori svolti nel 2025.

Il think tank del Cigref è stato istituito nel 2024, riconoscendo la crescente rilevanza dell'IA generativa nel panorama tecnologico. Al momento della sua nascita, era strutturato in cinque gruppi di lavoro, ciascuno focalizzato su un aspetto chiave dell'integrazione dell'IA nell'ingegneria del software. Questi gruppi erano: "sviluppatore aumentato", "automazione dei test", "retrodocumentazione e modernizzazione delle applicazioni", "ottimizzazione del supporto" e, infine, un tema trasversale, "passaggio alla scala".

Nel 2025, il think tank ha subito un'evoluzione strategica, ampliando la sua portata e riorganizzando i suoi gruppi di lavoro per affrontare nuove sfide e opportunità. La struttura è passata a sei gruppi di lavoro, nati dalla fusione di "sviluppatore aumentato" e "passaggio alla scala", e dall'aggiunta di due nuovi ambiti: "design delle applicazioni" e "vibe coding / server MCP". A garanzia della rilevanza e della profondità delle analisi, il think tank si è dotato di un comitato di pilotaggio (copil) composto da dodici direttori informatici di spicco del panorama aziendale francese:

  • Pierre-Yves Bollard, Global Head of IT, Crédit Agricole CIB
  • Ekbel Bouzgarrou, DSI, Air France-KLM
  • Jean-Paul Bouchon, DSI adjoint, Michelin
  • Lionel Chaine, DSI, Bpifrance
  • Marion Charles, DGA (ex direttrice informatica), Euro-Information
  • Pascal Faucillon, Direttore delle operazioni, EDF
  • Olivier Heitz, DSI, Bouygues Telecom
  • Pierre Houlès, Direttore digitale e IA, Kering (precedentemente direttore informatico aggiunto presso Renault, che rappresentava nel copil)
  • Sylvain Jacob, Direttore associato dell'ingegneria, Amadeus
  • Vincent Lauriant, DSI adjoint e CTO, Veolia Eau
  • Arnaud Méjean, DSI, MGEN
  • Philippe Toulorge, DSI, Crédit Agricole Assurances

Qualche settimana fa, il think tank ha concluso e reso pubblico il bilancio dei suoi lavori per il 2025. Di seguito, vengono presentati alcuni dei risultati più significativi e le osservazioni chiave emerse dai diversi gruppi di lavoro.

Passaggio alla scala / sviluppatore aumentato

Questo gruppo di lavoro, composto da quindici membri, ha esaminato come l'intelligenza artificiale possa potenziare le capacità degli sviluppatori e facilitare l'adozione su larga scala delle pratiche di sviluppo assistite dall'IA. I partecipanti hanno notato che, nonostante le aspettative iniziali, i guadagni di produttività variano da 0 a 20%. Hanno quindi concluso che la promessa di uno "sviluppatore 10x" (dieci volte più produttivo) non è ancora una realtà concreta. Il gruppo ha identificato e proposto tre tipologie di formazione essenziali per aiutare gli sviluppatori a migliorare le proprie competenze nell'utilizzo dell'IA:

  • Fondazioni (per sviluppatori junior):
    • Elementi essenziali del prompt engineering.
    • Utilizzo di GitHub Copilot per gli sviluppatori.
    • Buone pratiche di sicurezza e conformità con l'IA.
    • Comprendere e verificare il codice generato dall'IA.
  • Produttività avanzata (per sviluppatori senior):
    • Workflow IA per lo sviluppo.
    • Generazione automatizzata di test unitari e di integrazione.
    • Ottimizzazione IA del codice legacy.
    • Documentazione aumentata dall'IA.
  • Leadership IA (per sviluppatori senior):
    • Costruire guidelines IA per il team.
    • Industrializzare l'uso degli assistenti IA.
    • Integrare l'IA nella CI/CD (Continuous Integration / Continuous Delivery).
    • Mentoring IA per gli sviluppatori.

