Durante la conferenza Platmosphere 2026, l’evento annuale incentrato sull’evoluzione del Platform Engineering, il dibattito sull’evoluzione tecnologica ha preso una direzione ben precisa, concentrandosi sull’impatto reale dell’intelligenza artificiale nel panorama dello sviluppo software.
Ad aprire i lavori sono stati Francesco Soncini Sessa, Head of Strategic Alliances, President e co-founder di Mia-Platform, e Federico Soncini Sessa, Chief Operating Officer e co-founder dell’azienda. Nel corso del loro intervento congiunto, i due relatori hanno tracciato un bilancio lucido degli ultimi dodici mesi, descrivendo un mercato caratterizzato da un’incredibile velocità di adozione, ma anche da profonde contraddizioni interne che dividono la platea tra sostenitori entusiasti e critici preoccupati.
Indice degli argomenti
Perché si parla sempre spesso più di Vibe Coding
Se da un lato la pressione commerciale dei grandi vendor spinge le imprese verso un’adozione immediata, dall’altro i dati reali sul campo mostrano un forte scollamento tra le potenzialità individuali e i benefici di business concreti finora ottenuti dalle organizzazioni strutturate.
Secondo una recente ricerca condotta da McKinsey, infatti, solamente il 10% delle organizzazioni è riuscito a superare la fase iniziale di progetto pilota per muoversi verso implementazioni più mature. Questo divario tra l’elevata capacità produttiva potenziale e la reale adozione aziendale introduce la necessità di ripensare l’intero paradigma dello sviluppo, spostando il focus verso il Vibe Engineering, inteso come l’unica risposta industriale e strutturata capace di colmare il divario organizzativo attuale.
L’illusione del Vibe Coding e l’AI Developer Gap
Per comprendere la necessità di questo passaggio, Francesco e Federico Soncini Sessa hanno analizzato criticamente il fenomeno del Vibe Coding, un approccio metodologico emerso con forza nell’ultimo anno finanziario, che ha portato alla nascita di numerosi unicorni e di cui si è parlato a lungo nel settore. Con questo termine si definisce la tecnica di generazione del codice guidata esclusivamente da un’interazione in linguaggio naturale con un algoritmo di intelligenza artificiale, in cui lo sviluppatore si affida unicamente a test di tipo “black-box” per verificare i risultati, rinunciando all’ispezione diretta del codice sorgente.
Di fronte a questa tendenza, i co-founder di Mia-Platform hanno posto una domanda centrale al pubblico in sala: «Il vibe coding è effettivamente praticabile?». L’efficacia di questo metodo si scontra con una realtà aziendale complessa. Sebbene i modelli linguistici di grandi dimensioni si dimostrino capaci di eguagliare le performance di uno sviluppatore di media esperienza e offrano una velocità imbattibile nella produzione di righe di codice giornaliere, il loro output fatica a integrarsi negli ambienti di produzione delle grandi imprese.
I dati presentati durante il keynote evidenziano che il 96% degli esperti IT dichiara espressamente di rifiutare il deployment di codice generato tramite Vibe Coding senza che vi sia prima una revisione umana completa e approfondita. Di conseguenza, all’interno delle organizzazioni di livello enterprise, la quantità di codice software prodotto in questo modo che raggiunge effettivamente i sistemi di produzione reali è oggi vicina allo zero.
I limiti del Vibe Coding
Esiste, dunque, una contraddizione di fondo tra la rapidità esecutiva promessa dall’intelligenza artificiale isolata e i requisiti di qualità richiesti in ambito enterprise. I relatori hanno spiegato che l’intelligenza artificiale opera attualmente come uno sviluppatore esterno, veloce ma privo di onboarding e totalmente scollegato dall’organizzazione. Alla domanda sulle reali possibilità che un codice scritto in questo stato di isolamento venga accettato, la risposta data è categorica: «Nessuna. Zero.».
