Autori: Ricardo Pacheco Almeida ed Eduardo Barroso da Silva (PwC Portugal).
Vibe coding: origine, significato e impatto sulla programmazione
L’avvento dell’Intelligenza Artificiale Generativa ha portato nel mondo tutta una serie di nuovi termini e specializzazioni. Uno di questi termini è il vibe coding.
Non essendo una definizione accademica e nemmeno formale, il vibe coding è uno specchio del proprio tempo: è un concetto diventato “virale” a partire da un tweet di Andrej Karpathy, data scientist ed ex direttore dell’IA in Tesla, all’inizio del 2025. In quel post, Andrej osserva che esiste un “nuovo tipo di programmazione chiamato vibe coding, in cui ci si abbandona completamente alle vibes (…)”.
Il termine ha finito per sedimentarsi nel linguaggio del settore e oggi il vibe coding può essere descritto come l’uso intuitivo di assistenti di codice basati sulla GenAI. Invece di scrivere specifiche dettagliate o ogni riga di sintassi, i programmatori si affidano alla capacità dello strumento di dedurre l’intenzione dal contesto condiviso, dal progetto stesso e dal codice creato. Il programmatore definisce la direzione, la vibe, e la soluzione genera l’implementazione in modo indipendente.
È anche importante distinguere il vibe coding dall’assisted coding o AI-assisted pair programming, un concetto emergente nel mondo accademico e nell’industria in cui programmatori professionisti usano la GenAI per accelerare le proprie attività di sviluppo. Tuttavia, l’assisted coding non presuppone una fiducia totale nello strumento che genera il codice: accelera soltanto attività puntuali, chiaramente definite e su cui il programmatore ha una conoscenza pregressa. È un cambio di ruolo, in cui il professionista agisce meno come uno scrittore e più come un editor o un curatore.
Buone pratiche nell’uso della GenAI
Dati recenti del settore indicano che la grande maggioranza dei professionisti della tecnologia usa già questi strumenti nel proprio lavoro. La fase di sperimentazione con la GenAI sembra quindi volgere al termine, e stiamo entrando nella fase in cui si misurano i risultati.
Per i programmatori, la percezione generale è piuttosto positiva, perché l’attrito diminuisce e si sentono più veloci. E, in effetti, in termini assoluti stanno producendo di più: i team con un’alta adozione della GenAI possono inviare quasi il doppio delle pull request (PR). Tuttavia, lo sforzo di revisione aumenta.
Perché questo scarto? Ci sono due motivi principali: senza un orientamento adeguato, la GenAI tende a generare blocchi di codice più grandi e decontestualizzati, il che rende la revisione più complessa; ed è così efficace nel generare codice in volume che i team potrebbero non riuscire a rivederlo.
Per sfruttare il potenziale della GenAI, i team tecnici devono formare le persone, creare metodologie olistiche e buone pratiche. Prima di scrivere qualsiasi codice, è essenziale:
- creare developer handbook per orientare gli agenti di GenAI;
- definire regole a livello del software di GenAI (ad esempio le Cursor Rules); e
- stabilire linee guida (ad esempio linee guida di progetto e una struttura di progetto con definizioni semantiche per ogni cartella o modulo).
Architettura del prompting e gestione del contesto
Come in un tipico progetto di sviluppo di una soluzione, è essenziale avere anche un perimetro chiuso e ben definito. Gli strumenti di GenAI, in particolare i modelli Claude, tendono a fare sempre un po’ più di quanto richiesto. È quindi essenziale sapere quali funzionalità sviluppare, per poi creare un insieme di attività di natura tecnica orientate alle funzionalità definite (backlog). L’agente che genera il codice può allora sviluppare gli elementi concreti individuati nel backlog.
Tutte queste fonti di informazione consumano molta della finestra di contesto dei modelli. La finestra di contesto è la quantità massima di informazioni che il modello riesce a "vedere" ed elaborare in una sola volta. Queste informazioni, misurate in token (parole o parti di parole), comprendono sia l’input (le istruzioni e la cronologia della conversazione) sia l’output (la risposta generata). Funziona come la memoria a breve termine del modello. Se una conversazione supera il limite, il modello "dimentica" ciò che è stato detto all’inizio e perde il contesto precedente. È essenziale:
- una documentazione essenziale (con frasi brevi e dirette);
- evitare informazioni irrilevanti; e
- garantire che il contesto rientri nella finestra del modello.
Per le grandi organizzazioni, come detto in precedenza, la sfida non è più l’adozione dello strumento, ma la sua trasformazione in valore di business misurabile e scalabile. Le aziende di successo trattano l’IA come un problema di trasformazione, non come un problema di strumenti tecnologici.
Adottare questa mentalità di trasformazione richiede che l’ambizione strategica dell’azienda per la GenAI sia chiara e incrementale. Il primo passo è estendere il modello di governance esistente a questa nuova tecnologia, definendo chi è responsabile dello sviluppo e del monitoraggio, e come garantire che il suo uso sia responsabile e rispetti gli obblighi di legge. Senza questa struttura di governance, le iniziative di IA restano esperimenti isolati, incapaci di scalare e vulnerabili a rischi legali e reputazionali.
Framework di prioritizzazione e scalabilità dei casi d’uso
Una volta definita la governance, la leadership deve concentrarsi sui casi d’uso, non sulla tecnologia. Questo significa:
- individuare i processi con il maggiore potenziale di automazione;
- valutare impatto e complessità in una matrice decisionale; e
- scegliere se costruire, acquistare o adattare le soluzioni.
Un’implementazione di successo dipende da un ecosistema coeso di tecnologia e persone. Le aziende hanno bisogno di un framework decisionale per garantire che gli strumenti siano scalabili e le decisioni verificabili. Per questo la gestione del cambiamento è essenziale e deve concentrarsi sulla formazione e sulla definizione di politiche di uso responsabile, che insegnino ai collaboratori a convalidare, e non solo ad accettare, i risultati dell’IA.
Infine, le organizzazioni che ne ricavano valore misurano ciò che conta davvero. Il successo è l’impatto misurabile sugli indicatori di business (KPI) e il ritorno sull’investimento (ROI). Questo richiede un monitoraggio continuo delle prestazioni e la raccolta del feedback degli utenti. Solo questo ciclo di implementazione metodica e di apprendimento permette di dimostrare il valore della GenAI oltre la sperimentazione, trasformando l’investimento in risultati duraturi.
In sintesi, il vibe coding rappresenta la tentazione della velocità facile, ma è una trappola che genera debito tecnico e rischio. L’assisted coding professionale è una tecnica per potenziare e accelerare il processo di sviluppo. Il programmatore assume un ruolo più vicino a quello del revisore o persino del product owner. Il futuro dello sviluppo software non passa dalla sostituzione dell’ingegnere, ma dalla sua trasformazione: da "scrittore di codice" ad architetto dell’intenzione, un validatore critico della logica, che garantisce la qualità finale, la sicurezza e la conformità della soluzione.