Nel mondo ad alta tensione delle startup tecnologiche, la velocità è spesso l'unica valuta che conta davvero. Queste giovani aziende operano secondo una filosofia nota come "Lean Startup", dove l'obiettivo è costruire un "Minimum Viable Product" (Prodotto Minimo Funzionante): una versione base di uno strumento software che sia sufficientemente buona da testare con clienti reali, ma abbastanza semplice da costruire rapidamente. L'idea è quella di imparare da quel primo rilascio e migliorare, piuttosto che passare anni a perfezionare un prodotto che nessuno vuole. Per gestire questo ritmo frenetico, i team utilizzano i metodi "Agile", che suddividono il lavoro in piccoli blocchi gestibili e adattano costantemente i piani. Tuttavia, un problema persistente affligge questi piccoli team: spesso esauriscono il tempo o il denaro prima ancora di poter lanciare il prodotto. I loro team di ingegneri sono piccoli, i loro budget sono limitati e il lavoro manuale richiesto per pianificare, stimare e costruire il software li rallenta. Quando una startup dipende da un singolo prodotto per sopravvivere, un ritardo nella consegna può fare la differenza tra il successo e la chiusura definitiva delle attività.

Entra in gioco la promessa dell'intelligenza artificiale. Negli ultimi anni, è emerso un nuovo tipo di programma per computer chiamato "IA Generativa", capace di scrivere codice, rispondere a domande e risolvere problemi in modo molto simile a un essere umano. Sebbene molti sviluppatori abbiano cercato di usare questi strumenti per velocizzare il proprio lavoro, non esisteva una guida chiara e testata su come intrecciarli nell'intero processo di costruzione di un prodotto startup. La tecnologia funziona davvero quando un team è sotto pressione? Rende il prodotto migliore, o solo più veloce? Un ricercatore di nome Muhammad Owais Mushtaq si è posto l'obiettivo di rispondere a queste domande testando un nuovo modo di lavorare in un ambiente aziendale reale. Non si è limitato a chiedere alle persone cosa ne pensassero; ha costruito un framework specifico per l'uso dell'IA e poi ha osservato come questo si comportasse durante un progetto dal vivo, per vedere se potesse risolvere i cronici ritardi che uccidono così tante startup.

La ricerca si è concentrata su una sfida specifica: spostare un vecchio sistema software verso uno nuovo e moderno. Questo è un compito comune per le aziende, spesso chiamato "migrazione", ed è notoriamente difficile perché il vecchio codice è complesso e scarsamente documentato. Mushtaq ha lavorato con un team di un'azienda di tecnologia finanziaria che aveva bisogno di aggiornare il proprio sistema rapidamente. Ha introdotto un approccio strutturato in cui l'intelligenza artificiale gestiva diverse parti del lavoro in momenti diversi. Il processo è stato diviso in due fasi principali. In primo luogo, il team doveva pianificare e stimare quanto tempo avrebbe richiesto il lavoro. In secondo luogo, dovevano effettivamente scrivere il codice e controllarlo per eventuali errori. Nella fase di pianificazione, i ricercatori hanno utilizzato strumenti di IA per leggere il vecchio codice e suggerire quanto sforzo avrebbe richiesto ogni parte del nuovo sistema. Hanno confrontato questi suggerimenti dell'IA con le stime fatte da esperti umani esperti.

I risultati di questa fase di pianificazione sono stati sorprendenti. Il team assistito dall'IA è stato in grado di creare le stime del progetto in soli due giorni e mezzo, mentre gli esperti umani hanno impiegato cinque giorni per svolgere lo stesso lavoro. Ciò significava che il processo di pianificazione era due volte più veloce. Ancora più importante, la velocità non è arrivata a scapito dell'accuratezza. Le stime dell'IA erano accurate al 94 percento rispetto ai giudizi finali degli esperti umani. Questo ha dimostrato che un computer può analizzare un sistema vecchio e disordinato e comprendere il lavoro necessario quasi quanto un esperto umano, ma in metà tempo. Questo risultato è significativo perché suggerisce che le piccole startup, che spesso mancano di grandi team di pianificatori senior, potrebbero usare questi strumenti per ottenere una tabella di marcia realistica per i loro progetti senza esaurire le energie dei pochi esperti disponibili.

