Casi d’Uso dell’IA nell’IT che Meritano di Diventare Mainstream
Riassunto rapido
- Lo strumento alimentato da AI di Thoughtworks, CodeConcise, analizza il codice legacy, estrae le regole di business e accelera la modernizzazione dei mainframe. Finora ha ridotto di 4 settimane il tempo di trasformazione per modulo e ha risparmiato 240 anni FTE in un ampio rinnovamento.
- Le pulse survey ingegneristiche potenziate dall’AI di Finastra hanno identificato un picco di 6 ore settimanali non tracciate di carico di lavoro. Questa intuizione ha permesso alla direzione di migliorare i flussi di lavoro, ottimizzare l’assegnazione dei compiti e ridurre il rischio di burnout. IDE guidati dall'AI, suggerimenti intelligenti sul codice e flussi automatici stanno minimizzando il carico cognitivo.
- CreateFuture ha utilizzato il tracciamento del backlog potenziato dalla AI per ridurre del 30% il tempo speso nella gestione delle user story e recuperare 4-8 ore per sprint. L’AI aiuta i team a individuare l’espansione incontrollata degli obiettivi, automatizzare i report sugli sprint e prevedere le funzionalità sottostimate prima che interrompano lo sviluppo.
- L’analisi dei log basata su LLM di Chamomile.ai rileva anomalie sottili, prevede i guasti e automatizza la risoluzione. Ciò ha ridotto i tempi di indagine manuale e aiutato i team a risolvere i problemi prima che si trasformassero in gravi interruzioni.
L’AI è ormai presente in quasi ogni angolo dell’IT e dello sviluppo. Si parla di come aumenterà l’efficienza ingegneristica, migliorerà l'equilibrio tra lavoro e vita privata e offrirà un assistente intelligente, onnisciente e sempre disponibile. Abbastanza da far girare la testa a chiunque.
Ma, nonostante sia praticamente ovunque, l’AI non sta ancora offrendo ciò che ci aspettavamo, o addirittura nulla. Più della metà dei leader IT fatica a dimostrare il ROI dell’AI e sta bruciando miliardi nel processo.
Nelle sale riunioni l’attenzione è su AI agentica, rischi e l’ultimo clamore DeepSeek, ma c’è una domanda più grande che nessuno sembra porsi: stiamo davvero risolvendo i problemi giusti con l’AI? Forse la vera sfida non è la tecnologia stessa, ma sapere dove applicarla.
Want more from The CTO Club?
Create a free account to finish this piece and join a community of CTOs and engineering leaders sharing real-world frameworks, tools, and insights for designing, deploying, and scaling AI-driven technology.
Have an account? Log In
Non è però tutto negativo. Alcuni team hanno trovato la strada giusta. Abbiamo intervistato alcuni pionieri dell’AI che stanno ottenendo risultati concreti con applicazioni aziendali sorprendentemente semplici (ma efficaci). Ecco i casi d’uso AI in cui hanno maggiore fiducia:
1. Modernizzare l’IT legacy
L’AI sta risolvendo una delle grandi sfide della modernizzazione dei sistemi legacy: evitare che logiche obsolete si infiltrino nei sistemi moderni. "Le agenzie governative lavorano ancora su sistemi monolitici e mastodontici," afferma Noel Hara, VP & CTO settore pubblico di NTT DATA. "Anche quando la logica aziendale viene estratta o il codice rifattorizzato, spesso contiene ancora logiche obsolete nascoste in profondità."
Il team di Noel ora utilizza l’AI per analizzare le regole estratte e confrontarle in modo intelligente con le policy attuali. Ancora meglio, gli strumenti possono suggerire aggiornamenti smart dove le regole sono cambiate, tutto senza sovraccaricare i responsabili business. "Questo approccio mantiene fluido il processo di modernizzazione e previene un accumulo di debito tecnico nel nuovo sistema."
Thoughtworks ha sviluppato CodeConcise, un acceleratore interno alimentato dall’AI che scompone le strutture di codice complesse, mappa le dipendenze e individua insight critici, anche quando gli sviluppatori chiave non sono più nel team. Lo strumento può anche tradurre il codice legacy in linguaggi moderni per garantire conformità e allineamento con il team di sviluppo.
