Anthropic, l'azienda dietro Claude Opus 4.6, ha pubblicato il 29 gennaio 2026 uno studio che dovrebbe far riflettere chiunque usi strumenti di AI coding ogni giorno. Il titolo della ricerca è diretto: "How AI Assistance Impacts the Formation of Coding Skills". I risultati lo sono ancora di più.
In un esperimento controllato randomizzato su 52 sviluppatori software, i ricercatori Judy Hanwen Shen e Alex Tamkin hanno scoperto che chi usa l'assistenza AI durante l'apprendimento di nuove competenze ottiene punteggi inferiori del 17% nei test di comprensione rispetto a chi programma senza AI. Un gap equivalente a quasi due voti accademici.
Come sviluppatore full stack con oltre 8 anni di esperienza che usa quotidianamente Claude Code e altri strumenti AI, questi dati mi hanno colpito. Non perché siano sorprendenti, ma perché confermano qualcosa che molti di noi percepivano già senza avere numeri a supporto. Vediamo cosa dice esattamente lo studio e, soprattutto, cosa possiamo fare per proteggerci.
Come funziona l'esperimento di Anthropic
I ricercatori hanno reclutato 52 ingegneri software, per lo più junior, tutti con almeno un anno di esperienza regolare in Python e familiarità con strumenti di AI coding. Nessuno dei partecipanti conosceva Trio, una libreria Python per la programmazione asincrona, scelta proprio perché rappresentava un territorio vergine per tutti.
Il gruppo è stato diviso in due: metà poteva usare un assistente AI durante le attività di coding, metà no. Dopo aver completato i task, tutti hanno sostenuto un quiz di 14 domande progettato per misurare competenze specifiche: debugging, lettura del codice, scrittura del codice e comprensione concettuale della libreria Trio.
Il design dell'esperimento è rigoroso. Non si tratta di un sondaggio o di una raccolta di opinioni. È uno studio controllato randomizzato, lo standard più alto nella ricerca empirica. E i risultati non lasciano molto spazio all'interpretazione.
I numeri che contano
Il gruppo che ha usato l'AI ha completato i task circa due minuti più velocemente in media, ma questo vantaggio temporale non ha raggiunto la significatività statistica. In compenso, il gap nelle competenze acquisite è stato netto e statisticamente significativo: -17% nei punteggi del quiz, con il divario più marcato proprio nelle domande sul debugging.
Questo dato è particolarmente importante. Il debugging è la competenza che più di tutte richiede una comprensione profonda del codice, la capacità di ragionare su flussi logici, di identificare dove un sistema si rompe e perché. È anche la competenza più critica quando bisogna validare codice generato dall'AI in ambienti di produzione.
I 7 pattern di utilizzo dell'AI: da disastroso a efficace
La parte più utile dello studio è l'analisi qualitativa. I ricercatori hanno identificato sette pattern distinti di interazione con l'AI tra i partecipanti, con risultati che variano drammaticamente: dai punteggi sotto il 40% a quelli sopra il 65%. Come la usi conta molto più del fatto che la usi.
I pattern che distruggono l'apprendimento
I pattern con i punteggi più bassi condividono un tratto comune: la delega cognitiva massiva. Circa il 20% dei partecipanti nel gruppo AI ha delegato completamente la scrittura del codice all'assistente fin dall'inizio. Questi sviluppatori erano effettivamente più veloci del gruppo di controllo, ma hanno ottenuto i risultati peggiori in assoluto nei test di comprensione.
Un altro pattern problematico è quello che i ricercatori chiamano "escalation progressiva": sviluppatori che iniziano scrivendo codice da soli ma, man mano che i task diventano più difficili, si affidano sempre più all'AI. Il risultato finale in termini di apprendimento è altrettanto scarso.
Alcuni partecipanti hanno speso fino al 30% del tempo disponibile solo nell'interazione con l'AI: formulazione dei prompt, revisione delle risposte, riformulazione delle richieste. Tempo che non ha prodotto né velocità né apprendimento.