Questa totale assenza di opportunità deriva dal fatto che l’algoritmo non possiede il contesto necessario: ignora i template approvati, i framework architetturali, i linguaggi specifici, gli strumenti di pipeline, le policy di compliance, le linee guida di sicurezza e la semantica dei sistemi esistenti. L’effetto diretto è la duplicazione del codice, l’impossibilità di riutilizzare i componenti e un conseguente aumento dei costi totali di gestione. Questa interruzione nei processi di approvazione e condivisione definisce l’AI developer gap, un ostacolo che può essere superato soltanto creando un ponte solido tra la scrittura del codice grezzo e la vita organizzativa dell’impresa.
La transizione metodologica verso il Context Engineering
La soluzione per colmare questo divario risiede nell’evoluzione delle tecniche di interazione con i modelli. Nel corso del Platmosphere 2026 è stato spiegato che le organizzazioni devono compiere un passo in avanti, superando i limiti del tradizionale Prompt Engineering per approdare a un più articolato e strutturato Context Engineering.
Mentre il Prompt Engineering si limita a trasmettere l’intento dell’utente e alcune istruzioni di sistema per configurare l’assistente, il Context Engineering richiede una struttura informativa molto più complessa, il cui scopo è integrare l’agente di intelligenza artificiale all’interno del team di sviluppo esattamente come se si trattasse dell’onboarding di un nuovo collega umano.
I cinque elementi necessari per integrare gli agenti autonomi
Per operare efficacemente come un vero membro del team e non come uno strumento isolato, l’agente deve essere alimentato con cinque categorie fondamentali di informazioni aziendali.
- In primo luogo, necessita dell’accesso agli asset principali dell’azienda, che includono la documentazione del codice sorgente, i documenti di specifica e i log di sistema.
- In secondo luogo, deve possedere competenze tecniche specifiche ma declinate secondo le precise linee guida di stile della società, come ad esempio saper scrivere in React rispettando le regole interne di formattazione.
- Il terzo elemento riguarda la conoscenza delle specifiche di output, ossia del formato esatto richiesto per i deliverable finali.
- Come quarto elemento fondante, l’agente deve poter utilizzare gli stessi strumenti dell’azienda, il che comprende non solo i software del ciclo di vita dello sviluppo, ma anche la capacità di interrogare i database aziendali e interagire direttamente con applicazioni core quali sistemi CRM ed ERP.
- Infine, l’agente deve poter gestire la memoria storica dei progetti, ricevendo note e memo relativi alle passate interazioni per garantire la tracciabilità del lavoro.
Il contesto AI? Un equilibrio perfetto tra calibrazione energetica ed economica
La corretta identificazione di queste informazioni rappresenta tuttavia una sfida delicata. I relatori hanno sottolineato che la determinazione del giusto livello di contesto è un gioco di fine calibrazione energetica ed economica.
Un contesto troppo ristretto espone l’azienda al rischio di allucinazioni da parte del modello e alla generazione di codice disallineato rispetto agli obiettivi.
Al contrario, un contesto eccessivamente ampio impatta negativamente sui costi legati ai token dell’intelligenza artificiale, rallenta i tempi di produzione e riduce la prevedibilità complessiva dei risultati finali.
Diventa, quindi, indispensabile implementare una strategia che consenta di standardizzare e rendere condivisibile il contesto corretto all’interno dell’intera struttura aziendale, interrompendo il ciclo di costi individuali che costringe ogni sviluppatore a ripartire da zero a ogni iterazione.
I tre elementi chiave di un’AI scalabile
L’architettura logica necessaria a supportare questa condivisione su scala enterprise si articola in tre componenti distinte: le azioni, che uniscono prompt, skill, specifiche di output e file; gli strumenti con cui l’agente interagisce e, infine, i dati, composti principalmente da metadati e dalle relazioni semantiche del sistema. Questo modello standardizzato permette alle aziende di scalare l’adozione dell’intelligenza artificiale dai singoli team all’intera organizzazione.
Durante il loro intervento, i manager di Mia-Platform hanno chiarito che l’utilizzo di un semplice repository di codice non è sufficiente a soddisfare le esigenze delle grandi imprese, poiché la presenza di molteplici team porta a una proliferazione caotica di template duplicati e simili tra loro, a causa della mancanza di meccanismi centrali di discovery, misurazione e governance. Inoltre, la condivisione delle sole istruzioni testuale lascia irrisolto il problema dell’integrazione di strumenti e dati.
