Sebbene l’intelligenza artificiale abbia compiuto notevoli progressi nella generazione di frammenti di codice, un nuovo studio del MIT rivela barriere significative al raggiungimento di una vera ingegneria del software autonoma.
La ricerca, intitolata "Challenges and Paths Towards AI for Software Engineering", è stata condotta da un team guidato dal professor Armando Solar-Lezama del MIT e dal primo autore Alex Gu. Pubblicata il 16 luglio 2025, sarà presentata all’International Conference on Machine Learning (ICML 2025) a Vancouver.
"Tutti parlano di come non ci sia più bisogno di programmatori e di tutta l’automazione ora disponibile", afferma Solar-Lezama. "Da un lato, il settore ha fatto enormi passi avanti. Abbiamo strumenti molto più potenti di qualsiasi cosa vista finora. Ma c’è ancora molta strada da fare per realizzare davvero tutte le promesse dell’automazione che ci aspettiamo."
I ricercatori sostengono che i sistemi di IA attuali eccellono nella generazione di piccole funzioni di codice, ma faticano con compiti ingegneristici più ampi come il refactoring su larga scala, la migrazione del codice e il debugging di sistemi complessi. Benchmark popolari come SWE-Bench testano solo patch per problemi su GitHub che coinvolgono poche centinaia di righe di codice, senza riuscire a rappresentare scenari reali in cui milioni di righe potrebbero necessitare di ottimizzazione o migrazione da sistemi legacy.
La comunicazione uomo-macchina rappresenta un’altra sfida significativa. Gu descrive l’interazione attuale come "una linea di comunicazione molto sottile", in cui gli strumenti di IA spesso producono file ampi e non strutturati con test superficiali, senza la capacità di sfruttare efficacemente gli strumenti di debugging e gli analizzatori statici su cui si basano gli sviluppatori umani.
Piuttosto che proporre una soluzione unica, i ricercatori invitano a uno sforzo collettivo: sviluppare dataset più ricchi che riflettano come gli sviluppatori scrivono e rifattorizzano il codice nel tempo; creare suite di valutazione condivise che misurino la qualità del refactoring e la durata delle correzioni dei bug; e costruire strumenti trasparenti che evidenzino l’incertezza dei modelli e favoriscano la guida umana.
"Il software è già alla base di finanza, trasporti, sanità e innumerevoli altri sistemi critici", osserva Solar-Lezama. Il team di ricerca immagina un futuro in cui l’IA si occupi dei compiti di sviluppo più routinari, consentendo agli ingegneri umani di concentrarsi sulle decisioni di progettazione di alto livello e sui complessi compromessi che richiedono il giudizio umano.