Nelle grandi organizzazioni aziendali la gestione delle infrastrutture IT affronta da sempre una tensione strutturale: da un lato la necessità di sviluppare nuove funzionalità per sostenere la crescita del business, dall’altro l’obbligo di garantire la stabilità dei sistemi esistenti. Negli ultimi mesi, la diffusione di agenti informatici basati su intelligenza artificiale sta consentendo una profonda trasformazione nei reparti d’ingegneria del software, spostando il baricentro dal supporto reattivo alla risoluzione preventiva delle criticità.
Le metodologie e le architetture necessarie per implementare con successo le operazioni AI su larga scala sono state illustrate da Dave Glick, senior vice president of Growth Technology presso Walmart, nel corso di un’intervista rilasciata al podcast The AI in Business Podcast curato da Emerj.
Indice degli argomenti:
Dalla gestione reattiva alla risoluzione preventiva delle criticità
Per oltre due decenni, l’ingegneria del software nelle grandi aziende ha cercato di bilanciare la realizzazione di grandi progetti prioritari con la gestione quotidiana del debito tecnico. L’approccio tradizionale alla manutenzione dei sistemi si è basato principalmente sul lavoro reattivo di triage delle segnalazioni. In passato, interi gruppi di lavoro venivano dedicati alla pratica del “ticket diving“, un’analisi manuale condotta su base settimanale per esaminare i registri di supporto, identificare le anomalie ricorrenti e redigere rapporti di sintesi.
L’evoluzione verso moderne operazioni AI consente di completare la pattern recognition sui dati di supporto nell’arco di pochi minuti grazie all’uso di modelli linguistici. Questo salto prestazionale permette alle organizzazioni di superare la semplice allocazione delle risorse umane sui livelli di assistenza L1 o L2, focalizzandosi sull’eliminazione diretta delle cause primarie dei problemi. Spiegando il cambio di prospettiva necessario nel dipartimento ingegneristico, Glick ha sintetizzato la linea d’azione operativa con una regola precisa: «Il mio mantra è: eliminare, automatizzare, ottimizzare. Il miglior ticket è quello che non esiste.»
L’intervento prioritario si concentra sui micro-problemi ricorrenti, definiti “paper cuts“. Si tratta di piccole limitazioni o anomalie di sistema che generano errori ripetuti e frustrazione per i clienti e i venditori. Tra i casi analizzati figura la gestione dei limiti dimensionali per il caricamento di immagini da parte dei mercanti sulle piattaforme aziendali: una restrizione storica che provocava continui messaggi di errore e che ha richiesto la variazione di una singola riga di codice per essere risolta alla radice.
Per verificare le potenzialità della risoluzione automatica, l’organizzazione ha impostato un test operativo somministrando 100 “paper cuts” aperti a un agente di codifica automatico, affinché scriva direttamente le Pull Request (PR) destinate alla sola revisione da parte degli ingegneri.
L’architettura delle operazioni AI: nano-agenti e strumenti decentralizzati
L’infrastruttura tecnica che guida questa trasformazione non fa affidamento su un unico agente monolitico aziendale, bensì su una “fabbrica di nano-agent”: un ecosistema composto da agenti software fortemente specializzati su singoli compiti operativi. Questo modello consente di distribuire la capacità di automazione sia all’interno dei team di sviluppo, sia direttamente al personale operativo delle business unit.
Un esempio concreto di questa decentralizzazione è Code Puppy, un agente di codifica sviluppato inizialmente durante un fine settimana da un piccolo gruppo di ingegneri come strumento con interfaccia a riga di comando. Dopo essere stato installato sui computer del personale aziendale tramite terminali come Tera Term, lo strumento ha permesso a figure non tecniche di automatizzare compiti analitici in totale autonomia.
Democratizzazione dell’automazione e accelerazione dello sviluppo
La possibilità di far utilizzare gli agenti ai dipendenti di sede ha trasferito capacità operative direttamente agli utenti finali delle tecnologie aziendali. Descrivendo l’impatto di questo strumento decentralizzato sui flussi di lavoro, Glick ha riportato l’esperienza diretta del personale operativo: «Abbiamo persone che scrivono i propri report in autonomia e dicono: “Chiedevamo questa cosa al reparto ingegneria da tre anni, e sono riuscito a scriverla da solo in 3 ore”.»
L’integrazione degli agenti di codifica ha rivoluzionato anche il ciclo di vita dello sviluppo software (SDLC), in particolare durante le fasi di collaudo dei nuovi prodotti. Durante il lancio di una nuova piattaforma digitale, la gestione di una serie di casi limite (edge cases) segnalati dai clienti avrebbe richiesto mesi di scrittura manuale di test di verifica.
