🤖 AI

Five Fatal Assumptions: Why T-Shirt Sizing Systematically Fails for AI Projects

Questo documento evidenzia come il sistema di stima a taglie T-shirt fallisca sistematicamente nei progetti di intelligenza artificiale a causa di cinque assunzioni errate tipiche dello sviluppo software tradizionale e propone il "Checkpoint Sizing", un approccio iterativo e basato su decisioni esplicite per gestire l'incertezza intrinseca dei modelli LLM e dei sistemi multi-agente.

Autori originali: Raja Soundaramourty, Ozkan Kilic, Ramu Chenchaiah

Pubblicato 2026-02-23

📖 6 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Raja Soundaramourty, Ozkan Kilic, Ramu Chenchaiah

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

🎽 Perché il "Taglio della Maglietta" non funziona per l'Intelligenza Artificiale

(O: Perché i progetti AI sono come cucinare con ingredienti che cambiano sapore da soli)

Immagina di dover organizzare una festa. Per stimare quanto tempo ci vorrà, usi un metodo classico: la "Maglietta".

Se è una piccola cena tra amici, è una Taglia S.
Se è un matrimonio, è una Taglia XL.
Se è un banchetto per 500 persone, è una Taglia XXL.

Per decenni, questo metodo ha funzionato perfettamente per il software tradizionale. Se sai quanto tempo ci vuole per costruire una casa di 100 metri quadri, puoi stimare con buona precisione quanto tempo ci vuole per una di 200 metri quadri. È come raddoppiare gli ingredienti: più pasta, più sugo, più tempo. Lineare. Prevedibile.

Ma l'Intelligenza Artificiale (AI) è una festa diversa. È come se gli ingredienti della tua ricetta cambiassero peso, sapore e consistenza mentre stai cucinando. Se provi a usare le stesse regole della "Maglietta" per l'AI, il risultato è disastroso.

Gli autori di questo studio (dalla Cisco) dicono: "Smettetela di usare la maglietta per l'AI!" Ecco perché, spiegato con 5 metafore semplici.

I 5 Errori Mortali (Le 5 Assunzioni che Crollano)

1. L'Errore della "Linea Dritta" (Il Salto Quantico)

Come pensiamo: Se voglio un'AI che capisce il 90% delle cose invece dell'85%, penso che mi servirà un po' più di tempo. Come aggiungere un altro mattone a un muro.
La realtà AI: È come scalare una montagna. Per arrivare all'85% è una passeggiata. Per arrivare al 90% devi arrampicarti su una parete di ghiaccio. Per arrivare al 95% devi costruire un elicottero.
La metafora: In AI, migliorare di poco la precisione richiede esponenzialmente più dati, più potenza di calcolo e più tentativi. Non è una linea retta, è una curva che sale a picco. Quello che sembrava un "piccolo aggiustamento" diventa un'impresa titanica.

2. L'Errore dell'Esperienza Passata (Ogni Faccia è Nuova)

Come pensiamo: "Abbiamo già fatto un chatbot per le Risorse Umane, quindi quello per il Supporto Tecnico sarà uguale, giusto?"
La realtà AI: Ogni dataset (l'insieme di dati su cui l'AI impara) è un mondo alieno diverso. Il linguaggio degli impiegati HR è diverso da quello dei tecnici che riparano router.
La metafora: È come se avessi imparato a nuotare in una piscina e pensassi che sarei stato pronto per l'Oceano Pacifico. Nell'AI, ogni nuovo progetto ti porta in un territorio sconosciuto ("terra incognita") dove le vecchie mappe non servono. Ci sono "incognite che non sai nemmeno di non sapere".

