Agentic Coding come l'AI sta cambiando il ruolo degli sviluppatori
I developer usano l'AI nel 60% del lavoro, ma delegano solo il 20%
Luciano Cipriano
6/11/20265 min read
Ciao a tutti,
Ben arrivati su WikiLuc.
Ho letto il report Anthropic sull'agentic coding e la cosa che mi ha colpito di più non è quello che i modelli sanno fare — è quello che ancora non riusciamo a lasciargli fare. Siamo arrivati a un punto interessante: l'AI è presente nel 60% delle attività di sviluppo software.
Ma la delega reale — quella dove il developer dice "gestiscilo tu, ci vediamo alla fine" — non supera il 20% dei task. Questo non è un problema di tecnologia. È un problema di architettura organizzativa, di fiducia e, soprattutto, di aspettativa mal calibrata.
Di cosa parliamo oggi:
Cos'è davvero l'agentic coding nel 2026, al di là dei comunicati stampa
I pattern che funzionano — con casi reali e numeri
Il gap tra uso e delega, e perché è più interessante dell'hype
I punti di attenzione che nessuno ti dice prima di deployare un coding agent
Le domande operative da portare in review prima di affidare un task a un agente
Cerchiamo di capire e di andare oltre al mero hype del trend
Agentic Coding: la realtà dopo l'hype
Cosa intendiamo per "agentic coding" — e cosa non è
"Agentic coding" non è GitHub Copilot che completa una riga. Non è un LLM che risponde alla domanda "come si fa questa cosa in Python". È qualcosa di strutturalmente diverso: un sistema AI che pianifica una sequenza di azioni, usa tool (terminale, debugger, browser, API), verifica i propri output e itera fino a raggiungere un obiettivo definito — il tutto senza intervento umano step-by-step.
La distinzione conta perché cambia completamente il modo in cui si progetta il sistema, si misurano i risultati e si gestiscono i fallimenti. Un copilota sbaglia una riga. Un agente sbaglia un'intera sequenza di azioni. L'error compounding — che già avevo discusso nel pezzo sugli agenti AI in produzione — diventa ancora più rilevante quando l'agente lavora su una codebase reale per ore consecutive.
I pattern che funzionano — con i numeri
Il report Anthropic ha identificato otto trend sull'agentic coding nel 2026. Ne estraggo tre con casi documentati, perché i dati parlano in modo molto più onesto dei titoli.
1. Task longhi su codebase grandi Rakuten ha fatto girare un agente per sette ore consecutive su una codebase da 12,5 milioni di righe — e l'agente ha implementato una feature complessa in un singolo run. Non un prototipo, non una demo: codice che è andato in review. Questo è il pattern che nel 2024 sembrava fantascienza e nel 2026 sta diventando una pratica di engineering.
2. Compressione del time-to-delivery su progetti medi Un'azienda citata nel report — non nominata, ma il dato è verificato — ha completato un progetto stimato 4–8 mesi in due settimane grazie a un workflow agentIco su più task paralleli. Non è un caso isolato: la compressione del tempo su progetti di media complessità è il ROI più citato tra chi ha agenti in produzione oggi.
3. Risparmio di ore a scala TELUS ha risparmiato oltre 500.000 ore nei propri processi di development con sistemi agentici. È un numero grande, e va letto con contesto: non è risparmio su task creativi o architetturali, ma su lavoro ripetitivo e ben definito — test generation, documentazione, refactoring di pattern noti.
La costante tra questi tre casi: task con scope chiari, output verificabili, codebase strutturata. Non funzionano gli ambienti ambigui.
Il gap che nessuno ti dice — uso vs delega
Qui sta la cosa interessante. LangGraph Platform — l'infrastruttura di LangChain per deployare agenti in produzione — è ora disponibile in general availability e conta quasi 400 aziende che la usano in produzione. Gartner riporta che l'80% delle app enterprise consegnate o aggiornate nel primo trimestre 2026 incorpora almeno un AI agent.