Collegando l’agente di codifica al repository GitHub aziendale, l’infrastruttura di test è stata generata in circa cinque minuti, richiedendo poi una settimana di affinamento per consentire il rispetto dei tempi di consegna.
Governance aziendale: l’integrazione di Agent Registry e Launchpad
L’aumento vertiginoso di automazioni locali sviluppate sui computer dei singoli dipendenti richiede una struttura rigida per evitare la duplicazione dei progetti e garantire la sicurezza dei dati aziendali. Per incanalare questa energia innovativa all’interno delle operazioni AI, sono stati introdotti due strumenti di gestione centralizzata:
- Agent Registry: un registro interno in cui catalogare gli agenti creati, consentendo a chiunque in azienda di verificare se esista già uno strumento idoneo prima di costruirne uno nuovo.
- Enterprise Launchpad: una piattaforma di lancio centralizzata ideata per trasferire in sicurezza le automazioni dai computer locali agli ambienti aziendali di produzione.
La governance viene garantita applicando direttamente le normative preesistenti in materia di privacy e sicurezza delle informazioni (InfoSec), evitandone il blocco preventivo. Inoltre, i team interni di conformità e di sicurezza sono stati coinvolti nell’uso quotidiano degli agenti di codifica, acquisendo piena visibilità sulle capacità operative della tecnologia e definendo i controlli di sicurezza necessari.
Ridefinire la produttività ingegneristica e superare il lavoro ripetitivo
La riduzione dei ticket e l’adozione degli agenti non determinano una diminuzione del lavoro per gli sviluppatori, ma ampliano la quantità di progetti completabili dall’azienda. Nelle pianificazioni annuali tradizionali, molte attività di supporto rimangono storicamente escluse dai piani d’intervento prioritari in quanto situate “sotto la linea” di investimento. L’automazione consente agli utenti di farsi carico di queste esigenze in autonomia o di risolverle a costo minimo.
Il beneficio principale per gli ingegneri risiede nell’eliminazione del lavoro ripetitivo e d’indagine manuale sulle anomalie (toil). In questo modo le risorse tecniche possono concentrarsi su progetti architetturali di grande portata, come la globalizzazione delle piattaforme software. Questo processo comporta la conversione di diverse centinaia di microservizi in architetture globali: un’operazione che richiederebbe anni con metodi tradizionali e che viene fortemente accelerata dalla collaborazione tra sviluppatore e agente.
AI Office Hours e Hackathon dedicati all’eliminazione del toil
La diffusione capillare della tecnologia viene monitorata e stimolata attraverso incontri periodici interni. Ogni lunedì mattina vengono organizzate le AI Office Hours, sessioni pratiche in cui i dipendenti possono mostrare le automazioni e le soluzioni sviluppate con l’IA nel corso della settimana precedente.
L’osservazione di queste sessioni ha rilevato che circa il 75% delle applicazioni create dal personale non riguarda funzionalità rivolte all’esterno, ma strumenti pensati per rimuovere il lavoro ripetitivo interno, come la gestione delle modifiche (change requests) e i rilasci software (release management). Questa evidenza ha portato all’organizzazione di un hackathon aziendale interamente incentrato sul tema “remove toil”, finalizzato a razionalizzare gli strumenti lungo l’intero ciclo SDLC.
Nel chiarire l’esigenza di evitare una proliferazione disordinata di agenti, Glick ha affermato: «Esaminiamo l’intero ciclo di vita dello sviluppo del software (SDLC) e stabiliamo che abbiamo bisogno di un solo release manager su cui scommettere, di uno strumento per la creazione di test, o magari due o tre, ma non cento.»
Le direttive strategiche per l’implementazione delle operazioni AI
L’integrazione di questi processi all’interno di un’organizzazione enterprise richiede un cambiamento di mentalità che deve coinvolgere sia i team tecnici che le divisioni di business. Per avviare un percorso concreto di trasformazione basato su operazioni AI, Glick ha sintetizzato i due passaggi fondamentali di partenza: «Primo: metti l’AI nelle mani di ogni utente, ogni giorno. Secondo: chiediti come l’AI possa aiutarti.»
L’approccio operativo richiede di non rimanere bloccati nella pianificazione teorica o nella paralisi da analisi, applicando la tecnologia direttamente ai problemi quotidiani per accorciare la distanza tra gli ingegneri e gli utenti finali. Ribadendo la necessità di passare rapidamente all’azione, il manager ha concluso indicando l’atteggiamento pratico da adottare nelle organizzazioni: «Iniziamo a fare» e «buttatevi, provate le cose».
Partecipa alla community