L'autore di una piattaforma assicurativa ventennale ha sottoposto 108 ticket di supporto a una pipeline personalizzata basata su agenti AI; il risultato è un workflow che trasforma un compito da ore, solitamente affidato a uno sviluppatore senior, in pochi minuti, un cambiamento che potrebbe ridefinire il modo in cui le aziende mantengono in vita il codice legacy.

Perché i sistemi legacy contano più del nuovo codice

L'applicazione assicurativa in questione è un monolite di 2,3 milioni di righe di codice e circa 1.000 pacchetti PL/SQL. La sua sola dimensione rende impossibile per una singola persona padroneggiare l'intero codebase. Aggiungete a ciò un labirinto di parametri di configurazione specifici per il cliente, documentazione frammentata e un archivio di ticket che risale al 2017, e il vero collo di bottiglia diventa "trovare il contesto", non scrivere codice.

L'attuale hype sull'IA si concentra solitamente sulla generazione di nuovo codice per progetti greenfield. In questo caso, la parte difficile non è la sintassi PL/SQL, ma individuare l'esatto frammento di logica, la configurazione pertinente e il ticket storico che ha descritto per la prima volta il problema. Uno sviluppatore esperto può passare ore a mettere insieme indizi provenienti da GitLab, SVN, wiki e vecchi ticket di supporto. L'agente AI compie lo stesso lavoro in pochi minuti.

Il workflow in pratica

Quando arriva un nuovo ticket, l'autore esegue un singolo comando. L'agente quindi:

  • Recupera il testo del ticket e qualsiasi file allegato tramite l'API del sistema di ticketing.
  • Esegue una ricerca per parole chiave e vettoriale su tutto l'archivio dei ticket per far emergere casi passati simili.
  • Interroga una libreria personale di script SQL riutilizzabili.
  • Ispeziona la cronologia del codice nei sistemi di controllo versione (GitLab o SVN).

Tutti i risultati vengono compilati in un unico file che suggerisce anche il passo successivo: solitamente una correzione del codice, una bozza di risposta al cliente o una richiesta di ulteriori diagnostiche.

Funzionalità integrate

L'autore ha definito 24 "skill" per l'agente, raggruppate in quattro categorie:

  • Accesso al contesto – lettura di API, manuali e database per estrarre fatti rilevanti.
  • Conoscenza del dominio – interpretazione delle regole contabili assicurative e dell'architettura del sistema.
  • Scrittura – generazione di snippet PL/SQL e impacchettamento per il deployment.
  • Meta – riconoscimento di pattern e creazione automatica di nuove skill quando necessario.

Queste skill permettono all'agente di agire come un ingegnere junior che non dorme mai, facendo emergere l'esatta riga di codice o la configurazione a cui un ticket fa riferimento.

Reti di sicurezza integrate nel loop

L'automazione in un ambiente di produzione richiede delle protezioni. L'autore segue due regole semplici:

  1. Validazione statica – ogni script generato viene eseguito tramite un EXPLAIN PLAN rispetto allo schema live. Questo verifica errori di sintassi o logici senza eseguire effettivamente il codice.
  2. Conferma a doppio modello – un secondo agente AI indipendente revisiona qualsiasi modifica ritenuta rischiosa. Se entrambi i modelli arrivano alla stessa conclusione, l'autore procede; altrimenti, il ticket viene scalato per una revisione manuale.

Questi controlli impediscono al processo di diventare una black box che potrebbe inavvertitamente interrompere una transazione assicurativa critica.

Benefici cumulativi

L'output di ogni ticket viene allegato nuovamente al record del ticket stesso, creando una base di conoscenza dinamica. Quando un problema simile riemerge mesi o anni dopo, l'agente può leggere non solo la soluzione precedente, ma anche il ragionamento che ha portato ad essa. In effetti, ogni ticket risolto diventa un dato di addestramento per i ticket futuri, accelerando ulteriormente il ciclo.

Limitazioni oneste

  • I test manuali rimangono – l'autore valida comunque le modifiche in un ambiente di test prima della promozione.
  • Nessuna metrica definitiva – sebbene il tempo risparmiato sembri sostanziale, l'autore non ha quantificato la riduzione esatta in ore.
  • Configurazione personale – l'attuale implementazione risiede su una singola workstation; scalarla su un intero team richiederebbe ulteriore ingegneria.

Questi vincoli impediscono all'approccio di essere un prodotto "chiavi in mano", ma non diminuiscono l'intuizione fondamentale: l'IA può ridurre il tempo di raccolta del contesto da ore a minuti.

Cosa aspettarsi in futuro

L'esperimento dell'autore è una prova di concetto (proof-of-concept) piuttosto che un'offerta commerciale. I prossimi passi logici includono:

  • Formalizzazione delle metriche – monitoraggio dei tempi di risoluzione dei ticket prima e dopo la pipeline di IA per costruire un business case.
  • Deployment nel team – impacchettare l'agente come servizio condiviso in modo che più ingegneri possano beneficiare della stessa base di conoscenza.
  • Integrazione con CI/CD – alimentare direttamente una pipeline di integrazione continua con script validati potrebbe chiudere il ciclo dal ticket alla produzione senza interventi manuali.

Se queste estensioni avranno successo, il modello potrebbe diventare un template per altre aziende che lottano con codebase massicce e radicate.

Punti chiave

Il vero valore dell'IA negli ambienti legacy non risiede nella scrittura automatica di nuovo codice, ma nel far emergere istantaneamente il contesto giusto. Trasformando ore di lavoro investigativo di un senior developer in pochi minuti, un workflow basato su agenti IA può mantenere funzionali i sistemi obsoleti, ridurre i costi di supporto e costruire gradualmente un repository di conoscenza che si auto-alimenta. L'esperimento dimostra che, per il software legacy, il maggiore incremento di produttività deriva dalla drastica riduzione dei tempi di ricerca delle risposte, non dalla generazione di nuovo codice.