11 Nov Intelligenza artificiale nello sviluppo software: il valore di sapere quando non usarla
Negli ultimi anni l’intelligenza artificiale è entrata praticamente in ogni conversazione che riguarda lo sviluppo software. È diventata una delle prime funzionalità richieste, spesso prima ancora di aver definito il problema che dovrebbe risolvere. Non è difficile capirne il motivo: gli strumenti generativi hanno mostrato capacità che fino a poco tempo fa sembravano riservate a progetti di ricerca, e oggi un’azienda può accedere a modelli sofisticati attraverso un’API senza dover costruire tutta l’infrastruttura da zero.
Da sviluppatore, considero questa evoluzione una delle opportunità più interessanti degli ultimi anni. La utilizzo, la studio e cerco continuamente di capirne le applicazioni concrete. Proprio per questo, però, ho maturato una convinzione che può sembrare controcorrente:
saper integrare l’intelligenza artificiale in un software è utile; sapere quando evitarla è altrettanto importante.
Il rischio è confondere la tecnologia con il risultato. Se una funzione può essere realizzata in modo semplice, affidabile e poco costoso con strumenti tradizionali, renderla dipendente da un modello linguistico non la trasforma automaticamente in una funzione migliore. A volte la rende soltanto più complicata da mantenere.
Il cliente immaginario che vuole l’AI a tutti i costi
Per spiegare cosa intendo, immaginiamo una situazione non completamente inventata, che illustrerò superficialmente per rispetto privacy. Un’azienda vuole migliorare il proprio CRM e chiede che un sistema di intelligenza artificiale assegni automaticamente ogni nuovo contatto commerciale al responsabile corretto. Le regole sono chiare: le richieste provenienti da una determinata regione devono arrivare a un ufficio, quelle relative a un servizio specifico a un altro; alcuni clienti già acquisiti devono mantenere il referente assegnato.
Il cliente insiste per utilizzare un modello AI, magari uno dei più avanzati disponibili, convinto che sia il modo più moderno per ottenere una distribuzione intelligente delle richieste. Il problema è che, in questo caso, il comportamento desiderato non richiede interpretazione. Richiede l’applicazione coerente di regole note e verificabili.
Una normale procedura software, con condizioni ben definite e dati strutturati nel database, potrebbe completare l’assegnazione in maniera rapida e prevedibile. Non servirebbe inviare ogni contatto a un servizio esterno, attendere una risposta generata, controllarne il formato e gestire possibili risultati inattesi. Soprattutto, non avrebbe molto senso aggiungere un costo ricorrente per ottenere una decisione che un algoritmo tradizionale può prendere con precisione.
Proviamo però a cambiare leggermente la richiesta. Supponiamo che gli stessi contatti arrivino attraverso messaggi liberi, scritti in lingue diverse e con descrizioni poco strutturate dei problemi aziendali. In quel caso un modello linguistico potrebbe aiutare a interpretare il testo, identificare il bisogno espresso e suggerire una categoria. Una volta estratte queste informazioni, la scelta del responsabile potrebbe comunque rimanere affidata alle regole del CRM.
È un esempio utile perché mostra che la decisione non deve essere necessariamente «AI sì» oppure «AI no». Molto spesso la soluzione migliore è combinare strumenti diversi, assegnando all’intelligenza artificiale soltanto la parte del lavoro per cui offre un vantaggio reale.
La differenza tra automatizzare e interpretare
Non tutte le operazioni apparentemente complesse hanno bisogno di intelligenza artificiale. Calcolare una scadenza, verificare un pagamento registrato, applicare uno sconto, controllare un permesso utente o instradare una richiesta in base a campi noti sono esempi di attività per le quali abbiamo già a disposizione tecnologie mature.
Un sistema tradizionale può essere descritto attraverso regole precise: a parità di dati e condizioni, restituisce lo stesso risultato. Questo non significa che sia automaticamente privo di errori, perché anche il codice convenzionale può avere bug e le regole possono essere progettate male. Significa però che il comportamento è più facilmente specificabile, verificabile con test e riproducibile durante una diagnosi.