I pattern che funzionano
All'estremo opposto, i partecipanti che hanno usato l'AI come strumento di comprensione piuttosto che di sostituzione hanno ottenuto punteggi uguali o superiori al gruppo di controllo. In pratica, chi faceva domande concettuali, chiedeva spiegazioni sul codice generato o usava l'AI per verificare la propria comprensione ha imparato altrettanto bene, se non meglio, di chi programmava senza assistenza.
Il pattern più efficace è quello che i ricercatori definiscono "generation-then-comprehension": lo sviluppatore scrive il codice (o lo fa generare dall'AI), poi investe tempo attivo nel capire perché funziona, chiede chiarimenti sui passaggi non chiari e testa la propria comprensione. Questi partecipanti hanno incontrato più errori durante il processo, ma risolvere quegli errori ha rafforzato la loro comprensione.
Il paradosso della produttività: velocità senza competenza
Uno degli aspetti più interessanti dello studio è che contraddice ricerche precedenti. Studi condotti dalla stessa Anthropic avevano mostrato che l'AI può velocizzare il lavoro fino all'80% in determinati contesti. Ma quei risultati si riferivano a task dove i partecipanti possedevano già le competenze necessarie.
Quando si passa dall'esecuzione all'apprendimento, la dinamica si inverte completamente. Come ho spiegato nella mia analisi dello studio METR, che ha trovato risultati simili con sviluppatori esperti più lenti del 19% con l'AI, il problema non è lo strumento in sé ma come lo usiamo.
Il punto chiave è questo: se usi l'AI per fare cose che già sai fare, guadagni velocità. Se la usi per fare cose che non sai fare, perdi l'opportunità di imparare. E senza quella base di competenza, non sarai mai in grado di verificare se il codice generato dall'AI è corretto, sicuro e manutenibile.
L'impatto sul mercato del lavoro: -20% assunzioni junior
I dati dello studio si inseriscono in un contesto più ampio che non può essere ignorato. Secondo i dati della Stanford University basati su milioni di lavoratori, l'occupazione degli sviluppatori tra i 22 e i 25 anni è calata di quasi il 20% dalla fine del 2022, in coincidenza esatta con l'adozione mainstream degli strumenti di AI coding. Nel frattempo, l'occupazione per gli sviluppatori sopra i 26 anni è rimasta stabile o è cresciuta.
In Anthropic stessa, Boris Cherny, responsabile di Claude Code, ha dichiarato di non scrivere una singola riga di codice da oltre due mesi, con il 100% del suo output generato dall'AI. Ha anche spiegato che il team cerca soprattutto profili generalisti, non specialisti, perché molte competenze tradizionali contano meno quando l'AI gestisce i dettagli dell'implementazione.
Si crea così un paradosso pericoloso: le aziende assumono meno junior perché l'AI fa il loro lavoro, ma senza quell'esperienza formativa i futuri senior non avranno le competenze necessarie per supervisionare e validare il codice AI. Come ha sottolineato lo stesso studio, "il problema di supervisionare sistemi AI sempre più capaci diventa più difficile se gli umani hanno competenze più deboli".
Cognitive offloading: il meccanismo che ti rende meno competente
Lo studio identifica il fenomeno alla base del problema: il cognitive offloading, ovvero la delega del pensiero alla macchina. Non è un concetto nuovo nella ricerca cognitiva. Usiamo calcolatrici da decenni e nessuno si lamenta che non sappiamo più fare divisioni lunghe a mente. Ma la programmazione non è aritmetica.
Il debugging, la comprensione architetturale, la capacità di leggere codice altrui e capire cosa fa: queste sono competenze che richiedono pratica deliberata e fatica cognitiva per svilupparsi. Quando deleghi questa fatica all'AI, il tuo cervello semplicemente non forma le connessioni neurali necessarie. Non è pigrizia, è neuroscienze.
Il punto cruciale emerso dallo studio è che anche strumenti "chat-based" come Claude causano questa erosione delle competenze. I ricercatori avvertono che con strumenti agentici come Codex di OpenAI o Claude Code, dove l'AI ha ancora più autonomia, gli effetti negativi sulla formazione delle competenze sono probabilmente ancora più pronunciati.