3. L'Errore del "Più Mani, Più Veloce" (Il Collo di Bottiglia)

Come pensiamo: Se un compito richiede 8 settimane, con 4 ingegneri lo facciamo in 2 settimane.
La realtà AI: No. L'AI ha fasi che devono avvenire in sequenza. Non puoi pulire i dati prima di averli raccolti. Non puoi addestrare il modello prima di aver pulito i dati. Non puoi testare prima di aver addestrato.
La metafora: Immagina di dover lavare 100 piatti. Se hai 10 lavapiatti, li lavi in 10 minuti. Ma se devi aspettare che l'acqua si scaldi, che il detersivo si sciolga e che l'acqua fredda diventi calda... aggiungere 100 persone non ti aiuta. Ci sono "tempi minimi" che non si possono comprimere, indipendentemente da quanti ingegneri hai.

4. L'Errore del "Cucito Separato" (Il Sistema Incollato)

Come pensiamo: Posso far lavorare un team sul "Design", uno sui "Dati" e uno sul "Modello" separatamente, e poi unirli alla fine.
La realtà AI: In AI, tutto è incollato insieme con colla forte. Se cambi un dato, il modello si rompe. Se cambi il modello, il prompt (le istruzioni) non funziona più.
La metafora: È come un castello di carte. In un software normale, puoi cambiare una carta senza toccare le altre. In un sistema AI, se muovi una carta in basso, tutto il castello trema e crolla. Non puoi stimare le parti separatamente perché sono "tropicamente accoppiate": un piccolo cambiamento qui crea un'onda gigante là.

5. L'Errore del "Finito" (La Porta che Si Muove)

Come pensiamo: "Il test è passato? Il codice è pronto? Finito! Facciamo il party."
La realtà AI: L'AI è probabilistica, non deterministica. Oggi funziona, domani potrebbe allucinare (inventare cose) o essere di parte. I criteri di "finito" cambiano mentre lavori.
La metafora: È come cercare di colpire un bersaglio che scappa e cambia forma. Ieri il bersaglio era "rispondere correttamente". Oggi il bersaglio è "rispondere correttamente senza offendere nessuno e senza mentire". Spesso, quando pensi di aver finito il progetto, ti rendi conto che devi ricominciare da capo perché le regole sono cambiate.

La Soluzione: Il "Checkpoint Sizing" (Il Metodo dei Fari)

Se la "Maglietta" non funziona, cosa usiamo? Gli autori propongono il Checkpoint Sizing.

Immagina di navigare in un oceano buio. Non puoi dire: "Arriveremo a destinazione in 10 giorni". È troppo rischioso.
Invece, usi dei Fari (Checkpoint).

Non stimare tutto subito: Invece di dire "Ci vogliono 6 mesi", dici: "Andiamo fino al primo faro (Controllo Dati)".
Valuta alla luce dei fatti: Arrivati al primo faro, guardi cosa hai trovato. "Oh, i dati sono sporchi! Ok, il progetto ora è più grande di quanto pensavamo."
Decidi se continuare: Solo dopo aver visto i dati reali, decidi se andare avanti, cambiare rotta o fermarti.

In sintesi:

Maglietta (Vecchio metodo): "Scommetto che ci vogliono 2 mesi!" (Basato su ipotesi).
Checkpoint (Nuovo metodo): "Andiamo a vedere i dati. Se sono buoni, continuiamo. Se sono pessimi, cambiamo piano." (Basato su prove).

Conclusione

Il messaggio finale è semplice: Non trattate l'Intelligenza Artificiale come un software normale. L'AI è imprevedibile, complessa e piena di sorprese. Smettere di usare stime rigide basate su "quanto è grande la maglietta" e iniziare a usare un approccio flessibile, fatto di piccoli passi e verifiche continue, è l'unico modo per non fallire miseramente.

È come passare dal guidare su un'autostrada dritta (software classico) al guidare in una giungla dove il sentiero cambia ogni giorno (AI). Serve una bussola, non un calendario.

