Soufiane Keli, consulente presso OCTO Technology, propone un approccio metodico che consente all'IA generativa di produrre quasi il 100% del codice in un progetto software reale. Lungi dall'essere magica, questa strategia combina rigorosamente pratiche consolidate all'interno di un processo strutturato in quattro fasi.

Fase 0: Onboarding quotidiano dell'LLM

A differenza di uno sviluppatore umano, che mantiene il contesto tra una sessione e l'altra, l'LLM deve essere "riassunto" ogni giorno. Questa fase cruciale consiste nel riformulare sistematicamente il contesto globale del progetto, i suoi obiettivi funzionali e architetturali. Trattare il modello come un "junior che ricomincia ogni mattina" impone una disciplina documentale vantaggiosa: il contesto esplicito diventa un patrimonio condiviso da tutto il team, non più una semplice conoscenza tacita detenuta da pochi.

Fase 1: Esplorazione e pianificazione atomica

Prima di ogni generazione, ogni user story viene sottoposta a una scomposizione meticolosa in task atomici con descrizioni precise. Paradossalmente, questa stessa pianificazione utilizza un LLM per individuare il livello di granularità ottimale. Questa fase trasforma obiettivi funzionali vaghi in specifiche tecniche azionabili, riducendo drasticamente l'ambiguità che i modelli gestiscono male.

Fase 2: Sviluppo iterativo spec-driven

Lo sviluppo vero e proprio si basa su prompt altamente strutturati composti da quattro elementi: una specifica tecnica dettagliata, esempi di codice illustrativi, standard e convenzioni del progetto, e una checklist esplicita di Definition of Done (DoD). Se il risultato non è soddisfacente, l'approccio prescrive un aggiustamento metodico del prompt o del contesto, evitando iterazioni casuali. Questo rigore trasforma l'interazione con l'LLM da una conversazione improvvisata a un processo ingegneristico riproducibile.

Fase 3: Capitalizzazione continua

Dopo ogni ciclo, gli insegnamenti appresi arricchiscono progressivamente una base di conoscenza organizzativa: pattern di successo, formulazioni di prompt efficaci, insidie identificate, esempi documentati. Questo ciclo di miglioramento continuo trasforma l'esperienza individuale in capitale intellettuale collettivo, accelerando i progetti futuri.

Principio fondamentale e validazione sul campo

Il principio guida rifiuta esplicitamente la generazione monolitica: "Non chiedere all'IA di fare tutto in una volta". Al contrario, task atomici + standard chiari + iterazione rapida producono simultaneamente velocità E qualità — obiettivi tradizionalmente considerati antagonisti.

Elemento cruciale, questo approccio è stato dimostrato in un contesto brownfield da Loïc Lefloch e Simon Belbeoch presso OCTO Technology, comprovandone l'applicabilità oltre i progetti greenfield idealizzati. Il contesto brownfield — con codice legacy, vincoli architetturali esistenti, debito tecnico — rappresenta il reale terreno di lavoro per la maggioranza degli sviluppatori.

Posizionamento pragmatico

Keli posiziona esplicitamente questo metodo come una combinazione pragmatica di buone pratiche pubblicamente disponibili, non come un'innovazione radicale. Questa modestia strategica ne rafforza la credibilità: l'approccio non richiede una rivoluzione culturale, ma solo un'orchestrazione disciplinata di tecniche note adattate al contesto dell'IA generativa.