15 ottobre 2026Aggiornato il Fathy Shalaby14 min di lettura
Il costo di sviluppare funzionalità con l'AI: perché «1 ora» non è economico
«Lo costruiamo in 1 ora con l'AI» è una stima di implementazione, non un argomento di prodotto. Quanto costa una funzionalità dopo quell'ora, un esempio a 12 mesi con i numeri e come dire di no senza rallentare il team.
Il costo di sviluppare funzionalità con l'AI è crollato per la prima versione, ma la maggior parte di ciò che costa una funzionalità arriva dopo la costruzione: review, sicurezza, test, supporto, manutenzione e l'attenzione della roadmap sottratta ad altre scommesse. Per questo «lo costruiamo in 1 ora con l'AI» è una stima di implementazione, non un argomento di prodotto. Dimostra che un prototipo costa poco. Non dimostra che costi poco la funzionalità.
Risposta breve: no, da solo non è un buon motivo. È però un buon motivo per fare un test economico, se il test risponde a una domanda reale e ha un responsabile e una data di fine. L'obiettivo è spostare la conversazione dal tempo di sviluppo al costo totale di possedere il risultato.
Punti chiave
La manutenzione era già la voce più grande prima dell'AI. Nel sondaggio di Stripe del 2018, gli sviluppatori stimavano che 17,3 ore di una settimana di 41,1 se ne andassero in manutenzione, come debugging, refactoring e correzione di codice scadente (Stripe, 2018).
Il codice generato dall'AI va comunque controllato: il 66% degli sviluppatori nel sondaggio Stack Overflow 2025 ha indicato le risposte «quasi giuste, ma non del tutto» come la prima frustrazione, e il 45,2% ha detto che il debug del codice AI richiede più tempo (Stack Overflow, 2025).
Veracode ha rilevato che il codice generato dall'AI introduceva falle di sicurezza rischiose nel 45% dei suoi test, su oltre 100 modelli (Veracode, 2025).
L'AI rende i team più veloci ma mette ancora sotto pressione la stabilità. La ricerca DORA 2025 ha rilevato che il 90% degli intervistati usa l'AI al lavoro e che l'adozione dell'AI ha ancora una relazione negativa con la stabilità del rilascio del software (Google Cloud, 2025).
Nell'esempio illustrativo qui sotto, una funzionalità costruita in 1 ora costa circa 53 ore nel primo anno.
«Lo costruiamo in 1 ora con l'AI» è un buon argomento di prodotto?
Solo come prova che una sonda a basso costo è possibile. Non dice nulla su se il problema conti, se la soluzione cambierà il comportamento o se il team debba farsi carico del risultato in produzione.
L'argomento non è nuovo; l'AI l'ha solo reso più rumoroso. Nel 2013 Des Traynor di Intercom elencava «veloce da costruire» tra i cattivi motivi più comuni per cui i team aggiungono funzionalità, insieme a «ce l'ha un concorrente» e «lo vuole qualcuno di senior». Il suo punto era che una stima veloce nasconde la complessità: «non esistono piccole modifiche» (Intercom, 2013).
Ciò che è cambiato è l'attrito. I team scartavano le idee in parte perché implementarle era visibilmente costoso: una settimana di engineering o una migrazione rischiosa creava una pausa naturale. Lo sviluppo assistito dall'AI toglie gran parte di quella pausa. Il nuovo modo di fallire non è solo costruire lentamente la cosa sbagliata. È costruirla in fretta e poi scambiare l'esistenza del software per la prova che la scommessa era buona.
Qual è il costo totale di sviluppare funzionalità con l'AI?
Una stima di un'ora copre una riga di un conto lungo. Ecco il resto, con ciò che le evidenze dicono su ogni riga.