Come usare l'AI senza perdere competenze: 5 strategie pratiche
Lo studio non dice di smettere di usare l'AI. Dice che come la usi determina se ti rende più forte o più debole. Basandomi sui pattern identificati dalla ricerca e sulla mia esperienza diretta, ecco cinque strategie concrete.
1. Prima scrivi, poi verifica con l'AI
Quando impari una tecnologia nuova, scrivi il codice da solo prima di chiedere all'AI. Usa l'assistente per verificare la tua soluzione, non per crearla. Questo corrisponde al pattern "generation-then-comprehension" che ha dato i migliori risultati nello studio.
2. Chiedi "perché", non solo "come"
Quando l'AI genera codice, non limitarti a copiarlo. Chiedi spiegazioni specifiche: perché ha scelto quella struttura? Quali alternative esistono? Cosa succederebbe se cambiassi questo parametro? I partecipanti che ponevano domande concettuali hanno mantenuto livelli di apprendimento paragonabili al gruppo senza AI.
3. Separa i contesti: produzione vs apprendimento
Usa l'AI a pieno regime quando lavori su task dove hai già competenze solide e il tempo è un fattore critico. Ma quando affronti una tecnologia nuova o un dominio sconosciuto, riduci deliberatamente la dipendenza dall'AI. Trattala come un collega esperto a cui chiedi consiglio, non come un dipendente a cui deleghi tutto.
4. Pratica il debugging manuale regolarmente
Il debugging è dove il gap dello studio è più ampio. Dedica tempo regolare al debugging senza AI: leggi stack trace, usa breakpoint, analizza log. È l'equivalente cognitivo di andare in palestra. Non è piacevole, ma mantiene le tue competenze diagnostiche affilate.
5. Fai code review del codice AI come se fosse di un junior
Ogni riga di codice generata dall'AI dovrebbe essere trattata come il codice di uno sviluppatore junior talentuoso ma inaffidabile. Leggila riga per riga, chiediti se capiresti un bug a colpo d'occhio, verifica edge case e sicurezza. Come ha dimostrato il caso Moltbook, dietro l'AI ci sono sempre decisioni umane e la responsabilità resta tua.
Cosa significa per il futuro dello sviluppo software
Questo studio arriva in un momento in cui l'AI coding sta accelerando a ritmi vertiginosi. Claude Opus 4.6 trova vulnerabilità zero-day che sfuggivano agli strumenti tradizionali. Apple ha appena integrato agenti AI agentici in Xcode. L'84% degli sviluppatori usa o prevede di usare strumenti di AI coding nel 2026.
La direzione è chiara e irreversibile. Ma lo studio di Anthropic ci ricorda che la velocità senza comprensione è una bomba a orologeria. Un settore che produce codice più velocemente ma capisce meno quello che produce sta costruendo su fondamenta fragili.
È significativo che sia proprio Anthropic, l'azienda che guadagna vendendo assistenti AI, a pubblicare ricerche che evidenziano i rischi dei propri prodotti. Come ha notato il team editoriale di The Decoder, questa trasparenza non è scontata nel settore tech, soprattutto nel 2026.
Per noi sviluppatori, il messaggio è pragmatico: l'AI è uno strumento straordinario, ma come ogni strumento potente richiede consapevolezza nel suo utilizzo. La differenza tra chi ne uscirà più forte e chi ne uscirà più debole si gioca tutta su come decidiamo di integrarla nel nostro lavoro quotidiano.
Se vuoi approfondire come integrare l'AI nel tuo flusso di lavoro di sviluppo in modo strategico, contattami per una consulenza personalizzata sui miei servizi di sviluppo web.
Leggi anche
- Il Paradosso della Produttività AI: Perché i Developer Sono il 19% Più Lenti
- Claude Opus 4.6: Tutto sul Modello AI Più Potente del 2026
- Codex di OpenAI: Ho Testato l'App macOS e Vi Dico Tutto
- Goose di Block: l'Agente AI Gratuito che Sfida Claude Code
- Moltbook Data Breach: Dietro l'IA ci Sono Sempre gli Umani
