Che cosa cambia nell'ingegneria del software quando a scrivere il codice è un agente?

Produrre codice smette di essere il collo di bottiglia; lo diventano specificare con precisione ciò che si vuole, verificare ciò che l'agente ha restituito e rispondere di ciò che è stato consegnato.

Due misurazioni esterne delimitano il problema. L'indagine di Stack Overflow del 2025 registra l'84% di utilizzo dell'IA tra gli sviluppatori, con il 46% che dichiara di diffidare dell'accuratezza contro il 33% che si fida e il 66% che segnala soluzioni "quasi giuste, ma non del tutto". E lo studio controllato di METR, di luglio 2025 ha rilevato che sviluppatori esperti, su progetti maturi, erano più lenti del 19% con l'IA, pur credendo di essere più veloci del 20%. Per questo la diagnosi chiede pratiche osservabili.

Sono la spina dorsale della diagnosi di fluidità operativa del FAROL per le aziende di software. Ciascuna corrisponde a una decisione di ingegneria che, prima degli agenti, non esisteva o non pesava:

• Come gestire il contesto: che cosa entra e che cosa resta fuori dalla finestra del modello.
• Come controllare il consumo di token, che è un costo variabile.
• Come scrivere una buona specifica, che è diventata l'artefatto di ingresso.
• Come progettare l'harness dell'agente: gli strumenti, i limiti e l'ambiente in cui opera.
• Come orchestrare agenti su più livelli, quando uno ne coordina altri.
• Come garantire la qualità di un codice che nessuno ha digitato.
• Come gestire il non determinismo, dato che lo stesso input non restituisce lo stesso output.
• Come scegliere tra il pairing in tempo reale e la delega in background: la persona nella sessione, che vede ogni passo, oppure l'agente che lavora da solo fino a restituire il risultato.
• Come proteggersi dalla prompt injection, la nuova superficie di attacco.
• Come misurare la produttività reale, e non quella percepita.
• Che cosa gira in locale e che cosa esce dalla macchina.
• Come integrare l'IA nel codice legacy, dove si concentra la maggior parte del lavoro.
• Come organizzare il ciclo di vita agentico, dalla sperimentazione alla produzione.
• Come preservare le competenze umane quando la generazione viene delegata.
• Come riorganizzare il team intorno a tutto questo.

La domanda sull'abilità umana ha una posizione alle spalle. L'ipotesi di lavoro del gruppo è che delegare la generazione di codice abbia un costo nella formazione delle competenze, con un effetto maggiore su chi sta iniziando. Rifiutare la distillazione della competenza è trattato lì come requisito di prodotto.

Con FAROL Software, la diagnosi della verticale di ingegneria. Misura l'azienda in quattro famiglie (fondamenti tecnici, livello agentico, qualità e rischio, organizzazione e persone), rispetto al banco principale di 264 elementi del FAROL.

• Come funziona: si compila in autonomia, in un tempo da quindici a sessanta minuti. Sono 37 domande di mappatura (vocabolario e inventario dei concetti) e, facoltativamente, altre 77 di pratica, su come l'azienda opera effettivamente ciascun concetto. Una domanda per schermata, scala da 0 a 4, risultato in punteggio per famiglia, radar e prossimi passi.
• Da dove viene: ricerca del CIn-UFPE in collaborazione con una piattaforma di maturità organizzativa, che sintetizza più di 60 fonti, tra cui Anthropic, OpenAI, Google, IEEE, ACM, Linux Foundation e casi brasiliani.
• In che stato si trova: versione 0.1, dichiarata come MVP.

Misurare un agente è diverso dal misurare una persona, perché la traccia del lavoro si trova nello strumento e ogni strumento registra una cosa diversa. Il benchmark di telemetria dell'interazione con gli agenti è una raccolta aperta degli strumenti di osservazione (Claude Code, Codex, Cursor, Copilot e altri), che li confronta in base a ciò che ciascuno non riesce a vedere, e non in base all'elenco delle funzionalità.

https://telemetria-interacao-agentes.vercel.app

La stessa logica è applicata nell'insegnamento: nell'Hiper Deep Research, il sistema dell'insegnamento Tendências em Mídia e Interação, tenuto da Giordano Cabral, la telemetria registra il tempo trascorso su ciascun elemento vagliato, perché ciò che si valuta è il processo, e la lettura di 500 elementi non compare nel risultato finale. Il sistema è scritto senza build e senza framework, con moduli ES nativi e Supabase alle spalle, e la regola di unicità (uno strumento appartiene a uno studente per unità) è una chiave primaria composta nel database.