In assenza di una piattaforma centralizzata, i singoli team si vedono costretti a configurare le connessioni ai database e alle infrastrutture direttamente sui propri client locali.
Gli ostacoli alla standardizzazione delle integrazioni
L’ccessiva frammentazione impedisce la standardizzazione delle integrazioni, allunga i tempi di onboarding e fa perdere il controllo sulla sicurezza degli accessi.
Un ulteriore rischio evidenziato riguarda il download di ampie porzioni di contesto direttamente sui laptop personali degli sviluppatori, una pratica che aumenta drasticamente la vulnerabilità dei sistemi e il pericolo di gravi violazioni dei dati aziendali in caso di smarrimento o furto dei dispositivi fisici.
Le conseguenze di questa anarchia operativa si traducono non solo in opportunità di business mancate, ma anche in concreti rischi di danni economici e sanzioni legali per la mancata compliance rispetto alle policy di sicurezza.
Il Context Catalog come gemello digitale dell’ecosistema aziendale
Per passare da questa condizione di caos a una gestione governata del contesto, Francesco e Federico Soncini Sessa propongono l’introduzione di un Context Catalog. Questo strumento risolve i problemi di frammentazione centralizzando tutte le informazioni e le connessioni dell’infrastruttura.
Il catalogo importa i metadati e le semantiche dai sistemi informativi, mappa centralmente le gerarchie di acesso e definisce le relazioni tra i team, le applicazioni e gli ambienti aziendali. In questo modo, il catalogo modella il contesto fondamentale dell’azienda e consente di configurare i template finali per la distribuzione controllata degli agenti.
L’efficacia dello strumento risiede nella sua natura architetturale, definita chiaramente da Francesco Soncini Sessa: «il catalogo dei contesti è il gemello digitale del panorama aziendale».
I benefici di business della gestione centralizzata del contesto
Il Context Catalog permette di valorizzare la singolarità dei dati interni e centralizza la conoscenza, assicurando tre vantaggi strategici per il business aziendale: scalabilità, standardizzazione e protezione delle informazioni.
La scalabilità si ottiene condividendo contesti validati per massimizzare l’efficacia dello sviluppo agentico e permettere, così, di rompere il loop dei costi individuali.
La standardizzazione permette di ottimizzare, misurare e valutare i modelli di ingegneria del contesto, riducendo i tempi e i costi complessivi dell’intelligenza artificiale attraverso l’adozione del modello più idoneo.
La protezione, infine, garantisce una governance sicura sugli accessi a dati, metadati e strumenti, bloccando i download locali sui computer dei dipendenti e garantendo la piena compliance normativa.
I tre pilastri operativi per abilitare il Vibe Engineering
L’adozione del Context Catalog permette di risolvere la contraddizione iniziale tra la velocità operativa tipica del Vibe Coding e l’efficienza qualitativa richiesta dai sistemi enterprise. Per raggiungere questo equilibrio, l’azione aziendale deve muoversi contemporaneamente lungo tre direttrici strategiche distinte, capaci di rendere l’intera infrastruttura pronta per l’integrazione con i modelli intelligenti.
1. Strutturazione dei template e catalogo dei contesti
La prima direttrice coincide con la strutturazione dei template di ingegneria del contesto attraverso l’implementazione del catalogo centralizzato, garantendo una base solida e governata per la distribuzione degli agenti.
2. Strumenti aziendali AI-ready e Model Context Protocol
La seconda direttrice richiede la creazione di una piattaforma di orchestrazione che copra l’intero ciclo di vita del software, basata su una Internal Developer Platform (IDP) e sulla federazione dei server Model Context Protocol (MCP) provenienti dalle diverse applicazioni aziendali.
3. Dati pronti per l’intelligenza artificiale
La terza direttrice si concentra sull’infrastruttura dei dati aziendali, i quali devono essere organizzati secondo un approccio Data Fabric in grado di gestire e trasmettere flussi informativi in live-streaming direttamente dai sistemi legacy dell’organizzazione verso i sistemi di record.
L’orizzonte industriale e la modernizzazione dei sistemi legacy
Solo attraverso la convergenza di questi tre pilastri operativi è possibile compiere il passaggio definitivo verso il Vibe Engineering. Come dichiarato da Federico Soncini Sessa, «il Vibe Engineering è la risposta industriale al Vibe Coding, un contesto ingegneristico strutturato che consente di integrare l’AI nella vostra organizzazione».