Finora, la distribuzione interna è stata sufficientemente positiva: ha già ridotto di 4 settimane il tempo di modernizzazione per modulo e risparmiato la cifra strabiliante di 240 anni FTE in una trasformazione mainframe su larga scala.
Detto ciò, un’altra strada per modernizzare i sistemi legacy potrebbe prevedere la collaborazione con il partner di sviluppo software nearshore giusto.
2. Migliorare la produttività dei dipendenti
Ancor prima della corrente corsa all’oro, l’AI si occupava già del lavoro di routine nella generazione di boilerplate code e nella gestione dei casi di test– attività che un tempo portavano via ore ai team IT. Oggi, IDE supportati dall'AI come Tabnine e JetBrains AI arricchiscono questi compiti con code review intelligenti, sintesi contestuali e documentazione automatica della conoscenza. Gli sviluppatori non devono più gestire continui cambi di contesto o rincorrere soluzioni non documentate.
Jimmy Xu, field CTO di Cycode, riesce già a immaginare un futuro in cui l’ingegneria assistita dall’intelligenza artificiale sarà così avanzata da poter definire l’AI come strumento abilitante per sviluppatori 10x. E ha ragione. Facendo un passo indietro, l’AI comincia a sembrare meno uno strumento e più il tessuto connettivo dello sviluppo software moderno.
Può unire flussi di lavoro frammentati, gestire passaggi più intelligenti, offrire una visibilità granulare e far emergere inefficienze che i team potrebbero non aver nemmeno notato. Finastra ne ha fatto esperienza diretta dopo aver implementato uno strumento AI su misura per monitorare l’esperienza degli sviluppatori.
Inizialmente, la leadership utilizzava sondaggi rapidi guidati dall’IA per valutare il benessere degli ingegneri, ma presto è emerso un problema trascurato: gli sviluppatori segnavano (in precedenza non rilevate) sei ore extra a settimana, a causa delle richieste incessanti e continui aggiornamenti di prodotto.
Riconoscendo il rischio di burnout, la leadership ha sfruttato l’IA per ottimizzare i carichi di lavoro, imporre ore di concentrazione e perfezionare le fasce orarie di comunicazione per ridurre le interruzioni non necessarie. Ora, gli ingegneri possono dedicare la loro energia all’innovazione senza essere rallentati dai continui cambi di contesto.
3. Gestisci l’ambito di prodotto e previeni il caos
“Per un ingegnere del software, scrivere codice occupa solo una piccola parte della settimana lavorativa—circa due ore al giorno,” commenta Jeff Watkins, CTO di CreateFuture. La maggior parte della settimana è dedicata a perfezionare user story, epiche, criteri di accettazione, workflow di QA e, se non ci si sta attenti, a lottare contro un ampliamento degli scopi che sembra non fermarsi mai.
Per fortuna, è proprio qui che l’IA ha portato alcune delle conquiste più significative per CreateFuture. “Abbiamo ridotto circa del 30% il tempo speso per scrivere, revisionare e allineare epiche, storie e criteri di accettazione,” spiega, sottolineando come l’IA abbia affinato il flusso di sviluppo prodotto.
Il suo team ora si affida all’IA per:
- Automatizzare i riassunti dei meeting per tracciare discussioni chiave, deviazioni dall’ambito originale e creare una checklist di azioni per correggere la rotta.
- Generare report di sprint monitorando task completati, cambiamenti nel backlog e requisiti in evoluzione—aiutando i team a individuare tempestivamente il rischio di slittamento dell’ambito.
- Eseguire analisi predittiva su progetti passati per rilevare in anticipo funzionalità sottostimate.
- Costruire circuiti di feedback che sintetizzano i suggerimenti dei colleghi e fanno emergere opportunità di crescita.
Jeff vede l’IA come il “rubber duck” per l’ambito di prodotto: fa le domande giuste, individua gli ostacoli e collega gli investimenti ingegneristici agli obiettivi di business. “Con l’IA che gestisce report di sprint e revisioni di documenti, stiamo recuperando da quattro a otto ore per sprint.”
