Il settore tecnologico sta attraversando una fase di profonda revisione dei propri modelli operativi, spinto dalla necessità di integrare soluzioni avanzate in strutture organizzative complesse. Durante il convegno “Artificial Intelligence: adozione, trasformazione, equilibrio”, organizzato dall’Osservatorio Artificial Intelligence del Politecnico di Milano, è emerso chiaramente come l’impatto di queste tecnologie superi la dimensione puramente tecnica per investire l’intera gestione del ciclo di vita del software. Alessandro Tufano, Responsabile AI di Unipol Assicurazioni, ha illustrato il percorso intrapreso dal gruppo, evidenziando come l’adozione dell’AI nei processi IT non possa limitarsi a un singolo compito isolato, ma debba risalire l’intera filiera produttiva, dalla generazione del codice fino alla definizione dei requisiti di business.
Indice degli argomenti
La “Fabbrica IT” e la sfida dell’intelligenza artificiale generativa
La gestione dello sviluppo software all’interno di una realtà assicurativa di grandi dimensioni richiede un approccio strutturato, paragonabile a quello di una vera e propria produzione industriale.
Tufano definisce la sua struttura come una “fabbrica IT”, un ambiente dove la creazione di contenuti e applicazioni di intelligenza artificiale deve rispondere a logiche di scalabilità e precisione. L’interesse verso l’AI nei processi IT è nato dall’osservazione dei rapidi progressi degli strumenti generativi, spesso protagonisti di annunci di grande impatto sui canali social e specialistici.
L’esperienza diretta con soluzioni come Cloud Code di Google o altri strumenti di generazione automatica ha confermato l’efficacia della tecnologia, ma ha contemporaneamente sollevato interrogativi sulla sua applicabilità in contesti aziendali regolamentati.
Il passaggio dalla semplice curiosità tecnologica alla trasformazione dei processi è avvenuto nel momento in cui è stato identificato un vantaggio concreto nello svolgimento di attività specifiche, portando il team di Unipol a testare attivamente le potenzialità della generazione di codice.
Oltre la sintassi: le complessità dello sviluppo nelle aziende strutturate
L’integrazione dell’AI nei processi IT si scontra con una realtà operativa dove la scrittura del codice rappresenta solo una frazione dell’attività complessiva. Alessandro Tufano sottolinea un punto fondamentale: «in un’azienda strutturata come la nostra lo sviluppatore, purtroppo o per fortuna, non scrive solo codice, ma fa tante altre cose». Questa multifunzionalità implica che l’adozione di strumenti generativi non possa essere immediata o priva di supervisione.
Perché l’intelligenza artificiale possa operare efficacemente, è necessario stabilire un perimetro d’azione definito da regole molto precise. Lo strumento stesso, all’apertura della console di sviluppo, richiede all’utente indicazioni chiare e parametri normativi per poter produrre un output coerente con gli standard aziendali. La criticità individuata da Tufano risiede nella capacità umana di fornire tali istruzioni: «Se noi aggiungiamo un altro problema, cioè che non andiamo a scrivere correttamente queste informazioni, non riusciamo ad andare da nessuna parte». Da questa consapevolezza è nata la necessità di analizzare l’intero processo di sviluppo per identificare i punti di frizione e le opportunità di efficientamento.
L’automazione dei test come leva per la qualità del software
La strategia adottata da Unipol ha previsto un ribaltamento logico del processo produttivo, partendo dalla fase finale per risalire verso l’origine. Il primo ambito di applicazione dell’AI nei processi IT è stato quello degli Unit Test, identificati come il punto di ingresso più semplice e immediato per queste tecnologie.
Il recupero dei Quality Gate attraverso gli Unit Test
Nella prassi dello sviluppo software, la creazione dei test unitari è spesso percepita come un’attività ripetitiva e onerosa, portando frequentemente alla loro omissione per accelerare i tempi di consegna. Tufano ammette che si tratta di una fase «tipicamente noiosa» che spesso induce a rimuovere i Quality Gate. Tuttavia, l’intelligenza artificiale ha permesso di invertire questa tendenza.
Attraverso l’utilizzo di strumenti generativi che operano partendo direttamente dal codice sorgente e seguendo poche regole predefinite, il team è riuscito a automatizzare la produzione di questi test. Questo ha permesso di «rialzare i Quality Gate su tante applicazioni», garantendo una maggiore robustezza del software prodotto senza gravare eccessivamente sulle tempistiche dei team di sviluppo.
L’esperienza dei tester e il valore aggiunto dell’AI negli UAT
Il supporto dell’intelligenza artificiale si è esteso successivamente ai test di accettazione dell’utente, noti come UAT (User Acceptance Test). Questi test sono fondamentali per verificare che il software risponda alle esigenze del business prima del rilascio in produzione, ma la loro stesura è altrettanto dispendiosa in termini di tempo.
L’introduzione di strumenti generativi in questo ambito ha modificato la percezione del lavoro da parte dei professionisti coinvolti. Secondo quanto riportato da Tufano, i tester hanno riscontrato un beneficio immediato: «Riesco a concentrarmi sulle parti veramente difficili dove serve la mia esperienza, perché le parti scontate vengono abilitate dall’AI». L’automazione delle componenti più standardizzate ha quindi permesso alle figure specializzate di dedicare maggior valore alle fasi critiche e complesse del collaudo.
La standardizzazione del Demand: il punto di origine dell’efficienza
L’analisi dell’AI nei processi IT condotta in Unipol ha rivelato un effetto domino che ha portato l’attenzione ben oltre la fase di sviluppo. Durante la generazione degli UAT, è emerso che la qualità dell’output dell’intelligenza artificiale era strettamente correlata alla qualità dei documenti di Analisi Funzionale (AF) utilizzati come input.
Questi documenti, che derivano dalla scrittura dei requisiti, non risultavano sempre sufficientemente standardizzati o pronti per essere elaborati da uno strumento generativo. Questo ha spinto l’azienda a intervenire sul template dell’Analisi Funzionale, con l’obiettivo di rendere il processo integrato e automatizzabile all’interno degli strumenti di Project Management aziendali. L’obiettivo finale è l’eliminazione della necessità di documenti di supporto cartacei o disorganizzati in futuro.
Il percorso di ottimizzazione è arrivato così alla sua radice: la definizione dei requisiti di business. Alessandro Tufano ha concluso spiegando come la standardizzazione funzioni solo se applicata a monte della filiera: «per dare efficienza completa a questo tipo di attività non basta guardare solo a quel task atomico, ma siamo arrivati fino all’origine, cioè al Demand, a quando nasce il requisito di un’applicazione AI».