Voce di costo
Cosa include
Cosa dicono le evidenze
Review e correzione
Leggere, sistemare e rifare il prompt al codice generato
Il 66% degli sviluppatori indica l'output AI «quasi giusto» come prima frustrazione; il 45,2% dice che il debug del codice AI richiede più tempo (Stack Overflow, 2025)
Sicurezza e permessi
Auth, accesso ai dati, gestione degli input
Il codice AI ha introdotto falle rischiose nel 45% dei test di Veracode (Veracode, 2025)
Test e rilascio
Test, QA, rollout, rollback
Nei dati DORA 2024 la stabilità del rilascio è scesa al crescere dell'adozione dell'AI (Google Cloud, 2024)
Documentazione e supporto
Articoli di aiuto, ticket, modifiche all'onboarding
Ogni funzionalità visibile aumenta ciò che gli utenti devono imparare e il supporto spiegare
Manutenzione
Correzione di bug, modifiche a dipendenze e API, refactoring
Gli sviluppatori stimavano che 17,3 di 41,1 ore settimanali vadano in manutenzione (Stripe, 2018)
Complessità del prodotto
Interfaccia affollata, casi limite, configurazione
Anche le funzionalità opzionali compaiono altrove nel prodotto (Intercom, 2013)
Costo opportunità
La scommessa che non hai testato, il tempo di review consumato
Nei dati di Pendo, il 12% delle funzionalità genera l'80% dell'uso giornaliero (Pendo, 2019)
Rimozione
Migrare gli utenti altrove se fallisce
Raramente pianificata, quindi raramente economica
«Economico da costruire» non significa «economico da possedere». Ecco perché l'affermazione dell'ora può essere tecnicamente vera e restare un cattivo motivo per dire di sì.
Quanto costa mantenere una funzionalità?
Quasi sempre più che costruirla. Il rapporto Developer Coefficient di Stripe, che ha intervistato migliaia di dirigenti e sviluppatori in sei paesi, ha rilevato che gli sviluppatori stimano che 17,3 ore di una settimana media di 41,1 vadano in manutenzione: gestire codice scadente ed errori, debug, refactoring e modifiche. È circa il 42% della settimana. Ne attribuiscono a parte 13,5 ore settimanali al debito tecnico, e Stripe ha stimato il costo opportunità del codice scadente in circa 85 miliardi di dollari l'anno (Stripe, 2018). Sono stime da sondaggio, non registri di tempo, ma la direzione è chiara: il codice è economico da aggiungere e costoso da tenere.
Gli strumenti di AI cambiano la velocità con cui il codice si accumula. L'analisi di GitClear su 211 milioni di righe modificate dal 2020 al 2024 ha rilevato che le righe copiate e incollate sono salite dall'8,3% al 12,3% dei cambiamenti tra il 2021 e il 2024, mentre le righe spostate durante il refactoring sono scese dal 25% a meno del 10% (GitClear, 2025). Più duplicazione e meno consolidamento: così crescono i conti di manutenzione.
Perché le funzionalità AI costano ancora di più da mantenere
Se la funzionalità stessa usa l'AI, aggiungi un secondo livello. D. Sculley e colleghi sostenevano nel 2015 che il machine learning permette ai team di costruire rapidamente sistemi utili, ma che è pericoloso trattare quei successi rapidi come gratuiti: i sistemi ML del mondo reale comportano di norma enormi costi di manutenzione continui (Sculley et al., NIPS 2015). La loro lista di rischi si applica direttamente alle funzionalità AI di oggi:
Dipendenze dai dati: la funzionalità si rompe quando i dati che legge cambiano forma.
Cicli di feedback nascosti: l'output della funzionalità modifica il comportamento da cui impara.
Consumatori non dichiarati: altre parti del prodotto iniziano a fare affidamento sull'output.
Cambiamenti del mondo esterno: un aggiornamento del modello o un cambio di provider sposta il comportamento senza modifiche al codice.
Ognuno richiede valutazione, monitoraggio, un piano di ripiego e qualcuno che risponda del risultato. Niente di questo sta in un'ora. Il framework di valutazione dell'AI spiega cosa comporta questa responsabilità.
Qual è il costo opportunità di una funzionalità «economica»?
Il costo opportunità è ciò a cui il team rinuncia spendendo attenzione qui invece che sulla scommessa successiva. Con l'AI, la risorsa scarsa è raramente il tempo di digitazione. Sono scarse:
La capacità di review. Ogni funzionalità generata richiede un lettore attento, e i reviewer senior sono il collo di bottiglia.
L'attenzione della roadmap. Ogni funzionalità aggiunge discussioni, aggiornamenti di stato e decisioni sui casi limite.
L'attenzione degli utenti. Ogni opzione visibile rende il prodotto un po' più difficile da imparare.
Il tempo di apprendimento. Un'ora spesa a costruire la cosa sbagliata è anche un'ora in cui non si testa l'ipotesi più rischiosa.
