Questa guida di Augment Code, a cura di Paula Hingel, propone un modello a sei fasi per comprendere come gli agenti IA stiano ristrutturando il ciclo di vita dello sviluppo software. Tesi centrale: l'IA non migliora l'SDLC in modo uniforme — aumenta il throughput in alcune fasi mentre eleva il rischio di instabilità in altre. Questo squilibrio non è una fatalità tecnologica, ma il sintomo di un'adozione disomogenea condotta senza ridisegnare i confini della revisione. L'articolo si basa sul rapporto DORA 2025, che stabilisce una correlazione positiva tra adozione dell'IA e throughput/prestazioni di prodotto, ma una correlazione negativa con la stabilità del delivery: la maturità del processo conta più dello strumento.
Le sei fasi vengono rilette secondo questa chiave. (1) Requisiti e pianificazione: la specifica diventa il meccanismo di controllo che guida l'agente; gli esseri umani si concentrano sulla qualità dei requisiti e sulla risoluzione delle ambiguità. (2) Design e architettura: un numero maggiore di decisioni richiede una revisione umana esplicita, per evitare il "vibe architecting" — scelte infrastrutturali o di integrazione prese in pochi secondi, più veloci di quanto la governance riesca a seguire. (3) Implementazione: lo sviluppatore passa dalla scrittura di codice all'orchestrazione, alla validazione e all'approvazione. (4) Testing e QA: il rischio principale è la validazione circolare, in cui i test generati dall'IA confermano il codice generato dall'IA invece di verificare il requisito effettivo; una specifica precisa costituisce la salvaguardia. (5) Deployment: i guadagni di throughput creano rischi di stabilità, da cui la necessità di controlli di rollback più solidi. (6) Manutenzione e operazioni: gli agenti gestiscono il rilevamento e la correzione, gli esseri umani gestiscono le eccezioni e l'hardening.
Vengono individuati tre rischi strutturali: erosione della pipeline junior (automatizzare i compiti fondamentali più rapidamente di quanto vengano ridisegnati i ruoli junior riduce il futuro bacino di senior), la validazione circolare e le lacune di governance su larga scala. In parallelo emergono tre ruoli: Intent Engineering (tradurre obiettivi ambigui in specifiche verificabili), Agentic DevOps/Infra (orchestrare gli agenti) e AI Governance/Assurance.
La guida è supportata da dati: il 70% del tempo degli sviluppatori speso a comprendere codice esistente, uno studio della CMU (807 repository) che mostra +30% di problemi rilevati dall'analisi statica e +40% di complessità, e il sistema DRS di Meta (oltre 10.000 modifiche applicate durante un code freeze). Si conclude con cinque raccomandazioni operative: verificare una fase prima di scalare, sottoporre la governance a stress test, rendere centrale la specifica, definire policy di rollback esplicite e ridisegnare il ruolo junior attorno alla revisione.