L'AI-DLC: il ciclo di vita dello sviluppo guidato dall'AI

Coniato da Raja SP di AWS nel 2025 e descritto nel suo white paper “AI-Driven Development Lifecycle (AI-DLC) Method Definition”[x], il metodo AI-DLC viene presentato come una collaborazione tra macchina ed essere umano, in contrapposizione a metodologie precedenti come Agile e Scrum, che erano fondamentalmente basate sull'essere umano. L'autore paragona questo cambiamento alla sostituzione delle carrozze trainate da cavalli con l'automobile. Tuttavia, mentre aggiungere semplicemente l'AI ad Agile produce un “cavallo più veloce”, per usare una metafora spesso erroneamente attribuita a Henry Ford, l'AI-DLC rappresenta un'evoluzione più profonda.

Mentre negli ultimi anni gli strumenti di AI sono stati integrati nel SDLC, l'AI-DLC rappresenta un ulteriore passo verso l'integrazione dell'AI. In breve, l'AI non è relegata a un semplice strumento di generazione di codice. Non è solo una parte dello sviluppo, ma ne è il fulcro. La collaborazione tra AI ed esseri umani è continua e gli ingegneri assumono un ruolo più orientato alla supervisione.

Si distingue inoltre dal termine "ciclo di vita dell'AI ", che descrive come vengono creati i modelli AI, anziché come vengono utilizzati per supportare lo sviluppo del software.

Il documento di Raja SP definisce dieci principi che rappresentano la base dell'AI-DLC.

L'AI non dovrebbe essere semplicemente aggiunta alle metodologie esistenti di sviluppo software. L'AI non è solo un altro strumento di produttività: è un elemento centrale. Si chiede come sarebbe l'SDLC se l'AI fosse sempre esistita. Il risultato è un SDLC AI-centric e AI-native.

Lo sviluppo assistito dall'AI consiste tradizionalmente nel chiedere continuamente all'AI generativa di eseguire singole attività. Nel nuovo paradigma, invece di chiedere all'AI di fornire assistenza e aspettare che svolga l'attività, lo sviluppatore descrive il proprio intento e l'AI utilizza le proprie funzionalità agentiche per creare un piano, porre domande, eseguire, convalidare e mantenere, chiedendo in modo proattivo l'approvazione del proprio partner umano.

Le metodologie precedenti permettevano ai team di sviluppo di scegliere le proprie tecniche di progettazione. L'AI-DLC centralizza la progettazione e integra le discipline ingegneristiche nella metodologia stessa. Pratiche come il Domain-driven design (DDD), il Behavior-driven development (BDD) e il Test-driven development (TDD) diventano parte integrante del workflow. Questo standardizza la qualità ingegneristica.

L'AI non può essere autonoma al 100%. L'articolo incoraggia la validazione e la supervisione umana delle decisioni dell'AI, affinché l'AI possa beneficiare del giudizio umano.

Nel software aziendale, la complessità va ben oltre la semplice scrittura del codice. I sistemi di grandi dimensioni sono composti da molteplici servizi, architetture, diversi tipi di utenti e stakeholder e, inevitabilmente, anni di complesso debito tecnico. Una delle proposte di valore dell'AI-DLC è che preserva tutto questo contesto nell'intero progetto, consentendo agli sviluppatori di beneficiare continuamente di questa comprensione olistica e unica.

L'AI-DLC rivoluziona lo sviluppo del software, ma mantiene il ruolo della partecipazione umana dove è necessario. Una cultura del feedback continuo viene mantenuta durante i progetti per garantire che lo sviluppo rimanga allineato agli obiettivi aziendali. Questi punti di contatto sono automatizzati e documentati, così che le persone possano concentrarsi sulle decisioni migliori.

L'autore ha riconosciuto che le organizzazioni non possono adottare una nuova metodologia dall'oggi al domani. Il processo è graduale e si integra con concetti e workflow esistenti con cui le organizzazioni hanno già familiarità, rendendo l'adozione poco invasiva.

Poiché l'AI può svolgere il lavoro e mantenere il contesto in tutte le discipline, le attività che un tempo richiedevano team separati di specialisti possono ora essere completate da team più integrati, con una comprensione di livello superiore. Il risultato è una riduzione dei passaggi di consegne.

L'SDLC tradizionale suddivide il lavoro in fasi distinte come pianificazione, progettazione, implementazione, test e distribuzione. Alla fine di ogni fase, le informazioni vengono passate alla fase successiva. L'AI-DLC sfuma questi confini, trattando queste fasi come un flusso continuo in cui le attività si svolgono simultaneamente e in modo non lineare. Il risultato sono cicli di feedback più brevi e progressi più rapidi.

Il sistema AI-DLC non prescrive un workflow rigido per ogni progetto, ma è adattivo. Non impone ai progetti di seguire un processo predefinito. In ogni scenario, l'AI analizza obiettivi e vincoli e genera un workflow personalizzato che ha più senso per quel progetto specifico.

Il framework pone la domanda: e se lo sviluppo del software non fosse basato sui limiti umani? Metodologie precedenti come Waterfall e Agile sono state progettate per aiutare i team umani a coordinare il proprio lavoro. L'AI cambia radicalmente questo presupposto fondamentale.

Utilizzando una metodologia di Spec-driven development (SDD), l'AI-DLC pone l'accento sugli intenti anziché sui processi rigidi e consente all'AI di determinare come realizzare al meglio qualcosa che soddisfi tali specifiche. Da questi intenti derivano le unità, ovvero insiemi di attività che rappresentano il percorso seguito dall'AI per raggiungere l'intento. Un bolt è un'iterazione attraverso la quale vengono eseguite le unità di lavoro.

