---
title: "AI nello sviluppo: perché il team non è più veloce | QMates"
source: https://qmates.tech/it/servizi/trasformazione/assessment-velocita-sviluppo/ai-che-non-accelera
description: "L’AI nello sviluppo software accelera la scrittura del codice, e i rilasci restano rari. Dove si ferma il lavoro del team, fra review, test e pipeline."
updated: 2026-11-21
---

AI nello sviluppo software

# Usiamo l’AI per scrivere codice e non siamo più veloci

Con un assistente AI la scrittura del codice accelera, e il resto del ciclo resta com’era: la code review si allunga, i test mancano, la pipeline fissa quante modifiche arrivano in produzione. Ogni pull request più grande allunga la coda della review, e chi usa l’assistente a modo suo, senza regole del team, ne produce di più grandi.

## Vi riconoscete?

-   Gli sviluppatori dicono di scrivere codice più in fretta, e la frequenza dei rilasci è rimasta la stessa.
-   Le pull request sono diventate più grandi, e quelle in attesa di code review si accumulano.
-   Ognuno usa l’assistente a modo suo, qualcuno con un account personale, e il team non ha un’idea comune di che cosa funzioni.
-   Il codice generato supera la review, poi i difetti si scoprono in collaudo o in produzione.
-   Licenze e token costano sempre di più, e non risulta che cosa sia cambiato nel lavoro.

## Che cosa frena un team che scrive codice con l’AI?

Il rapporto DORA 2025 di Google Cloud descrive l’AI come un amplificatore di ciò che un’organizzazione già è, punti deboli compresi. Le cause qui sotto sono quei punti deboli, e ciascuna allunga a modo suo il tempo che il lavoro passa in attesa dopo la scrittura del codice.

1.  ### Il lavoro si ferma dopo la scrittura del codice

    Spesso il tempo se ne va dopo che il codice è scritto: la pull request aspetta chi la rivede, il collaudo parte quando c’è un ambiente libero. Quando il collo di bottiglia sta lì, il codice scritto con l’assistente arriva prima e poi aspetta come quello di prima. Seguire il ciclo intero, dal backlog alla produzione, come fa l’\[assessment della velocità di sviluppo\](/servizi/trasformazione/assessment-velocita-sviluppo), mostra dove il tempo si perde.

    [

    Ce ne occupiamo con

    Assessment della velocità di sviluppo](https://qmates.tech/it/servizi/trasformazione/assessment-velocita-sviluppo)

2.  ### Modifiche più grandi, e pochi test a proteggerle

    Con un assistente è facile produrre in poco tempo una modifica che tocca molti file, e chi la rivede deve capirla tutta prima di approvarla. Senza test automatici scritti insieme al codice la review resta l’unica rete, e rallenta proprio dove l’AI aveva fatto guadagnare tempo.

    Alimenta

    -   

    [

    Ce ne occupiamo con

    Technical coaching XP e TDD](https://qmates.tech/it/servizi/trasformazione/technical-coaching-xp-tdd)

3.  ### La pipeline fissa il limite

    Una build lenta o un rilascio che richiede passaggi a mano stabiliscono quante modifiche possono arrivare in produzione, qualunque sia la velocità con cui si scrive il codice. Il guadagno dell’AI si ferma lì, davanti alla prossima finestra di rilascio.

    Alimenta

    -   

    [

    Ce ne occupiamo con

    DevOps, continuous delivery e platform engineering](https://qmates.tech/it/servizi/trasformazione/devops-continuous-delivery)

4.  ### Ognuno usa l’AI per conto suo

    Ogni sviluppatore si è costruito un metodo suo, con strumenti e regole diverse, a volte fuori da qualsiasi policy aziendale, senza che il team abbia deciso su quale lavoro l’AI dovesse incidere né come misurarne l’effetto. Ognuno guadagna tempo per sé, e il flusso del team resta quello di prima.

    Alimenta

    -   

    [

    Ce ne occupiamo con

    AI Adoption Assessment](https://qmates.tech/it/servizi/ai-adoption-assessment)

- [Il servizio che se ne occupa](https://qmates.tech/it/servizi/trasformazione/assessment-velocita-sviluppo)

## Cosa cambia quando l’AI accelera il lavoro del team

Il team usa assistenti e agenti con regole condivise, nel punto in cui il lavoro rallentava: modifiche piccole, test scritti insieme al codice, review che non diventano una coda. Il tempo guadagnato scrivendo codice arriva fino al rilascio.

Nei dati della pipeline si vede con che frequenza il lavoro finito raggiunge gli utenti, e le scelte su strumenti, licenze e formazione partono da lì. Le regole d’uso dell’AI sono scritte e condivise, e chi entra nel team le trova già pronte.
