Nel luglio 2025, uno studio scientifico ha fatto tremare le fondamenta della narrativa sull'AI nel coding. METR (Model Evaluation and Threat Research), un'organizzazione no-profit di ricerca sull'intelligenza artificiale, ha pubblicato risultati che nessuno si aspettava: gli sviluppatori esperti che usano AI coding tools sono il 19% più lenti, non più veloci.
Il dato più scioccante? Prima dello studio, quegli stessi sviluppatori stimavano che l'AI li avrebbe resi il 24% più veloci. Un divario di 43 punti percentuali tra percezione e realtà. Come ho scritto nel mio articolo sul futuro dei programmatori, la realtà dell'AI coding è molto più sfumata di quanto il marketing voglia farci credere.
Lo Studio METR: Metodologia e Numeri
Prima di tutto, vediamo come è stato condotto lo studio. Non si tratta di un sondaggio d'opinione, ma di un trial randomizzato controllato (RCT), lo standard gold della ricerca scientifica.
I Partecipanti
METR ha reclutato 16 sviluppatori esperti da grandi repository open source con caratteristiche precise:
- Media di 22.000+ stelle per repository
- Oltre 1 milione di righe di codice per progetto
- Anni di contributi ai rispettivi progetti
- 246 task reali assegnati (bug fix, feature, refactoring)
Il Protocollo
Per ogni task, i ricercatori hanno assegnato casualmente se lo sviluppatore poteva usare AI (principalmente Cursor Pro con Claude 3.5/3.7) oppure no. Hanno misurato il tempo effettivo, registrato le schermate, e confrontato i risultati.
I Risultati
- Stima pre-studio: -24% tempo (AI più veloce)
- Risultato reale: +19% tempo (AI più lenta)
- Gap percezione-realtà: 43 punti percentuali
Perché l'AI Rallenta gli Sviluppatori Esperti?
I ricercatori hanno identificato 20 possibili spiegazioni per questo paradosso. Le tre più significative sono:
1. Il Costo del Debug
Circa il 9% del tempo totale è stato speso a correggere errori nel codice generato dall'AI. Quando conosci profondamente una codebase, debuggare codice "alieno" è più difficile che scrivere il tuo.
2. Prompt Engineering e Attesa
Il tempo perso a formulare prompt corretti e attendere le risposte del modello si accumula. Per task che uno sviluppatore esperto avrebbe completato in pochi minuti, l'overhead di comunicazione con l'AI diventa significativo.
3. Mancanza di Contesto Specifico
L'AI non conosce le convenzioni specifiche del progetto, le decisioni architetturali storiche, i workaround necessari. Gli sviluppatori passano tempo a "retrofittare" l'output dell'AI nel contesto reale.
Il Problema del "Codice Quasi Giusto"
Secondo dati di Faros AI analizzati su migliaia di repository Git, emerge un pattern preoccupante:
- +20% tasso di rework nei team che usano pesantemente AI (codice da modificare entro una settimana dalla merge)
- 45% degli sviluppatori spende più tempo a debuggare codice AI che a scriverlo da zero (Stack Overflow Survey 2025)
- 30% degli sviluppatori ha poca o nessuna fiducia nel codice generato dall'AI (Google DORA Report)
Il codice AI-generato spesso sembra corretto a prima vista. Compila. I test passano. Ma poi emergono problemi sottili: edge case non gestiti, vulnerabilità di sicurezza, architetture non idiomatiche.
Contraddizioni con Studi Precedenti
Questi risultati contraddicono numerose ricerche precedenti che mostravano benefici significativi:
- GitHub (2022): +55% velocità di completamento task
- Google (2023): +26% task completati
- Microsoft (2023): +20-55% più veloci
La differenza chiave? Gli studi precedenti spesso coinvolgevano task isolati su codice nuovo, non sviluppatori esperti che lavorano su codebase familiari e complesse. Il contesto cambia tutto.
Cosa Significa Questo per il Vibe Coding?