I tassi di base non giocano a favore di una funzionalità «economica». Lo studio di Pendo del 2019 su 615 abbonamenti software ha rilevato che l'80% delle funzionalità è usato di rado o mai, con il 12% delle funzionalità che genera l'80% dell'uso giornaliero (Pendo, 2019). Costruire più in fretta aumenta il numero di funzionalità per trimestre; non cambia la probabilità che ciascuna conti. La nostra analisi di perché l'80% delle funzionalità non viene usato spiega cosa quello studio ha misurato e cosa no.
Esempio con i numeri: quanto costa una funzionalità «da 1 ora» nel primo anno
Mettiamo che un team B2B SaaS di 6 persone costruisca in un'ora, con uno strumento di coding AI, una funzionalità «digest settimanale su Slack». Il team e tutti i numeri qui sotto sono illustrativi, scelti con prudenza.
Voce di costo
Stima primo anno
Ore
Sviluppo con l'AI
Una sessione
1
Review e correzione del codice generato
Due reviewer, più passaggi
6
Review di sicurezza e permessi
Accesso a livello di workspace, scope di Slack
4
Test e QA
Casi limite: settimane vuote, fusi orari
3
Documentazione, articolo di aiuto, release note
Uno ciascuno
2
Supporto
3 ticket al mese × 20 minuti × 12 mesi
12
Manutenzione
1 ora al mese per modifiche a API e dipendenze
12
Un incidente e la sua correzione
Digest inviato al canale sbagliato
6
Pianificazione e discussione
3 discussioni × 5 persone × 30 minuti
7,5
Totale
53,5
La funzionalità che è costata un'ora costa circa 53 ore nel primo anno, senza contare ciò che il team non ha fatto con quel tempo. Questa cifra del primo anno è il costo di sviluppare funzionalità con l'AI che una roadmap dovrebbe pesare, non quell'1. Questo non la rende una cattiva funzionalità. Se il digest mantiene attivi gli account in modo misurabile, 53 ore sono poche. Il punto è confrontare il valore con 53 ore.
Come si dice di no senza diventare il PM «lento»?
Un no solido non è un veto. È una decisione che si può ispezionare, contestare e rivedere. Usa cinque mosse.
1. Dai un nome alla decisione
Evita «probabilmente non ne vale la pena». Di' «non lo impegniamo ancora nella roadmap di produzione» oppure «lo mettiamo in pausa finché non abbiamo evidenze che questo workflow sia un problema ricorrente». Una decisione con un nome è più facile da discutere di un'impressione.
2. Separa il segnale dalla storia
«Un cliente ha chiesto un export» è un segnale.
«Tre clienti nello stesso workflow hanno descritto lo stesso compito bloccato» è un'evidenza più forte.
«Un assistente AI ha suggerito una funzione di export» non è un'evidenza dei clienti.
«Un concorrente ha una funzione di export» è contesto di mercato, non prova di adeguatezza.
Tieni la fonte allegata. Una spiegazione plausibile non è un problema osservato.
3. Formula un'ipotesi falsificabile
Se diamo a [utente specifico] [capacità specifica] in [contesto specifico], allora [comportamento osservabile] cambierà perché [motivo supportato da evidenze]. Proseguiremo se [condizione di successo]. Restringeremo o ci fermeremo se [condizione di fallimento] entro [data di revisione].
Un brief generato dall'AI può abbozzare questa frase. Il team deve comunque decidere se ci crede abbastanza da testarla. Il brief di prodotto AI come contratto mostra come tenere una bozza a quello standard.
4. Valuta l'intera scommessa
Chiedi chi possiede il risultato, chi ne rivede il comportamento, cosa succede quando sbaglia, che carico di supporto crea, se è reversibile, quali dati tocca e se sei pronto a gestirlo se funziona. Per le funzionalità AI aggiungi valutazione, comportamento di ripiego, casi di abuso ed escalation umana. L'implementazione può richiedere un'ora mentre la responsabilità dura anni. Usa la tabella dei costi qui sopra come checklist.
5. Dai al team un passo successivo
Un no senza passo successivo sembra burocrazia. Offri una di queste quattro strade:
Imparare: parlare con gli utenti o osservare il workflow.
Restringere: testare un segmento, un trigger o un compito.
Sondare: costruire un prototipo usa e getta con una data di scadenza.
