A cura di Giovanni Masi
Fino a poco tempo fa, “sviluppare con l’AI” voleva dire farsi suggerire qualche riga di codice e poi arrangiarsi. Oggi, a fine 2025, la situazione è più matura e soprattutto più pratica. I modelli di nuova generazione non si limitano a completare frasi o funzioni, ma possono accompagnare un progetto dall’idea iniziale fino al rilascio. Il risultato non è una magia che scrive tutto al posto tuo. È un modo diverso di lavorare, in cui la conversazione diventa un pezzo del processo e l’AI si comporta come un collega molto veloce sulle attività ripetitive.
Molti sviluppatori stanno adottando, usando assistenti come ChatGPT basato su GPT‑5.2 e Gemini 3. L’obiettivo è mostrare come questi sistemi possano aiutare davvero nello sviluppo software, senza dare per scontato che chi legge conosca ogni termine tecnico.
Dalla chiacchiera al requisito scritto
La parte più sottovalutata del software non è il codice, è capire cosa va costruito. In chat si parte spesso da un’idea vaga, per esempio “voglio un’app che gestisca prenotazioni” oppure “devo automatizzare un flusso interno”. Un modello conversazionale è utile quando lo si usa come una specie di intervistatore. Gli si racconta l’obiettivo e si chiede di fare domande, di mettere in evidenza ciò che manca e di proporre esempi concreti.
Il passaggio chiave è trasformare il discorso in un requisito verificabile. In pratica si arriva a frasi del tipo “quando succede X, il sistema deve fare Y” e a scenari di prova che si possono controllare. Questa chiarificazione anticipata vale più di cento righe di codice scritte in fretta, perché riduce gli equivoci e rende più semplice correggere la rotta prima di aver investito troppo tempo.
Progetto e primi mattoni di codice
Una volta definito cosa serve, l’AI può aiutare a impostare la struttura del progetto. Qui spesso si perde tempo tra cartelle, configurazioni, dipendenze, file di avvio. L’assistente può preparare un’ossatura ordinata, pronta per essere riempita. È come avere qualcuno che ti prepara il cantiere, con gli attrezzi e le regole di sicurezza già al loro posto.
Nel 2025 questa idea è diventata ancora più concreta perché alcuni modelli sono stati ottimizzati proprio per lavorare su progetti reali e non solo su esempi da manuale. OpenAI, per esempio, presenta GPT‑5.2 come modello pensato per lavoro professionale e per “agenti” che portano avanti compiti lunghi senza perdersi nel contesto. La versione GPT‑5.2‑Codex è descritta come una variante ulteriormente specializzata per l’ingegneria del software, capace di gestire modifiche ampie come riorganizzazioni del codice e migrazioni tra librerie. Google, con Gemini 3, insiste molto sul fatto che il modello sia adatto a lavorare in modo più autonomo e a gestire contesti grandi, cioè tanto codice e tante informazioni in una volta.
Queste promesse diventano utili nella vita reale quando non chiedi “scrivimi l’app”, ma “preparami la base, poi aggiungiamo una funzione alla volta”. Il vantaggio non è solo velocità. È avere un punto di partenza coerente, su cui ragionare e che il team può leggere e migliorare.
Scrivere e controllare con i test
L’AI è bravissima a produrre codice, ma il codice non basta. Serve sapere se fa davvero quello che deve. E qui entra in gioco una tecnica semplice che rende l’assistente molto più affidabile. Prima gli si chiede di scrivere le prove, poi gli si chiede di scrivere l’implementazione.
Le prove, in gergo, sono i test. Per chi non li usa tutti i giorni, l’idea è questa. Sono piccoli programmi che verificano automaticamente il comportamento del software. Se un cambiamento rompe qualcosa, un test fallisce e ti avvisa subito. Quando l’AI genera prima i test, la conversazione smette di essere un “parere” e diventa un vincolo. Se il test dice che un caso limite non è gestito, l’assistente non può cavarsela con una spiegazione elegante, deve correggere il codice.
Questo modo di procedere funziona bene anche perché rende il lavoro a piccoli passi. Si aggiunge una funzionalità, si fanno girare i test, si corregge, si passa alla successiva. È un ritmo che protegge dal rischio più comune, quello di ottenere tanto codice in una volta sola e scoprire tardi che non è integrabile.
Risolvere bug e fare grandi cambiamenti senza perdersi
Il debug, cioè la caccia agli errori, è spesso la parte più frustrante. Qui l’AI può comportarsi come un lettore instancabile. Se le dai un messaggio di errore e il pezzo di codice coinvolto, può proporre ipotesi, indicare dove guardare e suggerire una correzione. La differenza con il passato è che, con modelli più forti e contesti più ampi, può anche seguire un problema che attraversa più file e più livelli del sistema.
