Tappa 01La differenza è chi risponde
Un generatore di codice non risponde di niente. Se la struttura dei dati è sbagliata, se i permessi lasciano passare quello che non deve passare, se fra sei mesi aggiungere una funzione costa come rifare tutto, il tool non se ne accorge nemmeno. Non è un suo difetto: non è il suo mestiere.
Quando c'è una persona che ha studiato il problema, quelle decisioni hanno un autore. Si possono discutere prima, correggere dopo, e soprattutto si possono spiegare. È la differenza tra un progetto che sai come è fatto e uno che funziona finché funziona.
Tappa 02Dove l'AI accelera davvero
Uso modelli di AI tutti i giorni e mi fanno risparmiare ore. Ma su cose precise. Questa è la divisione che tengo, ed è la ragione per cui il risultato regge nel tempo.
La colonna di sinistra è lavoro: noioso, voluminoso, delegabile. Quella di destra è giudizio, e il giudizio richiede di conoscere il contesto, le conseguenze e chi userà la cosa. Un modello non ha nessuna delle tre.
Un modello risponde benissimo alla domanda che gli fai. Il problema è la domanda che non hai pensato di fargli.
Tappa 03Il costo di saltare l'analisi
Chi salta l'analisi non risparmia tempo: lo sposta. Arriva prima a qualcosa che si vede, e più tardi scopre che la parte difficile era un'altra. Le voci ricorrenti sono sempre le stesse.
- Rifacimenti. Il modello dei dati non regge il secondo caso d'uso, e il secondo caso d'uso è quello che serviva davvero.
- Funzioni inutili. Costruite perché erano facili da generare, non perché servissero a qualcuno.
- Debito silenzioso. Tutto funziona, ma ogni modifica costa il triplo del previsto.
- Sorprese di sicurezza. Scoperte quando i dati sono già dentro.
Un'analisi seria costa qualche giorno. Un rifacimento costa settimane, e capita quando hai già promesso una data.