Una volta stabilito il piano, il team è passato alla fase di costruzione. Qui, i ricercatori hanno testato diversi tipi di strumenti di IA per vedere quale fosse il migliore per ogni compito. Hanno scoperto che gli strumenti non erano tutti uguali; alcuni erano migliori nel comprendere il quadro generale, mentre altri erano migliori nello scrivere codice standard e ripetitivo. Per i compiti che richiedevano la comprensione di come le diverse parti del sistema si incastrassero tra loro, come la riscrittura di complesse funzionalità di sicurezza o la connessione di più file, il team ha utilizzato agenti di IA a "contesto profondo" (deep-context). Questi strumenti potevano analizzare l'intero progetto contemporaneamente. Si sono comportati eccezionalmente bene, raggiungendo un tasso di accuratezza del 95-99 percento nel loro lavoro e richiedendo pochissime correzioni. Tuttavia, per compiti più semplici come la creazione di strutture dati di base o l'impostazione della pipeline che testa automaticamente il software, era sufficiente un assistente alla programmazione più standard. Questa distinzione è cruciale: dimostra che usare lo strumento giusto per il lavoro giusto è più importante del semplice uso dell'IA in generale.

Lo studio ha anche esaminato come il team controllasse il lavoro. I ricercatori hanno usato l'IA per generare casi di test — scenari progettati per rompere il software e trovare errori — e per revisionare il codice alla ricerca di falle di sicurezza. Questa parte del processo è stata altamente efficace nel trovare i "casi limite" (edge cases), ovvero situazioni rare che spesso causano il crash del software. L'IA ha aiutato il team di garanzia della qualità (QA) a trovare fino a cinque di tali casi limite per ogni singola funzionalità costruita, un numero che sarebbe stato difficile da raggiungere manualmente. Tuttavia, la ricerca ha anche rivelato un costo umano significativo. Sebbene l'IA scrivesse il codice velocemente, gli esseri umani dovevano comunque controllare ogni singola riga. Gli strumenti automatizzati segnalavano spesso codice sicuro come pericoloso, creando un alto tasso di falsi allarmi. In alcuni casi, quasi la metà degli avvisi automatizzati doveva essere ignorata da un essere umano.

Ciò ha portato alla scoperta di un nuovo fenomeno che il ricercatore chiama "fatica da verifica" (verification fatigue). L'IA non ha sostituito la necessità del giudizio umano; ha semplicemente spostato l'onere. Invece di passare ore a scrivere codice, gli sviluppatori passavano ora ore a verificare che il codice scritto dall'IA fosse corretto e sicuro. Lo sforzo mentale richiesto per controllare il lavoro della macchina era intenso, e i ricercatori hanno scoperto che gli strumenti non erano ancora abbastanza intelligenti da comprendere autonomamente l'architettura complessiva del sistema. Potevano vedere i dettagli, ma perdevano il quadro generale. Di conseguenza, il ruolo umano si è evoluto da scrittore di codice a auditor di codice. Lo studio conclude che, sebbene questi strumenti possano accelerare drasticamente la creazione di un prodotto startup, non possono ancora gestire tutto da soli.

Il punto finale di questa ricerca è che l'intelligenza artificiale è un partner potente per le startup lean, ma richiede un approccio disciplinato per essere efficace. Lo studio ha dimostato che, integrando l'IA in un flusso di lavoro strutturato, un piccolo team poteva dimezzare i tempi di pianificazione e costruire software complessi con un'alta accuratezza. Il framework proposto dal ricercatore offre un percorso chiaro da seguire per altre startup: usare l'IA per gestire il lavoro pesante di stima e di refactoring complesso, ma mantenere l'essere umano nel ciclo (in the loop) per supervisionare l'architettura e verificare i risultati. La tecnologia è pronta ad aiutare, ma non è una bacchetta magica che elimina la necessità di supervisione umana. Il successo deriva dal sapere esattamente dove lasciare che lavori la macchina e dove intervenire con l'esperienza umana.