Cos'è l'agentic engineering?

Con la rapida crescita dell'intelligenza artificiale (AI) e degli agenti AI, l'uso dell'AI generativa per sviluppare software è diventato una parte predefinita del normale workflow dello sviluppo software. Nel Developer Survey 2025 di Stack Overflow è emerso che l'84% degli intervistati utilizza o intende utilizzare la programmazione assistita dall'AI nel proprio processo di sviluppo software.¹

Tuttavia, il sondaggio mostra anche che un numero maggiore di sviluppatori diffida dell'accuratezza degli strumenti AI rispetto a quelli che si fidano: il 46% esprime scetticismo, contro il 33% che si dichiara sicuro dei risultati.

Solo una piccola percentuale (3%) dichiara di "fidarsi molto" degli output generati dall'AI. Gli sviluppatori più esperti sono particolarmente cauti, con il tasso più basso di "mi fido molto" (2,6%) e il tasso più alto di "diffido molto" (20%).¹ Questo dato evidenzia un'aspettativa diffusa: la supervisione umana rimane essenziale, soprattutto nei ruoli con responsabilità significative.

Nella pratica, gli sviluppatori utilizzano l'AI per attività che richiedono molto tempo ma presentano un rischio relativamente basso, a condizione che siano supervisionate da un revisore esperto. Tra queste attività rientrano il refactoring del codice, la generazione di codice boilerplate e di test, l'esecuzione di revisioni del codice di base, la stesura della documentazione, la creazione della struttura iniziale delle API e altre attività a basso rischio.

In sintesi, il vibe coding consente agli sviluppatori di automatizzare attività e creare rapidamente prototipi utilizzando pochi prompt in linguaggio naturale con modelli linguistici di grandi dimensioni (LLM) o sistemi agentici.

Il termine "vibe" nell'espressione "vibe coding" richiama un approccio informale e improntato all'improvvisazione. Sebbene questa impostazione fosse adatta alla fase iniziale ed esplorativa della programmazione assistita dall'AI, si scontra con la realtà di una diffusa diffidenza degli sviluppatori nei confronti degli agenti di AI Coding.

Senza le competenze necessarie per utilizzare gli LLM nello sviluppo software, il vibe coding può produrre quello che viene definito "AI slop", ovvero codice di scarsa qualità, inutilizzabile o che compromette il funzionamento del codice esistente. Questo tipo di codice difettoso spesso aumenta il debito tecnico dei team di sviluppo, che finiscono per dedicare gran parte del loro tempo a comprenderlo e a eseguire il debug e il refactoring.

In alternativa, Karpathy descrive il termine "agentic engineering" in modo diverso su X:

• "Agentic": un'orchestrazione di agenti scrive il codice, mentre lo sviluppatore supervisiona e convalida il risultato. Via via che l'agente o il sistema multi-agente procede nell'esecuzione delle attività secondarie, manteniamo un approccio human-in-the-loop.
• "Engineering": è richiesto un certo livello di competenza per utilizzare i workflow agentici nella produzione di codice in modo efficace, senza comprometterne la qualità. Si tratta di una competenza che può essere sviluppata e migliorata.

L'agentic engineering ci consente di superare la logica deterministica per entrare nel territorio più sfumato del giudizio probabilistico. Richiede quindi un cambiamento fondamentale nel modo in cui le organizzazioni pensano e nel modo in cui i team di sviluppo operano.

Questo processo inizia con la definizione di chiari framework di governance che stabiliscano quando e come utilizzare i workflow agentici, garantendo che la supervisione umana rimanga un elemento centrale del controllo della qualità. I team di sviluppo dovrebbero essere formati non solo sull'uso dei prompt, ma anche sulla progettazione dei sistemi. È fondamentale imparare a orchestrare agenti autonomi, convalidarne i risultati e integrare cicli di revisione iterativi nelle pipeline CI/CD esistenti.

I sistemi agentici ben progettati suddividono le attività in moduli più piccoli, consentendo agli agenti di generare in tempo reale componenti autonomi che si integrano in modo pulito nel codice esistente, senza aumentare il debito tecnico. Molte organizzazioni stanno inoltre adottando architetture basate su RAG, in modo che gli agenti possano basare i propri output su documentazione, specifiche e repository di codice reali, riducendo le allucinazioni e migliorando l'accuratezza.

Le organizzazioni possono inoltre sviluppare playbook interni che standardizzano le modalità di utilizzo sicuro degli agenti, includendo requisiti per la revisione del codice, criteri per i test e configurazioni dei guardrail. Fornire ai team di sviluppo esempi di sistemi di AI agentica implementati con successo per diversi casi d'uso può rappresentare un utile punto di partenza.

Infine, il management deve promuovere una cultura che incoraggi la sperimentazione senza rinunciare alla responsabilità: i sistemi agentici devono accelerare lo sviluppo, non sostituire le competenze dell'ingegneria del software. Così facendo, le organizzazioni possono integrare l'agentic engineering in modo da aumentare la produttività e valorizzare il lavoro degli sviluppatori, senza compromettere la fiducia né la qualità del codice.

Con la continua evoluzione del panorama dello sviluppo software assistito dall'AI, è probabile che anche la terminologia continui a evolversi. Sebbene l'agentic engineering rappresenti oggi un modo più maturo e accurato di descrivere la collaborazione tra sviluppatori e sistemi autonomi, le pratiche su cui si basa continueranno a evolversi man mano che gli agenti di AI diventeranno sempre più capaci. Nei prossimi anni, è prevedibile che i sistemi agentici saranno in grado di gestire attività sempre più complesse.

Allo stesso tempo, il ruolo degli sviluppatori evolverà: non si limiteranno più a scrivere codice, ma si occuperanno di progettare, supervisionare e modellare il comportamento di questi sistemi di AI. Che tu sia un AI engineer, uno sviluppatore full-stack, un data scientist o abbia appena iniziato il tuo percorso nella codifica, i principi fondamentali della supervisione umana, della progettazione dei sistemi e della capacità di prendere decisioni basate sul giudizio rimarranno essenziali.

Se non sai da dove iniziare, inizia in piccolo. Esplora un workflow agentico, che sia open source o di livello aziendale, testalo con il tuo team e scopri cosa è possibile realizzare.