Nell'Arsenal of Tools, catalogo aperto di strumenti, CLI, server MCP, modelli, API e "perle", il long tail che gli assistenti generici tendono a omettere a favore dell'ovvio. È nato per uso personale, degli studenti e dei professionisti.

Il 18/09/2026 la versione 3.7 raccoglieva 320.483 elementi: 1.483 categorie, 174.869 tag, 102 paesi, 23.197 CLI, 8.554 server MCP, 80.506 modelli di Hugging Face, 24.919 API e 28.678 segnalazioni dai social network, raccolti da 632 elenchi aperti, marketplace, newsletter e riviste.

La ricerca viene eseguita nel browser, senza chiamate a un modello per ogni query; non ci sono pubblicità né tracciamento.

Chi lavora con molte sessioni di assistente in parallelo perde, a ogni cambio di finestra, il perché di ciò che è già stato deciso. Il metodo adottato da Cabral è un protocollo di decantazione: ogni decisione diventa un file con il motivo, le alternative scartate e il modo di verificare se viene rispettata. Il protocollo si appoggia a una base di conoscenza che la stessa IA compila a partire dalle fonti di lavoro, organizzata per concetti, progetti e persone, e non per conversazioni. Nel rilevamento del 03/09/2026, questa base aveva 958 fonti, 38 concetti, 32 progetti, 180 persone e 24 organizzazioni, con acquisizione quattro volte al giorno.

La base è di lavoro e non è pubblica. Il metodo e lo strumento lo sono: mad (MultiAgent Decanting), plugin con licenza MIT che mette al lavoro un team di agenti con registrazione delle decisioni integrata, distribuito tramite un marketplace di plugin anch'esso aperto.

• https://github.com/giordanorec/multiagents-decanting
• https://github.com/giordanorec/ai-coding-tools

Confezionandolo come skill: un file in Markdown che qualsiasi assistente carica e che guida il lavoro passo dopo passo, invece di descriverlo. Sono tre gli esempi in uso:

• Projetão para a era da IA — la metodologia di progetto di innovazione creata al CIn/UFPE nel 2002, riconfezionata in 10 quest, 13 tappe e 20 opere lette, per funzionare all'interno di Claude, ChatGPT, Cursor, Copilot, Codex o Gemini. Ogni quest dichiara la modalità d'uso dell'IA: senza assistenza (lavoro sul campo e interviste, di proposito), con supporto (l'IA critica e segnala) e coproduzione (l'IA genera, la persona verifica e ne risponde); il colore della quest indica la modalità più restrittiva.
• Acervo de Teorias Acionáveis — teorie di amministrazione aziendale su due livelli: materiale didattico che spiega e una skill portatile che esegue. Dichiara 3 teorie, 3 skill pronte e 368 libri nella base; il modulo aperto più completo è Running Lean, in sette moduli, con il file .skill da scaricare.
• Le skill degli studenti. In Tendências em Mídia e Interação, ogni studente costruisce la propria skill di prospezione, con quattro requisiti verificati tramite script, e consegna insieme il registro di dove l'IA ha sbagliato e di come se n'è accorto.

Giordano Cabral sviluppa software da prima dell'IA generativa. Nel 2000, il sistema della sua tesi di laurea magistrale al CIn ha dato origine a Daccord Music Software, preincubata al Recife BEAT, con prodotti venduti sul mercato internazionale. Il curriculum Lattes registra 93 programmi per computer.

L'elenco completo si trova in www.cin.ufpe.br/publicacoes/, e i sistemi attualmente online, in www.cin.ufpe.br/projetos/.