Il vibe coding sta esplodendo come paradigma, ma questi dati suggeriscono cautela. L'AI eccelle in certi scenari:
Dove l'AI Aiuta Davvero
- Boilerplate e scaffolding - Codice standard e ripetitivo
- Codebase nuove - Dove non c'è contesto da mantenere
- Sviluppatori junior - Che non hanno ancora automatismi consolidati
- Esplorazione tecnologica - Provare framework sconosciuti
- Documentazione e test - Task ripetitivi e ben definiti
Dove l'AI Rallenta
- Codebase legacy familiari - Dove conosci ogni angolo
- Logica di business complessa - Con regole specifiche
- Debug avanzato - Che richiede comprensione profonda
- Refactoring architetturale - Decisioni che richiedono visione
L'Illusione di Velocità
Perché gli sviluppatori percepiscono di essere più veloci quando non lo sono? Il fenomeno ha un nome: illusione di produttività.
Quando l'AI genera 50 righe di codice in 5 secondi, il cervello registra un enorme risparmio di tempo. Ma non registra con la stessa intensità i 15 minuti passati a:
- Formulare il prompt corretto
- Leggere e capire l'output
- Individuare errori sottili
- Adattare il codice al contesto
- Testare e debuggare
Come ha scritto un partecipante allo studio: "While I like to believe that my productivity didn't suffer while using AI for my tasks, it's not unlikely that it might not have helped me as much as I anticipated."
Come Usare l'AI nel Modo Giusto
Questi dati non significano che l'AI sia inutile. Significano che va usata con intelligenza. Ecco i miei consigli pratici aggiornati alla luce di questi risultati:
1. Non Accettare la Prima Risposta
Tratta l'output AI come il codice di un junior developer: revisionalo sempre, capisci ogni riga, chiedi perché ha fatto certe scelte.
2. Usa l'AI per Task Ben Definiti
Più il task è specifico e isolato, meglio l'AI performa. "Scrivi una funzione che valida email con regex" funziona. "Rifattorizza il modulo di autenticazione" no.
3. Documenta Prima di Chiedere
Una codebase ben documentata aiuta l'AI a generare codice migliore. Investi in documentazione per ottenere output migliori.
4. Mantieni le Competenze Fondamentali
Non lasciare che l'AI atrofizzi le tue skill. Continua a scrivere codice manualmente per task critici. Come un pilota che non dimentica il volo manuale.
5. Misura la Produttività Reale
Non fidarti della percezione. Traccia il tempo effettivo. Potresti scoprire che per certi task sei più veloce senza AI.
Il Futuro: Amplificatore, Non Sostituto
I dati METR confermano ciò che molti di noi sospettavano: l'AI nel coding è un amplificatore, non un sostituto. Amplifica sia i punti di forza che le debolezze.
Come riporta il Google DORA Report 2025: "L'AI agisce come un amplificatore: magnifica i punti di forza delle organizzazioni ad alte prestazioni e le disfunzioni di quelle in difficoltà."
Se i tuoi processi sono solidi, l'AI li accelera. Se sono fragili, l'AI li rompe più velocemente.
Leggi anche
- Programmatori e AI: Perché Lavoreremo di Più, Non di Meno
- Vibe Coding: Cos'è e Come Funziona nel 2026
- Claude Code Cheatsheet 2026: Guida Completa per Sviluppatori
- AI Coding nel 2026: 10 Consigli da Full Stack per Risparmiare Token
- SERA: Gli Agenti AI Open Source che Rivoluzioneranno il Coding
Conclusione
Lo studio METR non è una condanna dell'AI coding. È un campanello d'allarme contro l'hype acritico. La produttività reale non si misura in righe di codice generate, ma in problemi risolti e valore creato.
Gli sviluppatori che prosperano nel 2026 non sono quelli che usano più AI. Sono quelli che sanno quando usarla e quando no. Che mantengono le competenze fondamentali mentre sfruttano i nuovi strumenti. Che misurano i risultati invece di fidarsi delle percezioni.
Se vuoi capire come integrare l'AI nel tuo workflow di sviluppo senza cadere nelle trappole della falsa produttività, contattami. Dopo 9 anni di sviluppo e mesi con questi strumenti, ho imparato quando accelerano davvero e quando rallentano.
