Coding con AI

Tassonomia: quali task sono AI-friendly

Dove l'AI ti raddoppia la velocità, e dove ti rallenta?

Non tutti i task di programmazione sono uguali per l'AI. Alcuni sono "casi d'oro" — l'AI dà velocità 5-10x con qualità superiore alla media umana. Altri sono "casi neri" — l'AI introduce bug subdoli e ti fa perdere tempo. Conoscere la mappa è la skill più importante.

Heatmap operativa 2026

Regola pratica

L'AI eccelle dove il task è locale, ben specificato, e ha pattern noti (visti nei trilioni di token di training). Si rompe dove serve giudizio, conoscenza implicita del sistema, o invarianti non documentate.

Claude Code: l'agente CLI

Cosa cambia rispetto a chiedere a ChatGPT?

Claude Code è il CLI ufficiale Anthropic (rilasciato pieno 2025, agentico di default). A differenza di una chat web, ha accesso al tuo filesystem reale: legge file, scrive modifiche, esegue comandi, lancia test — tutto in un loop autonomo. Modello underlying: Claude Opus 4.7 di default.

Workflow tipico

1. Apri terminale in un repo, lanci claude
2. Scrivi: "refactor parseInvoice() in invoice.py per supportare anche il formato XML, mantieni retrocompat con JSON"
3. Claude legge il file, capisce la struttura, scrive il patch, lancia pytest tests/test_invoice.py
4. Se i test passano, ti chiede conferma per il commit. Se falliscono, debug autonomo, ritenta

Funzionalità chiave

• Slash commands: /clear, /init (crea CLAUDE.md), /cost, /help
• Hooks: shell commands su eventi (PreToolUse, PostToolUse) — es. linter automatico dopo ogni edit
• MCP servers: connetti tool esterni (GitHub, Postgres, Slack, Linear) come "tool nativi"
• Sub-agents: spawn parallelo di task indipendenti (es. "search codebase" + "write doc" in parallelo)
• Permission modes: default (chiede prima di ogni Bash), plan (legge ma non scrive), acceptEdits (autonomo full)

Quando preferirlo a Cursor

Claude Code vince su:

• Task multi-file, multi-step autonomi (es. "aggiorna deps e fixa breaking changes")
• Workflow CI/CD integrabili (puoi lanciarlo da GitHub Actions)
• Quando preferisci terminale all'IDE
• Casi dove serve controllo fine sui permessi tool

Cursor / Windsurf: IDE-agent integrati

Quando vuoi vedere ogni diff prima di accettarlo?

Cursor (di Anysphere) e Windsurf (di Codeium) sono fork di VS Code con un agente integrato visivamente nell'IDE. Vedi i diff propostiin tempo reale, accetti/rifiuti file per file, e l'autocomplete è potenziato con multi-line predictions.

Modalità di Cursor

Cursor vs Windsurf vs Copilot — sintesi 2026

• Cursor: $20/mese Pro. Più maturo sull'agentico (Composer), grande community, modelli inclusi.
• Windsurf: $15/mese Pro. "Cascade" — agente che modifica multi-file mantenendo coerenza globale. Più snappy su repo grandi.
• GitHub Copilot: $10/mese. Inline completion eccellente, chat decente, agente "beta" molto indietro rispetto ai precedenti.
• Cline / Aider / Continue: open-source, BYO key (usi il tuo account Anthropic/OpenAI). Più economico se usi tanto.

Quando preferirli a Claude Code

• Vuoi vedere ogni diff prima di accettare
• Hai bisogno di refactor visivo con preview affiancato
• Sei più produttivo con autocomplete inline mentre scrivi
• Il team usa già VS Code ecosystem

Code review con AI

Come l'AI può fare review prima dei tuoi colleghi umani?

La code review è il caso d'uso più universalmente positivo per l'AI: l'output (commento sul diff) è sempre revisionabile umanamente, il rischio è basso, e l'AI cattura categorie di problemi che gli umani ignorano per fretta (typo, null check mancanti, edge case banali).

Cosa l'AI vede bene

• Null pointer / undefined references
• Type mismatch evidenti
• SQL injection / XSS pattern
• Race condition pattern noti (es. check-then-act senza lock)
• Edge case "off-by-one", divisione per zero, array vuoto
• Codice morto, import inutilizzati, log debug dimenticati
• Stile inconsistente col resto del codebase (se lo carichi nel contesto)

Cosa l'AI vede male

• Decisioni di architettura ("questo modulo deve stare qui?")
• Performance reale (non sa quanto sarà chiamato in prod)
• Invarianti non documentate ("questo campo è sempre > 0 perché in prod arriva da X")
• Backward compatibility con client esterni che non vede
• Naming idiomatic del team (lo nota solo se gli dai esempi)

Workflow consigliato

1. Apri PR, scrivi PR description chiara (cosa cambia, perché)
2. Esegui review AI prima di chiedere review umana
3. Tool 2026: ultrareview (multi-agente cloud), cursor review (in IDE), Claude Code (lancia claude review)
4. Fix dei commenti AI che reggono, ignora i falsi positivi (sono ~20-30%)
5. Solo dopo, manda a colleghi umani — che si concentreranno su decisioni e architettura

Anti-pattern: dove sbagliano in 9 casi su 10

Quali sono i bug più subdoli introdotti dall'AI?

Dopo migliaia di PR scritte da AI in produzione, questi sono i 5 modi più comuni in cui ti pianta una mina. Saperli riconoscere = saperli prevenire.

1. "Confido nel codice generato senza leggerlo"

L'anti-pattern numero 1. L'AI scrive codice che sembra giusto al 95%. Il restante 5% può cancellarti la production. Pattern: la funzione che chiama l'API esterna gestisce malissimo il timeout, ma "compila" e i test passano. Va in prod. Cade alla prima latency spike.

Cura: diff-by-diff review umana SEMPRE. Anche su task banali.

2. Test che testano sé stessi

"Genera test per parseInvoice". L'AI genera test che chiamano parseInvoice("input1") == "output1" con valori che ha letto dal codice stesso. Test verde garantito, copertura zero della logica reale. Pattern: i test passano sempre, anche dopo un refactor che rompe la semantica.

Cura: tu definisci i casi di test (con valori attesi indipendenti dal codice), l'AI scrive solo gli assert.

3. Mock dovunque

Quando un test richiede database/network/filesystem, l'AI mocka tutto. Risultato: i test passano in CI, falliscono in integrazione. Pattern: 100% unit test coverage, 0% di confidenza sui flussi reali.

Cura: testcontainers / database reali in CI per i test critici. L'AI accetta il vincolo se glielo dici nel prompt.

4. Codice che "funziona ma non è idiomatic"

L'AI scrive Python che sembra Java, JavaScript che sembra C++. Funziona ma il tuo team rallenta sul code review perché ogni PR ha "stile diverso". Pattern: tech debt che si accumula silenziosamente.

Cura: CLAUDE.md / .cursorrules con esempi di codice idiomatic del tuo progetto. L'AI lo usa come stile di riferimento.

5. Cleanup distruttivo

Chiedi "ottimizza questa funzione" e l'AI elimina silenziosamente un parametro "inutilizzato" che invece era essenziale per un caller raro. Pattern: breakage in feature poco usate, scoperto da utenti settimane dopo.

Cura: dopo OGNI modifica AI, esegui git grep degli identifier modificati per verificare i call site. Strumenti tipo LSP rename safe possono aiutare.