Lo stesso vale per i cambiamenti “grossi”, quelli che di solito rimandi perché fanno paura. Spostare un modulo, aggiornare una libreria, uniformare uno stile di programmazione, semplificare un pezzo diventato troppo complesso. In questi casi l’AI è utile se la costringi a lavorare per tappe. Prima mappa cosa verrebbe toccato, poi propone una serie di modifiche piccole, ognuna controllabile e accompagnata da prove. Il tuo ruolo resta centrale, perché sei tu a decidere cosa è accettabile per il progetto e cosa no. Ma il lavoro meccanico, quello che consuma tempo e concentrazione, si riduce in modo netto.
Quando l’assistente entra negli strumenti
Un cambio importante del 2025 è che l’AI non vive più solo nella finestra di chat. Si sta spostando dentro gli strumenti di lavoro. Questo significa che, invece di copiare e incollare codice, puoi delegare un compito e ricevere una modifica già pronta da revisionare.
GitHub, per esempio, descrive Copilot coding agent come un agente in grado di lavorare su attività come correzioni di bug, piccole funzionalità, miglioramento dei test e aggiornamento della documentazione, preparando anche cambiamenti da rivedere. Nel loro linguaggio, l’AI può comportarsi “come uno sviluppatore” che propone una modifica e attende la revisione. Sempre nello stesso ecosistema, GitHub ha annunciato la possibilità di creare “abilità” riutilizzabili per gli agenti, cioè pacchetti di istruzioni e risorse che insegnano all’assistente come comportarsi in modo coerente su un progetto.
Anche OpenAI e Google stanno spingendo in questa direzione. L’idea è simile. L’AI non deve solo rispondere, deve saper interagire con un progetto vero. Deve leggere file, proporre cambiamenti, mantenere traccia delle modifiche, e lavorare su compiti che richiedono più passaggi.
Limiti e buone pratiche
È facile innamorarsi dell’effetto “wow”, ma ci sono rischi reali. Il primo è fidarsi troppo. Un modello può produrre una soluzione che sembra convincente e poi scoprire che non rispetta un vincolo, oppure che introduce una dipendenza non desiderata. Il secondo rischio riguarda la sicurezza. Se non controlli, l’AI può suggerire configurazioni sbagliate o scelte poco prudenti. Il terzo è la gestione dei dati. Quando si lavora su progetti aziendali, serve attenzione a cosa si condivide e a quali permessi si concedono agli strumenti.
La contromossa più efficace è sorprendentemente semplice. Chiedere meno “capolavori” e più passi piccoli. Pretendere prove automatiche. Far revisionare sempre il risultato. E, quando possibile, far fare all’AI anche il ruolo di revisore, chiedendole di cercare errori, incoerenze e punti deboli dopo che ha scritto il codice. In questo modo l’assistente diventa un acceleratore, ma il controllo resta tuo.
Conclusione
Sviluppare software con l’AI nel 2025 non significa premere un bottone e ottenere un prodotto finito. Significa lavorare con un compagno di squadra che traduce una conversazione in un documento chiaro, prepara la base del progetto, genera codice e prove, e aiuta a migliorare e mantenere ciò che già esiste. Quando lo si usa con disciplina, l’AI riduce il tempo tra un’idea e un cambiamento funzionante, lasciando allo sviluppatore la parte più importante, la responsabilità delle scelte e la qualità finale.
Bibliografia
OpenAI, “Introducing GPT‑5.2”, 11 dicembre 2025: https://openai.com/index/introducing-gpt-5-2/ OpenAI, “Introducing GPT‑5.2‑Codex”, 18 dicembre 2025: https://openai.com/index/introducing-gpt-5-2-codex/ Google, “A new era of intelligence with Gemini 3”, 2025: https://blog.google/products/gemini/gemini-3/ Google, “Gemini 3 for developers: New reasoning, agentic capabilities”, 18 novembre 2025: https://blog.google/technology/developers/gemini-3-developers/ Google Cloud, “Gemini 3 is available for enterprise”, 2025: https://cloud.google.com/blog/products/ai-machine-learning/gemini-3-is-available-for-enterprise GitHub Docs, “About GitHub Copilot coding agent”, 2025: https://docs.github.com/en/copilot/concepts/agents/coding-agent/about-coding-agent GitHub Changelog, “GitHub Copilot now supports Agent Skills”, 18 dicembre 2025: https://github.blog/changelog/2025-12-18-github-copilot-now-supports-agent-skills/