L'AI progetta il software in cinque minuti. Costruirlo richiede ancora sei mesi.

Hai un'idea di prodotto. La racconti a ChatGPT, Claude o al modello di turno. Dopo qualche scambio ottieni un documento tecnico: architettura a box, database vettoriale, pipeline di ingestion dei dati, i nomi di ogni tecnologia al posto giusto. Sembra un deliverable da studio di consulenza. Arrivi con quel documento a chiedere un preventivo, con un budget di qualche migliaio di euro in testa. E qualcuno ti deve spiegare che il progetto descritto in quel documento costa uno zero in più. È la scena più comune degli ultimi mesi, e quella che due anni fa non esisteva.

Il pattern si ripete

Negli anni 2000 bastavano 3.000 euro per chiedere "un sito come Amazon" anzi, a dire il vero "un sito come eBay", senza nessuna idea di cosa significasse costruire un e-commerce a quella scala. Poi è toccato a "un'app come Airbnb" con WordPress e plugin, poi a "una piattaforma no-code in un weekend". Oggi la cifra richiesta è simile — tipicamente tra i 2 e i 5K — ma l'idea coinvolge tecnologie che fino a ieri richiedevano mezza Silicon Valley per essere tenute in piedi: database vettoriali, modelli linguistici in API, pipeline di OCR, crawler distribuiti.

Ogni generazione di astrazioni produce lo stesso effetto: la superficie diventa accessibile, il sotto resta un casino. Chi sta sopra non lo vede finché non ci sbatte la testa. L'AI ha semplicemente spinto l'astrazione un piano più in alto, e il divario tra aspettativa e realtà di sviluppo è diventato più grande di quanto sia mai stato.

Cosa fa davvero l'AI quando "progetta un software"

Un modello linguistico mette in fila nomi che sembrano pertinenti. Prende la descrizione del tuo problema, la associa a pattern visti in miliardi di documenti tecnici, produce un diagramma plausibile. Postgres con pgvector, crawler headless, modelli in API, microservizi dove servono, pipeline di OCR per i documenti. Frecce giuste, box giusti. A colpo d'occhio è indistinguibile dal lavoro di un professionista con anni di esperienza alle spalle.

Il problema è che il modello non ha mai messo un sistema del genere in produzione. Non sa che l'OCR su un documento sporco rende una volta su tre. Non sa che fare web scraping è complesso perchè il sito può cambiare struttura senza preavviso, o mettere una protezione antibot. Non sa che il 70% del costo di un sistema come quello che ha disegnato non è nel codice: è nella pulizia dei dati, nella manutenzione continua delle regole di business, nella difficoltà quotidiana di tenere aggiornato un database che descrive un mondo che cambia.

L'ottimismo strutturale dei modelli

C'è un'altra caratteristica importante di come rispondono questi modelli. L'AI dice quasi sempre che si può fare. La domanda "è fattibile?" riceve una risposta ottimistica perché il modello non ha mai pagato un mese di debug in produzione, non ha mai visto un cliente abbandonare per un bug ricorrente, non ha mai dovuto coordinare quattro persone che parlano linguaggi diversi del progetto. Risponde "ottima idea, iniziamo lo sviluppo" con la stessa fiducia con cui ti darebbe una ricetta di cucina. Poi inizi a costruire e scopri che il 10% del progetto occupa il 90% del tempo, e le stime diventano imprecise proprio per questo.

A questo si somma un secondo fenomeno: le allucinazioni. Il modello cita librerie che non esistono, API che non fanno quello che dice, pattern che sembrano standard ma nessuno ha mai davvero usato in quel modo. Nel documento iniziale non si vedono. Si vedono dopo, in sviluppo, quando per ogni pezzo dell'architettura tocca verificare che esista e funzioni come promesso.

L'architettura è diventata gratis. La costruzione no.

Fino a poco tempo fa, un documento tecnico di quel tipo richiedeva giornate di lavoro a qualcuno che lo stack lo aveva usato davvero. Oggi chiunque lo ottiene in cinque minuti. Questa parte si è commoditizzata, ed è giusto riconoscerlo.

Il lavoro di costruzione, invece, non si è ridotto nella stessa proporzione. Chi sa far girare quei box in produzione, con dati reali e sporchi, con sistemi esterni che si comportano male, con eccezioni che emergono solo dopo il lancio, non è stato sostituito. È diventato meno visibile, perché la patina del documento AI fa sembrare che il lavoro sia quasi finito quando in realtà non è ancora iniziato. Il grosso del costo nello sviluppo software si nasconde proprio lì, e nessun documento generato in cinque minuti può raccontarlo.

Un architetto che non sa quanto costa davvero costruire un muro è un architetto inutile: disegna palazzi che non stanno in piedi. L'AI oggi produce esattamente questo genere di architetti, e tantissime aziende si trovano in mano progetti elegantissimi sulla carta e infattibili nella sostanza.

Il confronto utile per chi deve commissionare

Chi arriva a un colloquio con un documento generato dall'AI ha bisogno di una cosa nuova, anche se sembra vecchia: qualcuno che quel documento lo sappia leggere e dire dove si romperà in produzione. Qualcuno che sappia distinguere l'idea fattibile con questo budget da quella che richiede dieci volte tanto o che semplicemente non può esistere in quella forma.

Il confronto economico utile è diverso da quello che l'AI suggerisce implicitamente. Il costo di un software custom non si paragona al costo di un software pronto: si paragona al costo del lavoro tecnico senior necessario per costruirlo. Mesi di qualcuno che ha visto cosa succede quando un box diventa codice, quando una freccia diventa un'integrazione, quando un nome di tecnologia diventa un mese di debug. Partire dal budget reale, non dall'ambizione del documento, rende la conversazione utile: si decide cosa costruire prima, cosa rimandare, cosa non fare.

Chi commissiona software oggi dovrebbe diffidare del primo che risponde "partiamo subito" al documento AI. È il segnale che sta leggendo quel documento con lo stesso sguardo con cui l'AI l'ha scritto. Chi vale davvero fa domande fastidiose sul processo, sui dati veri, sulle eccezioni, sui volumi. Propone fasi e trade-off espliciti invece di una versione "completa". Fa emergere lo scope prima che esploda a metà progetto. Presenta numeri che sembrano alti confrontati alle promesse dell'AI, e sono solo realistici.

Il gap lavora a favore di chi sa costruire

La parte interessante è che l'asimmetria di oggi lavora a favore di chi costruisce davvero. Più l'AI rende facile produrre documenti impressionanti, più sottostime cresceranno, più progetti partiranno con premesse sbagliate, più chi riesce a portarli a casa diventerà raro.

Il valore, come succede a ogni salto di astrazione, si sposta un piano più giù — sul muratore, non sull'architetto. Sul mestiere che nessuno vede finché non c'è più.