Titolo: Cinque Assunzioni Fatali: Perché la Sizing a Tagli (T-Shirt Sizing) Fallisce Sistematicamente nei Progetti AI

Autori: Raja Soundaramourty, Ozkan Kilic, Ramu Chenchaiah (Cisco Systems, Inc.)
Data: 23 Febbraio 2026

1. Il Problema

Le tecniche di stima agile, in particolare la T-shirt sizing (categorizzazione del lavoro in S, M, L, XL), sono state per decenni lo standard per la pianificazione dello sviluppo software grazie alla loro semplicità e utilità nel definire l'ambito. Tuttavia, l'applicazione di questi metodi alle iniziative di Intelligenza Artificiale (AI), specialmente quelle che coinvolgono Large Language Models (LLM) e sistemi multi-agent, porta a risultati sistematicamente fuorvianti.

Il problema centrale non è una scarsa esecuzione del team, ma l'inadeguatezza del modello mentale tradizionale. Mentre la T-shirt sizing funziona per software deterministico, fallisce nell'AI perché le stime basate su analogie passate ignorano la natura non lineare, probabilistica e dipendente dai dati dello sviluppo AI. Questo porta a:

Espansioni di progetto di mesi invece di giorni.
Blocchi tecnici imprevisti ("muri" tecnici).
Sottostima critica degli sforzi di integrazione e validazione.

2. Metodologia

Gli autori hanno identificato e analizzato cinque assunzioni fondamentali su cui si basa la T-shirt sizing, valutando la loro validità nel contesto AI rispetto al software tradizionale. La metodologia si è basata su:

Sintesi dei metodi di stima: Analisi delle premesse implicite delle tecniche agili (story points, planning poker).
Allineamento con i flussi di lavoro AI: Confronto delle premesse con le caratteristiche documentate dei flussi di lavoro ML/AI (dipendenze dai dati, iterazione sperimentale, debito tecnico specifico).
Ancoraggio empirico: Utilizzo di letteratura recente (inclusi preprint su arXiv e studi ingegneristici) su sistemi multi-agent, leggi di scaling e inaffidabilità delle conversazioni multi-turno.
Criteri di valutazione: Ogni assunzione è stata testata su tre criteri: validità nel software tradizionale, violazione nel contesto AI e impatto materiale sulla stima.

3. I Cinque Assunzioni Fatali (Risultati e Analisi)

Il cuore del paper è l'analisi di come cinque assunzioni tradizionali collassino nell'AI:

A. Scalabilità Lineare dello Sforzo (Linear Effort Scaling)

Assunzione Tradizionale: Raddoppiare le funzionalità raddoppia lo sforzo (relazione lineare).
Realtà AI: La curva è esponenziale. Migliorare l'accuratezza da 85% a 95% può richiedere 10 volte lo sforzo o essere tecnicamente impossibile con l'approccio corrente.
Evidenza: Nei sistemi multi-agent, la complessità di interazione cresce combinatorialmente ( $N(N-1)$ ), non linearmente. L'aggiunta di un singolo agente può moltiplicare i casi di errore e le modalità di fallimento emergenti.

B. Ripetibilità dall'Esperienza Precedente (Repeatability)

Assunzione Tradizionale: Team esperti possono stimare con fiducia basandosi su progetti simili.
Realtà AI: Ogni dataset è "territorio inesplorato". Le distribuzioni dei dati, la copertura del vocabolario e la densità dei casi limite variano drasticamente tra domini.
Evidenza: I LLM mostrano un degrado medio delle prestazioni del 39% nelle conversazioni multi-turno rispetto a quelle single-turn. I "conosciuti sconosciuti" (es. bias, corruzione dei dati) emergono spesso solo durante la fase di training o valutazione, rendendo le analogie passate inaffidabili.

C. Fungibilità Sforzo-Durata (Effort-Duration Fungibility)

Assunzione Tradizionale: Aggiungere risorse riduce la durata (es. 2 ingegneri fanno il lavoro in metà tempo).
Realtà AI: Esistono dipendenze sequenziali irreducibili. La raccolta dati deve precedere la pulizia, il training deve precedere il tuning, la valutazione deve precedere il deploy.
Evidenza: I cicli di calcolo e la durata minima delle pipeline (es. latenza di inferenza cumulativa in catene di agenti) non possono essere compressi aggiungendo personale.

