Questa guida di Augment Code, scritta da Paula Hingel, propone un modello a sei fasi per comprendere come gli agenti IA stiano ristrutturando il ciclo di vita dello sviluppo software. Tesi centrale: l'IA non migliora l'SDLC in modo uniforme — aumenta il throughput in alcune fasi mentre incrementa il rischio di instabilità in altre. Questo squilibrio non è una fatalità tecnologica ma il sintomo di un'adozione disomogenea condotta senza ridisegnare i confini della revisione. L'articolo si basa sul report DORA 2025, che stabilisce una correlazione positiva tra adozione dell'IA e throughput di delivery/prestazioni di prodotto, ma negativa con la stabilità della delivery: la maturità del processo conta più dello strumento.
Le sei fasi vengono rilette sotto questa lente. (1) Requisiti e Pianificazione: la specifica diventa il meccanismo di controllo che guida l'agente; l'essere umano si concentra sulla qualità dei requisiti e sulla risoluzione dell'ambiguità. (2) Design e Architettura: più decisioni richiedono una revisione umana esplicita, per evitare il "vibe architecting" — scelte infrastrutturali o di integrazione prese in pochi secondi, più veloci di quanto la governance riesca a seguire. (3) Implementazione: lo sviluppatore passa dalla scrittura di codice all'orchestrazione, alla validazione e all'approvazione. (4) Testing e QA: il rischio principale è la validazione circolare, in cui i test generati dall'IA confermano il codice generato dall'IA invece di verificare il requisito reale; una specifica precisa è la salvaguardia. (5) Deployment: i guadagni di throughput creano rischi di stabilità, da cui la necessità di controlli di rollback rafforzati. (6) Manutenzione e Operazioni: gli agenti si occupano di rilevamento e correzione, mentre l'essere umano gestisce le eccezioni e l'hardening.
Vengono individuati tre rischi strutturali: erosione della pipeline junior (automatizzare i compiti fondamentali più velocemente di quanto vengano ridisegnati i ruoli junior riduce il futuro bacino di senior), la validazione circolare e le lacune di governance su larga scala. Rispecchiando questi rischi, emergono tre ruoli: Intent Engineering (tradurre obiettivi ambigui in specifiche testabili), Agentic DevOps/Infra (orchestrare gli agenti) e AI Governance/Assurance.
La guida è supportata da dati: il 70% del tempo di sviluppo speso a comprendere codice esistente, uno studio CMU (807 repository) che mostra +30% di problemi rilevati dall'analisi statica e +40% di complessità, e il sistema DRS di Meta (oltre 10.000 modifiche integrate durante un code freeze). Si conclude con cinque raccomandazioni operative: verificare una fase prima di scalare, sottoporre a stress test la governance, rendere centrale la specifica, definire policy di rollback esplicite e ridisegnare il ruolo junior attorno alla revisione.