4. Abilita infrastrutture IT auto-riparanti
Un tempo di inattività è una crisi costosa per i team IT. Anche nelle giornate migliori, il downtime può costare fino a $9,000 al minuto per le grandi organizzazioni. Se si considerano le sanzioni normative, la perdita di dati e il danno reputazionale per settori regolamentati, l’impatto totale può superare anche i 5 milioni di dollari. Nonostante ciò, la maggior parte degli strumenti di monitoraggio IT resta reattiva: rilevano gli incidenti ma non riescono a prevenirne la ricorrenza, e faticano a scalare. Come nota Jimmy, "scala e delivery diventano sfide critiche in un ambiente sempre più complesso."
Un’infrastruttura auto-riparante colma questi vuoti grazie a strumenti di monitoraggio autonomi. Per il CEO di Chamomile.ai, Tirath Ramdas, l’analisi dei log è un esempio di come l’AI possa alleggerire il carico di lavoro degli sviluppatori e rafforzare allo stesso tempo i sistemi IT autonomi. “L’analisi dei bug report è un’attività noiosa, raramente piacevole e spesso svolta sotto pressione, quando i problemi cominciano a impattare gli utenti finali,” dice Tirath. Tuttavia, una vera analisi della causa radice richiede più che semplici ricerche tra i log di ERROR.
“Significa correlare più log e individuare anomalie sottili.” Usa LLM per eliminare ricerche manuali sui log e collegare rapidamente pattern contestuali. “Sono ottimi nel fare fuzzy matching sui termini, nel confrontare intelligentemente i log e segnalare comportamenti insoliti.” Ancora meglio, può rilevare automaticamente piccoli malfunzionamenti nei log e ridurre le indagini manuali per accelerare la risoluzione degli incidenti.
Oltre all’analisi dei log, gli strumenti AI possono anche rimediare automaticamente agli incidenti minori. Sistemi AI autonomi monitorano costantemente metriche in tempo reale—utilizzo della CPU, latenza di rete, consumo di memoria—per rilevare anomalie, ridurre i falsi positivi e agire quando vengono superate determinate soglie.
Se una metrica di sistema supera un benchmark predefinito, l’IA può attivare un protocollo di rimedio automatizzato. “Per il rimedio, l’IA può fornire linee guida di rimedio personalizzate e generare suggerimenti di correzione del codice con flussi di lavoro automatizzati. È possibile poi utilizzare l’IA per quantificare un punteggio di rischio normalizzato per i diversi riscontri e automatizzare la gestione delle priorità,” commenta Jimmy.
L’IA guida il cambiamento se la tua cultura lo sostiene
L’IA può davvero offrire risparmio di tempo e garantire piena visibilità sui workflow ai team di ingegneria e IT – ma solo se la cultura è pronta a sostenerla. “Non serve una nuova tecnologia all’avanguardia per ottenere questi risultati,” afferma Jeff. È tutto fattibile con gli strumenti di IA già integrati nella suite d’ufficio, come Microsoft Copilot 365 o Google Gemini Advanced.
“Ciò che conta davvero è investire nelle persone. Insegna loro come ottenere ciò di cui hanno bisogno da questi strumenti,” aggiunge. Anche nei team più snelli, dedicare qualche ora a formare ogni persona porta risultati e improvvisamente si vede un vero ritorno dell’investimento.
I team più grandi possono sperimentare con progetti pilota come le famose giornate ‘hack the scope’. Dai ai tuoi ingegneri un progetto ambiguo, una grande quantità di dati e strumenti AI per risolvere problematiche come la previsione dei rischi o la stesura di progetti complessi. La soluzione migliore ottiene diritto di vanto, qualche incentivo per incoraggiare il prossimo progetto pilota e probabilmente un trofeo esagerato.
“Quindi il mio consiglio è: diventa bravo a utilizzare gli strumenti che hai già a disposizione prima di comprarne altri, o rischi di diventare vittima del vecchio detto ‘tutto fumo e niente arrosto’.”
Iscriviti alla newsletter del CTO Club per maggiori approfondimenti su IA, allineamento business-ingegneria e IT auto-riparante.
