L'impatto degli strumenti GenAI sullo sviluppo software: evoluzione, rischi ed opportunità = The impact of GenAI tools on software development: evolution, risks, and opportunities

Negli ultimi anni, l’Intelligenza Artificiale Generativa (GenAI) ha profondamente trasformato il ciclo di vita dello sviluppo software (Software Development Life Cycle, SDLC), offrendo nuove opportunità di automazione e ottimizzazione, ma introducendo al contempo sfide di rilievo di natura tecnica, organizzativa ed etica. La presente tesi analizza in modo sistematico l’impatto della GenAI sullo sviluppo software, con l’obiettivo di valutare in che misura gli strumenti basati su Large Language Models (LLM) possano migliorare i processi, mettendone in evidenza sia i benefici operativi sia le principali limitazioni tecnologiche e metodologiche. Il lavoro propone un approccio sperimentale basato sulla progettazione e realizzazione di un sistema in grado di fornire una visione multilivello dell’evoluzione di un progetto software. L’architettura è stata implementata impiegando modelli linguistici leggeri, ottimizzati per l’esecuzione su singola GPU, in modo da garantire la riproducibilità e la scalabilità del sistema anche in contesti con risorse computazionali limitate. L’architettura sviluppata combina una pipeline offline, dedicata alla sintesi automatica dei commit e alla strutturazione delle informazioni di progetto, e una pipeline online, che consente ad un chatbot agentico di rispondere in linguaggio naturale a domande complesse, coordinando dinamicamente diversi tool specializzati per il recupero, la contestualizzazione e la generazione delle risposte. L’obiettivo è analizzare come la GenAI possa fungere da strumento di supporto cognitivo per sviluppatori e revisori, migliorando la comprensione dell’evoluzione del codice e la comunicazione all’interno dei team di sviluppo. La validazione è stata condotta attraverso la creazione di due Golden Standard di riferimento e l’utilizzo congiunto di metriche quantitative (ROUGE, BLEU, METEOR, BERTScore) e qualitative, valutate sia automaticamente (tramite G-Eval) sia tramite giudizio umano. Per la pipeline offline, i risultati lessicali mostrano valori medi di BERT compresi tra 0.85 e 0.89, a conferma di una solida corrispondenza semantica tra i riassunti generati e quelli di riferimento. Le valutazioni qualitative ribadiscono la qualità dei testi prodotti, con punteggi medi complessivi compresi tra 3.5 e 4 su 5. La pipeline online ha evidenziato una qualità complessiva delle risposte in linea con quella osservata nella pipeline offline, sia sul piano lessicale che su quello percettivo, registrando prestazioni elevate nelle attività di recupero e generazione, con NDCG@10 = 0.85, MAP = 0.81 e un basso tasso di allucinazioni (< 10%). Il lavoro conferma il potenziale della GenAI come strumento di supporto avanzato per l’ingegneria del software, capace di migliorare la tracciabilità, la comunicazione e la qualità dei processi di sviluppo. Le evidenze sperimentali suggeriscono come l’adozione di architetture agentiche basate su LLM possa rappresentare un passo concreto verso sistemi sempre più intelligenti, trasparenti e integrati nel ciclo di vita del software.