Che cos'è l'SDLC con l'intelligenza artificiale: il ciclo del software ripensato

Quando qualcuno dice che "usa l'intelligenza artificiale per programmare", in genere immagina una finestra di chat che genera una funzione. Questa visione è ristretta e, quel che è peggio, ostacola il processo decisionale di chi guida i team tecnici.

Lo sviluppo del software non è mai stato solo questione di scrivere codice. È un ciclo e l'acronimo che descrive questo ciclo è SDLC: Software Development Life Cycle. La domanda giusta non è "l'intelligenza artificiale scrive codice?" Si tratta di "cosa succede a ciascuna fase del ciclo quando l'intelligenza artificiale vi partecipa?"

Questo testo parla di questo. Nessuna magia, con processo.

Cos'è l'SDLC, senza romanticismo

L'SDLC è la sequenza di passaggi che un software attraversa dall'ideazione al ritiro. Le fasi classiche sono: requisiti, progettazione, implementazione, test, distribuzione e manutenzione.

Nessuno vive queste fasi in linea retta. I team agili ripetono, tornano indietro, tagliano gli angoli. Ma la struttura resta utile perché ogni fase comporta un tipo di lavoro diverso, con rischi diversi.

Requisiti è dove decidi cosa costruire. Il design è dove decidi come. L'implementazione è dove scrivi. Il test è dove controlli. La distribuzione è il luogo in cui consegni. La manutenzione è dove convivi con ciò che hai consegnato, a volte per anni.

La maggior parte delle conversazioni sull’intelligenza artificiale si concentrano solo sull’implementazione. È l'errore più comune che vedo tra i leader tecnici.

L'SDLC è anche un contratto di qualità. Ogni fase esiste per ridurre un rischio specifico: requisiti mal progettati generano costose rilavorazioni, una cattiva progettazione genera debito tecnico, test deboli generano un incidente in produzione. Quando si cambia chi svolge il lavoro in ciascuna fase, si cambia anche il luogo in cui si concentrano i rischi. Pertanto, l’intelligenza artificiale non può entrare nel ciclo come dettaglio dello strumento. Si presenta come una ridistribuzione del rischio, e il rischio è una questione di chi guida.

Perché "generare codice" è la parte meno interessante

La generazione del codice è la fase più visibile perché è la più dimostrabile. Si inserisce un ordine, esce una parte funzionale, tutti restano colpiti.

Il problema è che scrivere codice non è mai stato il vero collo di bottiglia per la maggior parte dei team. Il collo di bottiglia di solito sta nel comprendere il problema, allineare il progetto, mantenere la base sana e non interrompere la produzione. Il semplice fatto di accelerare la digitazione risolve la parte facile e lascia intatta la parte difficile.

Peggio ancora: se l’intelligenza artificiale produce codice più veloce, generi più codice da rivedere, testare e mantenere. Il collo di bottiglia si muove, non scompare. Coloro che trattano l’intelligenza artificiale come un acceleratore di battitura si ritrovano con un nastro trasportatore più veloce che scarica il lavoro su un correttore di bozze umano che rimane lo stesso.

Ecco perché difendo una tesi semplice: l'intelligenza artificiale nell'SDLC è un cambiamento di processo, non un plugin per la produttività.

Cosa cambia in ogni fase

Nei requisiti, l’intelligenza artificiale aiuta a trasformare conversazioni sciolte in criteri di accettazione, a trovare contraddizioni in un documento e a generare domande che nessuno ha posto. Non decide ciò che conta per l'azienda, ma riduce l'attrito derivante dal passaggio dal terreno vuoto al cemento.

Nel design serve a esplorare alternative. Descrivi un vincolo e chiedi tre approcci con compromessi. Il valore sta nell’ampliare la gamma di opzioni prima di prendere una decisione, non nell’esternalizzare la decisione.

Nell'implementazione, genera, completa e refactoring. È la fase più matura e anche la più pericolosa, perché il codice sembra pronto prima ancora di essere corretto. Parlo più approfonditamente della fiducia nel codice generato dall'intelligenza artificiale in un altro testo.

Nei test, copre scenari limite che la fretta ti farebbe ignorare, genera masse di dati e scrive casi in base al comportamento previsto. Il test è, secondo la mia esperienza, una delle fasi in cui l’intelligenza artificiale produce il maggior numero di risultati con il minor rischio.

Durante la distribuzione, aiuta a scrivere script, rivedere la configurazione della pipeline e spiegare perché una build si è interrotta. Continua a essere un’area in cui gli errori sono costosi, quindi la supervisione deve essere maggiore.

Nella manutenzione, forse la fase più sottovalutata, aiuta a comprendere il codice che nessuno ha scritto ieri, a mappare l'impatto di una modifica e a documentare ciò che non era documentato. Chi mantiene un impianto legacy sa che questa fase richiede più tempo dell’intera costruzione iniziale.

Nota una cosa importante quando guardi fase per fase: il guadagno non è uniforme. L’intelligenza artificiale produce molto nei test e nella manutenzione, produce cura nell’implementazione e nella distribuzione e produce poco laddove la decisione dipende da un contesto aziendale che lo strumento non ha. Trattare ogni fase come se ottenessi lo stesso è il percorso più rapido verso la frustrazione. Un buon leader calibra le aspettative per fase, non per esagerazione.

Il paradosso che ogni leader deve affrontare

I numeri di questo ciclo sono rivelatori. Secondo lo Stack Overflow Survey 2025, con oltre 49mila intervistati, l’84% degli sviluppatori utilizza già o prevede di utilizzare l’intelligenza artificiale nel processo di sviluppo, rispetto al 76% dell’anno precedente.

In aumento le adozioni. Fidati, no. Nello stesso sondaggio, il 46% degli sviluppatori diffida dell’accuratezza degli strumenti di intelligenza artificiale, rispetto al 33% che si fida di loro e solo il 3% si fida fortemente di loro.

Questo disallineamento non è una contraddizione, è maturità. Le persone utilizzano lo strumento e, mentre lo utilizzano, scoprono dove fallisce. Un leader che ignora questo paradosso prometterà guadagni non sostenibili e frustrerà la squadra con il primo cattivo schieramento.

La lettura corretta è diversa: l’intelligenza artificiale entra nel ciclo come un collaboratore competente e talvolta troppo sicuro di sé, e il processo deve assorbirlo con revisione e governance, non con fede.

Cosa richiede questo da chi guida

Ripensare l’SDLC con l’intelligenza artificiale significa riprogettare il controllo della qualità. Se la generazione è diventata più veloce, la revisione deve diventare più rigorosa e non più rilassata.

Significa decidere, fase per fase, cosa delegare e cosa resta sotto la responsabilità umana non negoziabile. Generare un test è una cosa. Un'altra cosa è approvare la migrazione di un database in produzione.

E significa misurare l’intero ciclo, non solo la velocità di battitura. Se il lead time non migliora, se il tasso di difetti aumenta, se la base diventa più difficile da mantenere, l’intelligenza artificiale non aiuta l’SDLC. Si tratta semplicemente di accelerare una fase e di spingere i costi sulle altre.

Ripensare il ciclo è esattamente il tipo di lavoro che distingue un team che utilizza l’intelligenza artificiale con un metodo da uno che si limita a incollare le risposte della chat.

Se sei responsabile di un team, inizia mappando le sue sei fasi e chiedendo, in ciascuna di esse, dove l’IA riduce il rischio e dove ne introduce di nuovi. È un esercizio pomeridiano che vale più di qualsiasi demo. Per scendere nei dettagli di ogni fase, vedere l'IA in ogni fase di SDLC.