Vibe coding / server MCP

Questo gruppo di lavoro, composto da otto membri, si è concentrato sulle nuove metodologie di sviluppo, come il "vibe coding", e sull'infrastruttura sottostante. Nel primo semestre del 2025, il vibe coding è stato associato principalmente a casi d'uso semplici e rapidi. Tuttavia, nel secondo semestre, sono emersi scenari più complessi, indicando una maturazione dell'approccio. Una decina di strumenti sono attualmente sotto la lente d'ingrandimento di questo gruppo di lavoro, valutati secondo un processo che include identificazione, valutazione, test e adozione:

  • Identificazione: Tabnine, Mistral Vibe.
  • Valutazione: Antigravity, Context7, Cursor, GitHub Copilot coding agent, Kiro, Windsurf.
  • Test: GitHub Copilot.
  • Adozione: (non specificato, implicando che GitHub Copilot è un candidato per l'adozione).

Diverse domande rimangono in sospeso riguardo al vibe coding, evidenziando le sfide e le incertezze future:

  • È un'alternativa al modello di licenza dei grandi fornitori SaaS? È necessario ricodificare le grandi licenze in locale?
  • Le società di servizi, in particolare quelle offshore o focalizzate sulla sola produzione di codice, sono ancora sostenibili?
  • Con i modelli che diventano sempre più costosi, quale sarà il costo del vibe coding in futuro?

Modernizzazione delle applicazioni

Questo gruppo di lavoro, anch'esso composto da otto membri, ha esplorato i modi in cui l'IA può essere utilizzata per modernizzare le applicazioni esistenti. Ha identificato cinque campi principali di utilizzo dell'IA in questo contesto, ciascuno con esempi, metodi impiegati e strumenti mobilitati:

1 – Miglioramento puntuale della qualità

Questo campo si concentra sulla risoluzione rapida e mirata di problemi di qualità nel codice esistente.

  • Esempi: Miglioramento di codice esistente, correzione di code smell (cattive pratiche di progettazione), risoluzione di bug, ottimizzazione / miglioramento puntuale.
  • Metodi impiegati: Prompt engineering semplice per guidare l'IA nella correzione mirata, file di contesto limitati ai moduli interessati, retesting regolare, validazione umana sistematica, revisione delle golden rules.
  • Strumenti mobilitati: GitHub Copilot con modello premium (Claude Sonnet, ecc.), Context7 (opzionale), Linters (SonarQube, Checkstyle, PMD).

Gli strumenti menzionati si dimostrano capaci di realizzare queste azioni in autonomia, di aggiornare i test di conseguenza e di eseguirli nuovamente. I guadagni sono dell'ordine di qualche ora per intervento.

2 - Miglioramento della sicurezza, conformità e aggiornamento dei componenti

Questo campo riguarda l'aggiornamento di dipendenze e l'adeguamento a standard di sicurezza e conformità.

  • Esempi: Aggiornamento di dipendenze (es. Log4j) per correggere vulnerabilità note, sostituzione di codice LDAP custom con l'utilizzo di una libreria open source dedicata, aggiornamenti di versione (es. migrazione Log4j 1.x verso Logback, aggiornamento di Jackson-Databind, ecc.).
  • Metodi impiegati: Implementazione progressiva e a tappe (da una versione all'altra, ecc.), richiesta di aggiornamento delle librerie e considerazione degli impatti sul codice esistente, verifica delle metriche qualità/sicurezza a ogni tappa, idealmente tramite MCP.
  • Strumenti mobilitati: GitHub Copilot con modello premium (Claude Sonnet, ecc.), Context7, strumenti di analisi della composizione software (Xray, Renovate, ecc.).

Gli strumenti elencati si rivelano capaci di realizzare queste azioni in autonomia, di aggiornare i test di conseguenza e di eseguirli nuovamente.

3 - Modernizzazione dei framework e dei linguaggi

Qui si affronta l'aggiornamento di interi framework e linguaggi di programmazione per mantenere le applicazioni al passo con i tempi.

  • Esempi: Upgrade di un framework open source (Spring Boot 2.x verso Spring Boot 3.x, Angular X verso Angular Y, ecc.), migrazione Java a scaglioni (6 > 8 > 17 > 21 > 25), sostituzione di frameworks legacy (CXF, ecc.).
  • Metodi impiegati: Suddivisione in sotto-task da parte dell'esperto che pilota il bot, generazione da parte del bot di un upgrade plan per dividere il problema in sotto-task, modernizzazione dello stack di test in priorità.
  • Strumenti mobilitati: GitHub Copilot con modello premium (Claude Sonnet, ecc.), Github Copilot App Modernization, OpenRewrite (quando esistono delle "ricette").