Questa metodologia consente alle linee di business fare prototipazione rapida in totale sicurezza e, al tempo stesso, permette ai dipartimenti IT di scrivere codice solido, scalabile e allineato agli standard di sicurezza aziendali.
Inoltre, l’introduzione del Vibe Engineering sblocca un’opportunità di rilevanza cruciale per le grandi imprese: la modernizzazione dei sistemi applicativi legacy, un tema strategico e complesso che le organizzazioni hanno rimandato per troppo tempo a causa dei costi e delle difficoltà operative.
L’integrazione strutturata degli agenti AI permette, invece, di superare l’entusiasmo passeggero legato ai trend tecnologici e di catturare il valore reale della rivoluzione industriale in corso.
L’evoluzione del software enterprise richiede di abbandonare l’approccio dell’intelligenza artificiale isolata in favore di flussi agentici collaborativi, basati sull’onboarding dei modelli, sulla condivisione di playbook verificati e sulla centralizzazione della governance attraverso piattaforme interne strutturate, pronti per l’orizzonte operativo sintetizzato dai due relatori in chiusura d’intervento, ovvero «Master the vibe».
FAQ: Intelligenza Artificiale
Che cos’è l’intelligenza artificiale?
L’intelligenza artificiale è la disciplina che studia la progettazione, lo sviluppo e la realizzazione di sistemi hardware e software dotati di capacità caratteristiche dell’uomo, come ragionamento, apprendimento, pianificazione e adattamento. Si tratta di un ramo della computer science che studia lo sviluppo di sistemi in grado di emulare le capacità cognitive umane, permettendo alle macchine di apprendere dall’esperienza, adattarsi a nuovi input e svolgere compiti che tradizionalmente richiedono l’intelligenza umana. L’AI non ha una definizione univoca e condivisa, poiché comprende un ampio spettro di discipline, dalla neurologia all’informatica, dalla neurobiologia alla matematica.
Quali sono le principali tecniche di apprendimento nell’intelligenza artificiale?
Le principali tecniche di apprendimento nell’intelligenza artificiale si suddividono in tre approcci fondamentali: l’apprendimento supervisionato, l’apprendimento non supervisionato e l’apprendimento per rinforzo. Nell’apprendimento supervisionato, l’algoritmo viene addestrato su un dataset etichettato per prevedere output corretti. L’apprendimento non supervisionato lavora su dati non etichettati per scoprire pattern o strutture intrinseche. L’apprendimento per rinforzo permette a un agente di imparare a prendere decisioni interagendo con un ambiente e ricevendo feedback sotto forma di ricompense o penalità. A questi si aggiunge il deep learning, una sottocategoria del machine learning che utilizza reti neurali artificiali con molti strati per modellare ed estrarre caratteristiche complesse dai dati.
Come è nata e si è evoluta l’intelligenza artificiale nel corso della storia?
L’intelligenza artificiale ha radici che risalgono al XVII secolo, quando furono costruite le prime macchine in grado di effettuare calcoli automatici da Blaise Pascal e Gottfried Wilhelm von Leibniz. Tuttavia, è nel 1943 che la gestazione dell’AI si avvicina al termine con il lavoro del neurofisiologo Warren Sturgis McCulloch e del matematico Walter Harry Pitts, che teorizzarono come semplici neuroni potessero essere combinati per calcolare operazioni logiche elementari. La locuzione “intelligenza artificiale” venne utilizzata per la prima volta nel 1955 dai matematici e informatici John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, in preparazione della conferenza di Dartmouth del 1956, considerata la vera “sala parto” dell’intelligenza artificiale. Dopo un periodo di grandi aspettative (1950-1965), l’AI attraversò una fase di difficoltà negli anni ’60, per poi rinascere negli anni ’80 grazie agli studi di Jay McClelland e David Rumelhart sul connessionismo e le reti neurali. Oggi, l’evoluzione delle nanotecnologie e lo sviluppo di algoritmi sempre più sofisticati hanno portato a una nuova generazione di AI capace di apprendimento autonomo e analisi complesse.