I modelli generativi lavorano in modo differente. Sono particolarmente utili quando devono interpretare linguaggio naturale, riassumere documenti, estrarre informazioni da contenuti non uniformi, confrontare descrizioni o formulare ipotesi partendo da elementi incompleti. Non sempre restituiscono esattamente la stessa formulazione e possono sbagliare anche quando la risposta appare convincente. Per questo hanno bisogno di controlli, limiti operativi e verifiche proporzionati alle conseguenze dell’errore.
Nel software aziendale la distinzione è essenziale. Un sistema che suggerisce una categoria per un ticket può tollerare un’incertezza gestita attraverso la revisione umana. Un sistema che calcola l’importo da fatturare, modifica un saldo o applica una regola contrattuale deve invece seguire specifiche esatte. Lasciare che sia un modello linguistico a «decidere» questi valori, quando possono essere calcolati, introduce un rischio senza un beneficio evidente.
I costi che non si vedono nella prima demo
Una dimostrazione di intelligenza artificiale ben riuscita può essere impressionante. Si inserisce una richiesta e il software produce in pochi secondi un risultato articolato. Durante lo sviluppo di un prodotto, però, non basta verificare che la funzione sia capace di funzionare una volta. Bisogna capire come si comporterà ogni giorno, con centinaia o migliaia di operazioni, input imperfetti e utenti che non seguono sempre il percorso previsto.
Integrare un LLM comporta spesso costi legati all’utilizzo dell’API, tempi di risposta variabili, gestione degli errori di rete, controllo dei dati trasmessi e monitoraggio della qualità dell’output. A questi aspetti si aggiungono la possibilità che il fornitore modifichi modelli o condizioni economiche e la necessità di adattare l’applicazione quando il comportamento del modello cambia. L’esecuzione in locale può eliminare alcune dipendenze esterne, ma introduce a sua volta esigenze di risorse hardware, distribuzione e manutenzione.
Non sono motivi per rinunciare all’AI. Sono costi progettuali che devono essere giustificati dal valore prodotto. Se una funzione tradizionale richiede pochi millisecondi e segue regole certe, sostituirla con una chiamata a un modello può peggiorare prestazioni, prevedibilità e costo complessivo. Se invece l’AI permette di elaborare informazioni che prima richiedevano un lungo intervento manuale, l’investimento potrebbe risultare pienamente sensato.
Il confronto economico, inoltre, dovrebbe considerare il costo totale nel tempo, non soltanto la spesa iniziale di sviluppo. Una soluzione apparentemente economica da dimostrare può diventare onerosa da gestire, mentre un algoritmo più laborioso da progettare può risultare molto efficiente una volta messo in produzione.
Un CRM non diventa intelligente soltanto perché contiene un chatbot
Prendiamo ancora il caso dei software gestionali. Oggi è relativamente semplice aggiungere a un CRM un’interfaccia conversazionale capace di rispondere a domande o generare testi. La presenza di questa funzione, però, non dice molto sulla reale utilità del sistema per l’azienda.
L’innovazione può trovarsi in aspetti meno vistosi: nella capacità di individuare anomalie nei dati, collegare informazioni disperse, ridurre il tempo necessario a qualificare una richiesta, suggerire azioni pertinenti o rendere accessibili informazioni che altrimenti richiederebbero lunghe ricerche. Alcune di queste funzioni possono trarre beneficio dall’AI; altre possono essere risolte molto bene attraverso interrogazioni SQL, regole di business, motori di ricerca interni o normali automazioni.
La questione, per chi progetta software personalizzato, è capire quali attività richiedano davvero interpretazione e quali richiedano semplicemente ordine, logica e dati ben organizzati. Una buona architettura può utilizzare un modello linguistico per leggere una richiesta in linguaggio naturale e affidare poi a componenti tradizionali l’esecuzione delle operazioni autorizzate. In questo modo si sfruttano le capacità dell’AI senza delegarle decisioni per le quali non è lo strumento più adatto.