D. Decomponibilità delle Attività (Task Decomposability)

Assunzione Tradizionale: I grandi progetti possono essere suddivisi in flussi di lavoro paralleli con integrazioni gestibili alla fine.
Realtà AI: Esiste un accoppiamento stretto (tight coupling) tra ingegneria dei dati, architettura del modello e ingegneria dei prompt. Un cambiamento nei dati si propaga a cascata richiedendo il retraining del modello.
Evidenza: Agenti che condividono finestre di contesto limitate competono per le risorse; un agente "verbose" può affamare gli altri, creando rischi di integrazione invisibili alla stima per componenti.

E. Criteri di Completamento Deterministici (Deterministic Completion Criteria)

Assunzione Tradizionale: "Fatto" significa che i test passano e le specifiche sono soddisfatte.
Realtà AI: I criteri di completamento sono probabilistici e mobili. Un progetto può essere "fatto" tecnicamente ma fallire su audit etici, tassi di allucinazione o requisiti legali.
Evidenza: Fenomeni come loop infiniti di correzione tra agenti o l'oscillazione delle "guardrail" (sicurezza vs utilità) rendono il completamento un processo iterativo e imprevedibile, non binario.

4. Contributi Chiave e Soluzione Proposta

Oltre all'analisi dei fallimenti, il paper propone un nuovo framework: Checkpoint Sizing.

Checkpoint Sizing è un approccio iterativo e centrato sull'evidenza che sostituisce la pianificazione upfront con gate decisionali espliciti. Invece di stimare l'intero progetto all'inizio, il team ridefinisce ambito, tempistiche e fattibilità in base a ciò che viene appreso durante lo sviluppo.

Principi di Implementazione:

Gate Decisionali Espliciti: Punti di controllo naturali (es. prontezza dei dati, convergenza del modello, validazione della sicurezza).
Rivalutazione Basata su Evidenze: Ristima basata su metriche empiriche (es. report di qualità dei dati, risultati del gold set di valutazione) anziché su analogie.
Opzionalità di Pivot: Punti decisionali chiari per ridurre l'ambito, cambiare direzione o terminare il progetto se i rischi non sono mitigabili.

Esempio Pratico (Case Study Sintetico):
Un progetto stimato inizialmente come "Large" (6-8 settimane) basato su un'analogia con un chatbot, dopo aver attraversato i gate (Dati, Valutazione, Sicurezza, Costi/Latenza, Operatività), è stato rivalutato come "XL" (12-16 settimane). L'aumento dello sforzo è stato giustificato da artefatti concreti scoperti durante i gate (es. 25% di dati redatti, necessità di pipeline di valutazione automatizzata, problemi di latenza p95).

5. Significato e Implicazioni

Questo paper è fondamentale per Engineering Manager, Technical Lead e Product Owner perché:

Sfata il mito del "Buffer": Aggiungere semplicemente un 20% di buffer a una stima non risolve i problemi di curve esponenziali e interazioni complesse.
Cambia la mentalità gestionale: Passa da una visione di "commitment su una stima iniziale" a una di "scoperta controllata dell'incertezza".
Fornisce un linguaggio comune: Introduce metriche e gate specifici per l'AI (es. hallucination rate, context window decay, agent coordination overhead) che devono essere inclusi nella definizione di "Done".
Previene il fallimento sistematico: Riconoscere che l'AI non è software deterministico permette di evitare la pianificazione basata su presupposti errati che portano inevitabilmente a ritardi e fallimenti.

In conclusione, la T-shirt sizing è uno strumento obsoleto per l'AI. Il futuro della gestione dei progetti AI richiede un approccio basato su evidenze empiriche, gate di decisione iterativi e la consapevolezza che l'incertezza è una proprietà intrinseca del dominio, non un errore di stima.