I risultati sono convincenti con GitHub Copilot quando l'esperto definisce un piano d'azione in sotto-task. Sono promettenti ma parziali con GitHub Copilot App Modernization (da utilizzare solo per casi semplici).

4 - Modernizzazione di frameworks « maison »

Questo campo si concentra sulla modernizzazione di framework sviluppati internamente, che spesso presentano sfide uniche a causa della loro natura proprietaria.

  • Esempi: Aggiornamento completo di un'applicazione che utilizza un framework interno, aggiornamento del codice applicativo per eliminare le dipendenze o i middleware « legacy », modernizzazione di un'applicazione manuale e generazione di un file differenziale (prima/dopo) per guidare le future modernizzazioni.
  • Metodi impiegati: Utilizzo di un file Markdown « guida » che documenta gli impatti noti.
  • Strumenti mobilitati: GitHub Copilot con modello premium (Claude Sonnet, ecc.), AWS Custom Transform, OpenRewrite (quando esistono delle "ricette").

I risultati sono interessanti con il file differenziale, che permette di produrre "ricette" OpenRewrite. Lo sono anche con il file Markdown. Attualmente per casi semplici. Tuttavia, esempi con modelli all'avanguardia si annunciano promettenti per il 2026.

5 - Riscrittura

La riscrittura implica una migrazione più profonda, spesso cambiando radicalmente la base tecnologica di un'applicazione.

  • Esempi: Migrazione di un framework interno verso tecnologie moderne (Spring Boot, Angular, K8s, ...), migrazione di un'applicazione completa legacy cobol verso tecnologie moderne (Spring Boot, Angular, K8s, ...).
  • Metodi impiegati: Spec-Driven Development: retrodocumentazione tramite IA dell'applicazione, poi sviluppo a partire da queste specifiche pivot.
  • Strumenti mobilitati: GitHub Copilot con modello premium (Claude Sonnet, ecc.), Spec Kit, Amazon Q:Developer Transform, Kiro (modalità Spec), AWS Transform custom.

I risultati sono interessanti con AWS Transform (potenziale per svolgere la maggior parte del lavoro di riscrittura, sotto la supervisione di un esperto). Kiro è facilitante ma non può effettuare una riscrittura completa dell'applicazione. I risultati sono parziali tramite GitHub Copilot e Spec Kit, che funzionano solo con un contesto di dimensioni modeste.

Le approcci descritti per la modernizzazione delle applicazioni funzionano efficacemente per applicazioni che arrivano fino a 50.000 linee di codice. Oltre questa soglia, diventa necessario segmentare l'applicazione per interventi mirati. È stato inoltre evidenziato che le IA possono essere sollecitate per generare esse stesse le istruzioni che devono seguire, partendo da esempi concreti. Un agente IA può facilitare la rilettura del codice generato da un altro, migliorando la qualità e riducendo gli errori. Infine, la necessità di avere un contesto sempre aggiornato invita a gestire proattivamente la documentazione, rendendola un elemento chiave per l'efficacia degli interventi IA.

Conclusioni e prospettive

Il bilancio del think tank del Cigref per il 2025 offre uno sguardo dettagliato e realistico sulle potenzialità e sulle sfide dell'IA generativa nell'ingegneria del software. Sebbene la visione di uno "sviluppatore 10x" possa essere prematura, i guadagni di produttività fino al 20% e l'emergere di nuove metodologie come il "vibe coding" dimostrano un impatto tangibile. La modernizzazione delle applicazioni, suddivisa in cinque campi d'azione specifici, rivela che l'IA può offrire miglioramenti significativi in termini di qualità, sicurezza, aggiornamento di framework e persino riscrittura complessa del codice.

Le questioni aperte sul costo futuro del "vibe coding" e sulla sostenibilità delle società di servizi offshore evidenziano la necessità di ulteriori ricerche e adattamenti del mercato. Il successo degli interventi IA è spesso legato alla definizione chiara di piani d'azione da parte di esperti umani e alla disponibilità di contesti di codice e documentazione adeguatamente gestiti. Guardando al futuro, l'integrazione di modelli frontiera e l'automazione della generazione di istruzioni per l'IA stessa promettono di ampliare ulteriormente l'efficacia di questi strumenti nel corso del 2026 e oltre. Il lavoro del Cigref continuerà a monitorare queste evoluzioni, fornendo una guida preziosa per le grandi imprese nell'adozione strategica dell'IA nello sviluppo software.