È un approccio meno appariscente di una soluzione interamente «AI-powered», ma spesso più sostenibile e professionale. La qualità di un software non si misura dal numero di chiamate a un modello, bensì dalla capacità di risolvere un problema con affidabilità, chiarezza e costi proporzionati.
Dove nasce il vero vantaggio competitivo
Da queste riflessioni ne deriva un’altra, più personale. Oggi gli stessi modelli sono accessibili a un numero enorme di sviluppatori e aziende. L’accesso alla tecnologia, quindi, non garantisce di per sé un vantaggio duraturo. Ciò che può fare la differenza è il modo in cui viene inserita in un processo, il problema che si sceglie di affrontare e la qualità dell’integrazione con gli strumenti già esistenti.
Lavorando ad alcuni miei progetti software mi è capitato di ragionare su applicazioni dell’AI che, almeno sulla base delle ricerche svolte, non ho trovato descritte in soluzioni analoghe. Non considero questa assenza una prova di originalità assoluta: altri potrebbero aver avuto la stessa idea, averla implementata in sistemi privati o aver scelto di non raccontarla. Resta però il fatto che individuare una combinazione efficace di tecnologie e processi richiede tempo, prove, errori e competenza.
Quando si arriva a un’intuizione potenzialmente distintiva, il rapporto tra condivisione delle conoscenze e tutela del lavoro diventa meno semplice di quanto sembri. Il confronto aperto con altri professionisti può migliorare un’idea, far emergere limiti che non avevamo considerato e contribuire all’evoluzione del settore. D’altra parte, rendere pubblici tutti i dettagli di un’architettura può consentire a un concorrente di adottarla senza affrontare lo stesso percorso di ricerca e sperimentazione.
Personalmente trovo sempre più sensata una distinzione tra ciò che un software riesce a ottenere e il modo esatto in cui ci riesce. Raccontare il problema affrontato, i benefici e i criteri con cui si valuta la qualità del risultato può essere utile a clienti e colleghi, senza richiedere necessariamente la pubblicazione di ogni scelta tecnica. Non è una regola universale né una protezione infallibile: è un possibile equilibrio fra trasparenza, collaborazione e valore del proprio lavoro.
L’innovazione comincia dalla scelta del problema, non dalla tecnologia
La diffusione dell’intelligenza artificiale sta abbassando molte barriere tecniche, e questo è un fatto positivo. Consente anche a piccole aziende e professionisti indipendenti di sperimentare soluzioni che in passato avrebbero richiesto risorse difficili da sostenere. Allo stesso tempo, rende ancora più importante la capacità di valutare criticamente ogni nuova funzione, distinguendo ciò che è utile da ciò che è soltanto di moda.
Non credo che un software debba necessariamente contenere AI per essere considerato moderno, così come non penso che utilizzare tecnologie tradizionali significhi rinunciare all’innovazione.
Un progetto ben realizzato può essere innovativo proprio perché ottiene un risultato complesso con un sistema semplice, controllabile e sostenibile.
Dopo oltre vent’anni trascorsi a lavorare nel web e nello sviluppo software, continuo a pensare che uno degli aspetti più interessanti del nostro mestiere sia proprio questo: non partire dallo strumento più affascinante, ma comprendere il problema abbastanza bene da scegliere la soluzione giusta. Oggi, con l’AI a disposizione, questa responsabilità è diventata ancora più significativa.
In KarmaWeb mi occupo di siti, software personalizzati e integrazioni digitali con questa impostazione: utilizzare le tecnologie che servono davvero al progetto, anche quando la scelta più intelligente è lasciare l’intelligenza artificiale fuori da una determinata funzione.
Poi se il cliente pur “consapevole” paga e quindi pretende.. allora…