Eppure i developer stessi dichiarano che riescono a delegare completamente solo il 0–20% dei loro task, anche laddove l'AI è coinvolta nel 60% del lavoro. Il divario tra presenza e autonomia reale è il dato più onesto che il report Anthropic abbia prodotto.
Come si spiega? Il problema non è che gli agenti non siano capaci — per una fetta crescente di task, lo sono. Il problema è che la maggior parte dei team non ha ancora definito con precisione quali task delegare. La delega efficace richiede uno scope chiarissimo, un criterio di verifica dell'output e una gestione esplicita dei casi limite. Tutte cose che, nel lavoro di engineering quotidiano, spesso non esistono nemmeno quando ci lavorano esseri umani.
Le domande operative da portare in review
Prima di affidare un task a un coding agent in un ambiente di produzione, ci sono tre domande che io uso come discriminante:
L'output è verificabile automaticamente? Se non puoi scrivere un test che mi dica se l'agente ha fatto bene, il task non è pronto per essere delegato completamente. L'accuracy di un agente su task senza ground truth verificabile non è misurabile — e un output non misurabile non è deployabile.
Il task è abbastanza stretto da non richiedere decisioni architetturali? Gli agenti eccellono su task ben definiti in un contesto strutturato. Non eccellono (ancora) su decisioni che richiedono contesto di business, trade-off organizzativi o comprensione di vincoli non scritti nel codice.
Hai un meccanismo di fallback se l'agente va fuori scope? Il punto più sottovalutato. Un agente che lavora sette ore su una codebase e prende una direzione sbagliata dopo tre ore può generare un costo di cleanup superiore al beneficio. Human-in-the-loop su checkpoint intermedi non è debolezza di progettazione — è ingegneria.
Notizie da tenere d'occhio
Anthropic pubblica il "2026 Agentic Coding Trends Report" Il report — basato su case study di Rakuten, TELUS, CRED e Zapier — identifica otto trend sull'evoluzione del coding agentIco. Il punto più rilevante: il ruolo dell'engineering manager sta cambiando. Non gestisce solo persone, gestisce un mix di engineer umani e agenti con task allocation, quality review e failure triage molto diversi da quelli tradizionali. Perché importa: chi non ridisegna i processi di review e hand-off adattandoli alla realtà agentIca troverà presto un collo di bottiglia umano in mezzo a un workflow che potrebbe andare molto più veloce.
LangGraph Platform raggiunge la General Availability L'infrastruttura di LangChain per deployare e gestire agenti stateful a lungo termine è ora GA. Quasi 400 aziende l'hanno usata in beta. La GA porta API stabili, SLA, e strumenti di monitoring che prima mancavano. Perché importa: è il segnale che la parte di infrastruttura del deployment agentIco sta maturando. Non siamo più nella fase "costruisciti tu il tuo scaffolding".
Gartner: l'80% delle app enterprise Q1 2026 incorpora almeno un AI agent Un dato che, messo vicino al 5% del 2024, sembra impossibile. Va letto con attenzione: "incorpora" include anche semplici automazioni etichettate come agenti per motivi di marketing. Ma il trend di fondo è reale. Perché importa: se sei in un team di prodotto o di engineering e ancora non hai un piano per l'adozione agentica, non sei in ritardo di pochi mesi — sei in ritardo di un anno.
Una cosa da leggere
🔧 Anthropic 2026 Agentic Coding Trends Report — Non è un whitepaper di vendita. È una raccolta di case study con numeri reali da aziende che hanno agenti in produzione da mesi. La sezione sul cambiamento del ruolo dell'engineering manager vale da sola il tempo di lettura. Scaricabile gratuitamente da resources.anthropic.com.
Chi sa definire i task giusti da delegare vince. Chi insegue l'automazione completa senza aver fatto quel lavoro di definizione — sta costruendo demo costose.
Grazie per aver letto questo articolo fammi sapere cosa ne pensi!
Ci vediamo presto qui su WikiLuc!