Qual è la differenza tra intelligenza artificiale debole e intelligenza artificiale forte?
La differenza tra intelligenza artificiale debole (weak AI) e forte (strong AI) rappresenta una distinzione fondamentale nel campo dell’AI. L’intelligenza artificiale debole agisce e pensa simulando di essere intelligente, ma non lo è realmente. Essa risponde a problemi sulla base di regole conosciute, confrontando casi simili ed elaborando soluzioni razionali senza una vera comprensione. Si occupa essenzialmente di problem solving, simulando il comportamento umano senza comprendere totalmente i processi cognitivi. L’intelligenza artificiale forte, invece, possiede capacità cognitive non distinguibili da quelle umane. Include i “sistemi esperti” che riproducono prestazioni e conoscenze di persone esperte in un determinato ambito, utilizzando un motore inferenziale che, come la mente umana, passa da una proposizione assunta come vera a una seconda proposizione con logiche deduttive o induttive. La caratteristica distintiva di questi sistemi è l’analisi del linguaggio per comprenderne il significato, elemento essenziale per una vera intelligenza.
Quali sono le applicazioni pratiche dell’intelligenza artificiale nel mondo aziendale?
L’intelligenza artificiale trova numerose applicazioni pratiche nel mondo aziendale, trasformando processi e strategie. Nel settore finanziario, l’AI viene utilizzata per personalizzare tassi di interesse, rilevare frodi e migliorare i servizi finanziari attraverso l’analisi dei dati sulle abitudini di rimborso e altri comportamenti dei clienti. Nel marketing e nelle vendite, le tecnologie cognitive aiutano a ottenere una comprensione a 360 gradi dei clienti, prevedendo le loro esigenze e migliorando la loro esperienza, portando a un migliore ingaggio e strategie più efficaci. Nell’industria manifatturiera, l’AI viene implementata per la manutenzione predittiva, consentendo di prevedere guasti e anomalie prima che si verifichino, riducendo i tempi di inattività e migliorando l’efficienza operativa. Altre applicazioni includono l’automazione di processi, l’ottimizzazione della supply chain, il supporto decisionale basato sui dati e il miglioramento della sicurezza informatica.
Come funziona il machine learning e quale relazione ha con l’intelligenza artificiale?
Il machine learning è un sottogruppo dell’intelligenza artificiale che conferisce alle macchine la capacità di ricevere dati e modificare gli algoritmi man mano che acquisiscono più informazioni su ciò che stanno elaborando. Si tratta di sistemi di apprendimento automatico che permettono alle macchine di adattarsi e migliorarsi senza necessità di riprogrammazione da parte dell’uomo. Il machine learning automatizza la costruzione di modelli analitici, utilizzando reti neurali, modelli statistici e ricerche operative per trovare informazioni nascoste nei dati e rispondere a nuovi input esterni. Può essere implementato attraverso diversi approcci, come l’apprendimento supervisionato, non supervisionato e per rinforzo. Un esempio classico di machine learning è un sistema di visione artificiale capace di riconoscere oggetti ripresi da una videocamera: l’algoritmo distingue tra animali, persone e cose, memorizzando nuove situazioni che arricchiscono la sua conoscenza. Il machine learning rappresenta il metodo che “allena” l’AI, consentendole di sviluppare capacità sempre più sofisticate di analisi e decisione.
Quali sono le tecnologie hardware che supportano lo sviluppo dell’intelligenza artificiale?
Lo sviluppo dell’intelligenza artificiale è supportato da diverse tecnologie hardware avanzate. Le GPU (Graphic Processing Unit), originariamente create per elaborare informazioni grafiche nei videogiochi, sono diventate fondamentali per l’AI grazie alla loro capacità di eseguire calcoli in parallelo, a differenza delle CPU che lavorano in modo seriale. Le TPU (Tensor Processing Unit), sviluppate da Google, sono circuiti specificamente progettati per operazioni di machine learning ad alto carico di lavoro, in particolare per ridurre il tempo dedicato alla fase inferenziale. Le ReRAM (memorie resistive ad accesso casuale) possono immagazzinare fino a 1 terabyte di dati in chip delle dimensioni di un francobollo, sono non volatili e consumano pochissima energia, rendendole ideali per costruire reti neurali. I computer quantistici rappresentano un’altra frontiera, operando secondo la logica quantistica che consente calcoli esponenzialmente più potenti rispetto ai computer tradizionali. Infine, i chip neuromorfici simulano il funzionamento del cervello umano, utilizzando una logica di funzionamento analogica che si attiva in maniera differente a seconda del gradiente di segnale scambiato tra le unità.