Il lavoro si articola in diverse fasi. La fase iniziale raccoglie gli intenti e li traduce in unità attraverso la mob elaboration, un rituale collaborativo di pianificazione software in cui un team interfunzionale e un sistema di AI lavorano insieme per tradurre idee di business di alto livello in storie degli utenti.

L'analisi dei requisiti inizia qui. I requisiti non funzionali (NFR) definiscono attributi fondamentali, linee guida e vincoli. Anche in questa fase vengono effettuate valutazioni dei rischi, ma sia i rischi sia i requisiti vengono verificati e rivalutati continuamente nel corso del ciclo di vita.

Gli steering file sono documenti markdown memorizzati in un repository che definiscono le regole, i vincoli, gli standard architetturali e i workflow che gli agenti devono seguire. Vengono creati durante la fase iniziale, ma sono coinvolti in tutte e tre le fasi dell'AI-DLC. Fungono da fonte costante di verità per gli agenti AI in tutto il progetto.

La fase di costruzione è quella in cui avviene l'esecuzione. Durante la mob construction, il team umano e l'AI scrivono, testano e distribuiscono il codice in modo collaborativo.

Nella fase operativa finale, l'AI utilizza i requisiti aziendali della fase iniziale e le decisioni tecniche della fase di costruzione per gestire la distribuzione, automatizzare l'infrastruttura e monitorare il sistema in produzione.

In ogni fase dell'SDLC, l'AI svolge un ruolo centrale.

In un SDLC tradizionale, gli esseri umani traducono manualmente gli obiettivi aziendali in piani di progetto. Le organizzazioni hanno sperimentato workflow in cui gli assistenti AI aiutano a tradurre obiettivi di alto livello in piani. Nell'AI-DLC, gli agenti AI pongono domande di chiarimento, individuano ambiguità, formulano suggerimenti e segnalano potenziali opportunità trascurate. Questi vengono trasformati in storie e roadmap di progetto. L'agentic AI mantiene questo contesto per tutto il progetto.

Nell'AI-DLC, l'AI non si limita a riassumere le riunioni. Analizza e-mail, ticket di supporto, trascrizioni e documentazione per individuare conflitti e lacune prima ancora che inizi lo sviluppo. Se qualcuno menziona in una riunione un evento chiave che entra in conflitto con la tempistica del progetto definita in un'altra riunione, l'agente può segnalare questa potenziale discrepanza e proporre una soluzione. Questo offre una visione d'insieme del progetto, dall'inizio alla fine, che è difficile da mantenere per una singola persona o per un singolo team.

L''intelligenza artificiale trasforma la progettazione del software in una collaborazione iterativa. L'AI può proporre architetture applicative, schemi di database, API, configurazioni dell'infrastruttura e design dell'interfaccia utente, spiegando i compromessi tra i diversi approcci. Può generare rapidamente prototipi interattivi, confrontare design alternativi e aggiornare la documentazione architetturale man mano che il progetto evolve.

Il compito fondamentale dell'ingegneria del software, ovvero scrivere codice, è l'ambito più immediato in cui l'AI può essere utile nell'SDLC e quello in cui l'AI assume il ruolo più autonomo. Gli agenti di AI coding comprendono il contesto del progetto, gli standard di codifica e la logica di business e possono sviluppare autonomamente tenendo conto di tutti questi elementi. Gli sviluppatori convalidano le decisioni e perfezionano il codice generato dall'AI.

Il testing viene sostituito da una più ampia fase di verifica, poiché l'AI genera ed esegue continuamente test durante lo sviluppo, anziché attendere che questo sia completato. Analizza il codice alla ricerca di difetti, rileva regressioni e verifica la conformità ai vincoli architetturali. Questo avviene in background in ogni fase.

All'interno dell'AI-DLC, la distribuzione è un altro processo in continua ottimizzazione. Gli agenti preparano piani di rilascio, convalidano le configurazioni dell'infrastruttura, generano documentazione, monitorano i rollout di produzione e ottimizzano le pipeline CI/CD. L'AI contribuisce attivamente a garantire che le release siano stabili e sicure, oltre che allineate agli obiettivi operativi.

L'AI-DLC va oltre la manutenzione tradizionale del software, trattando i sistemi di produzione come una fonte continua di feedback. Preservando la conoscenza durante tutto il ciclo di vita, l'AI consente a ogni release di trarre beneficio dalle lezioni apprese nei precedenti cicli di sviluppo.

Il documento incoraggia le organizzazioni a mettere in pratica i vari rituali e a integrare l'AI-DLC nei propri strumenti di orchestrazione, con l'obiettivo di ridurre al minimo la necessità di cambiamenti significativi.

Il framework è standardizzato su strumenti AWS come Kiro e Amazon Q Developer. Tuttavia, può essere utilizzato anche con piattaforme agentiche come IBM Bob e Claude Code.

IBM Bob, ad esempio, è un partner di sviluppo agentico end-to-end strutturalmente ottimizzato per l'AI-DLC. IBM Bob offre modalità Ask and Plan che trasformano gli intenti di alto livello nella struttura iniziale del design dell'applicazione. Esiste la Agent Mode per scrivere, modificare e fare il refactoring del codice, correggere bug o creare nuovi file. Gli utenti possono anche personalizzare il comportamento di Bob creando modalità personalizzate con ruoli specializzati, restrizioni sugli strumenti e workflow per i team.