Brian Houck pubblica, il 5 agosto 2026, sulla newsletter Engineering Enablement di DX, un testo che affronta la crisi della coda di revisione da un'angolazione diversa dal tooling. L'osservazione quantificata è netta: in Meta, le righe significative per diff unite da un umano sono aumentate del 106% in un anno, i diff per sviluppatore al mese del 51%, con più dell'80% di questa crescita attribuibile all'IA agentica; l'analisi di DX misura una dimensione mediana delle pull request in aumento del 64%. Nel frattempo, la quota di diff revisionati entro 24 ore diminuisce, e alcune grandi organizzazioni accumulano migliaia di revisioni in attesa. Eppure gli sviluppatori vorrebbero dedicare circa il 7% del loro tempo alla revisione. Chiederne di più non è una risposta: i conti non tornano.
Prima di invocare l'IA come soluzione di salvataggio, Houck riformula la questione dell'uso: quale problema risolveva la revisione del codice prima dell'IA? Se si trattava unicamente di trovare difetti, l'automazione completa è inevitabile e desiderabile. Ma lo studio Modern Code Review di Bacchelli e Bird (ICSE 2013) stabilisce che i commenti relativi ai difetti rappresentano solo il 14% dei commenti effettivamente scritti, pur essendo l'individuazione dei difetti la motivazione più citata; più della metà degli sviluppatori dichiara di usare la revisione per esplorare soluzioni alternative, trasferire conoscenza e sapere cosa stanno costruendo i colleghi.
Parte dell'onere è, scrive, autoimposto. Lo studio Microsoft del 2016 su 911 sviluppatori aveva già individuato il tempo di turnaround, la dimensione della revisione e la comprensione della motivazione come i primi tre ostacoli; solo il 26% scriveva ancora una descrizione dettagliata. L'IA non ha creato questa situazione: l'ha ereditata e amplificata.
Una volta messe a posto le fondamenta, l'IA ha un ruolo reale da giocare. La ricerca AI Where It Matters di DX mostra che gli sviluppatori vogliono che individui problemi di sicurezza e conformità, segnali i cambiamenti rischiosi e assorba il volume di routine — ma rifiutano l'auto-merge, l'auto-commit e il trasferimento della responsabilità. Il sistema RADAR di Meta è presentato come l'implementazione più compiuta di questa linea: automazione di un sottoinsieme di diff a rischio da basso a medio, instradando il resto agli umani, con risultati netti dichiarati e un trade-off riconosciuto sul trasferimento di conoscenza.
La conclusione riprende da Margaret-Anne Storey la nozione di debito cognitivo e debito d'intento: la questione non è scegliere tra revisione umana e revisione IA, ma decidere quali parti della revisione sono troppo preziose per essere automatizzate.