Quali sono i principali rischi e sfide etiche legati all’intelligenza artificiale?
L’intelligenza artificiale presenta numerosi rischi e sfide etiche che devono essere attentamente considerati. Tra questi, la sicurezza informatica è particolarmente critica: l’AI può essere utilizzata per creare attacchi più sofisticati, come il phishing personalizzato o la manipolazione di sistemi di sicurezza, e le stesse tecnologie AI possono essere vulnerabili ad attacchi che compromettono la loro integrità. Un altro rischio significativo è rappresentato dalle allucinazioni, ovvero la generazione di risposte false o imprecise presentate come fatti plausibili, che possono avere conseguenze gravi in settori come la sanità o la finanza. Vi sono poi preoccupazioni riguardo alla privacy dei dati, alla possibilità di bias e discriminazione nei sistemi AI, e all’impatto sull’occupazione. Questioni etiche emergono anche nel contesto delle auto autonome, come evidenziato dall’esperimento “The Moral Machine” che ha esplorato le scelte morali che un’auto a guida autonoma dovrebbe compiere in situazioni di emergenza, rivelando differenze culturali significative nelle preferenze etiche.
Come sta cambiando il ruolo del CIO con l’avvento dell’intelligenza artificiale?
Il ruolo del Chief Information Officer (CIO) sta subendo una profonda trasformazione con l’avvento dell’intelligenza artificiale. I CIO sono passati da gestori di sistemi IT a leader strategici che guidano l’innovazione e la trasformazione digitale all’interno delle loro organizzazioni. Sono ora responsabili di sviluppare strategie per integrare efficacemente l’AI nei processi aziendali, ottimizzando operazioni e riducendo costi attraverso l’automazione e l’analisi dei dati. I CIO devono garantire che i dati aziendali siano gestiti in modo sicuro e conforme alle normative sulla privacy, mentre implementano soluzioni AI che possono aiutare a identificare e mitigare le minacce alla sicurezza informatica. Devono anche pianificare e facilitare la formazione e lo sviluppo delle competenze necessarie per preparare il personale a lavorare con le tecnologie AI. La loro responsabilità si estende alla valutazione e alla scelta delle giuste piattaforme e infrastrutture per supportare soluzioni AI, considerando aspetti come scalabilità, interoperabilità e costi. Il CIO moderno deve gestire il cambiamento organizzativo che l’introduzione dell’AI comporta, affrontando le preoccupazioni dei dipendenti e promuovendo una cultura aziendale orientata all’innovazione.
Qual è la differenza tra intelligenza artificiale e intelligenza umana?
La differenza fondamentale tra intelligenza artificiale e intelligenza umana risiede nella capacità di creare valore in un sistema aperto e infinito. Mentre l’intelligenza artificiale opera in un sistema chiuso di valori già definiti, l’intelligenza umana si confronta con l’esperienza e con l’infinita variabilità del mondo. L’AI utilizza algoritmi basati sulle probabilità che possono intercettare il rapporto causa/effetto senza realmente comprenderlo, trasformando l’informazione in conoscenza attraverso modelli matematici. Al contrario, l’intelligenza umana è in grado di utilizzare l’invenzione e la fantasia per osservare il mondo in modi nuovi e inaspettati, esplorando possibilità che le macchine, con i loro algoritmi predefiniti, non possono concepire. Il linguaggio naturale utilizzato dalle macchine è efficiente nel trattare grandi volumi di dati, ma manca della profondità semantica e della capacità di innovare che caratterizza il linguaggio umano. Mentre l’AI può facilitare e ottimizzare molti aspetti della nostra vita, è l’intelligenza umana che mantiene la chiave dell’innovazione dirompente, capace di vedere oltre l’ovvio e di creare valore in modi che sfidano le convenzioni.