Il passo successivo dovrebbe essere più piccolo dell'impegno che si vuole evitare. Se il problema più difficile è mantenere la fiducia di uno stakeholder mentre rifiuti, leggi come i PM dicono di no senza distruggere la fiducia.
Quando «lo costruiamo in un'ora» è un argomento valido?
Quando il team dichiara esplicitamente che sta facendo una sonda e non assumendo un impegno di prodotto. Usa l'argomento quando:
il test ha una domanda chiara e un pubblico definito;
l'output è usa e getta o isolato in sicurezza, dietro un flag o fuori dalla produzione;
l'esperimento ha una data di scadenza e qualcuno ne cura la review;
successo e fallimento sono definiti prima della costruzione;
non si sottintende alcuna promessa a clienti o alla produzione.
In quel contesto la velocità è un vantaggio di apprendimento, e rifiutarsi di testare è la scelta costosa. Ron Kohavi e Stefan Thomke descrivono un'idea di Bing per cambiare il modo in cui venivano mostrati i titoli degli annunci. Richiedeva pochi giorni di engineering, fu classificata a bassa priorità e restò non testata per oltre sei mesi. Un semplice test A/B mostrò poi circa il 12% di ricavi in più, un valore di oltre 100 milioni di dollari l'anno negli Stati Uniti (HBR, 2017).
L'argomento diventa debole quando serve a saltare la discovery del problema, la prioritizzazione, la review di sicurezza o la responsabilità. Se il prototipo rischia di diventare permanente, giudicalo con il test della porta a senso unico o a doppio senso prima del rilascio.
Un modello di decisione per team assistiti dall'AI
Copialo nella prossima discussione sulla roadmap:
Campo
Domanda
Decisione
A cosa stiamo dicendo esattamente sì o no?
Utente e job
Chi sta cercando di fare cosa?
Evidenze
Quali fonti mostrano che è un problema reale?
Assunzione
Di cosa non siamo ancora sicuri?
Ipotesi
Quale comportamento o risultato dovrebbe cambiare?
Test minimo
Qual è il modo meno costoso per imparare?
Costo di possesso (12 mesi)
Review, sicurezza, supporto, manutenzione, attenzione: più o meno quante ore?
Successo
Quale risultato merita il prossimo investimento?
Fallimento
Quale risultato ci fa restringere, mettere in pausa o fermare?
Responsabilità
Chi rivede il risultato e risponde delle conseguenze?
Scadenza e rimozione
Quando lo rivedremo e come lo rimuoveremmo?
Non-obiettivi
Cosa non stiamo costruendo in modo esplicito?
Non è processo fine a sé stesso. È un confine attorno all'attenzione del team.
Cosa implica davvero la ricerca sullo sviluppo con l'AI?
La ricerca non sostiene nessuno dei due estremi: né «l'AI non cambia niente» né «l'AI rende inutile il giudizio di prodotto».
La ricerca DORA 2024 ha rilevato che un aumento del 25% nell'adozione dell'AI era associato a una qualità della documentazione migliore del 7,5%, a una qualità del codice migliore del 3,4% e a una code review più rapida del 3,1%, ma che il throughput di rilascio calava di una stima dell'1,5% e la stabilità del rilascio del 7,2% al crescere dell'adozione (Google Cloud, 2024). Nel 2025, con quasi 5.000 intervistati, DORA ha visto una relazione positiva con il throughput, ma l'adozione dell'AI restava legata negativamente alla stabilità. La sintesi: l'AI non aggiusta un team, amplifica ciò che c'è già (Google Cloud, 2025).
La risposta di prodotto non è smettere di usare l'AI. Il costo di sviluppare funzionalità con l'AI è sceso; il costo di decidere male no. Rendi le evidenze e il ciclo decisionale veloci quanto lo sviluppo. Per tutte le evidenze sulla velocità, compresi i trial di METR, vedi Produttività del coding con l'AI: cosa mostrano i dati del 2026.
Errori comuni
Confrontare l'ora di sviluppo con il valore. Confronta invece il costo del primo anno con il valore.
Usare il costo come veto. Alcune sonde economiche sono il miglior uso di una settimana. Valuta la scommessa, poi decidi.
Lasciare che il prototipo diventi il prodotto. Senza data di scadenza, una demo si trasforma in silenzio in un obbligo di supporto.
Contare i suggerimenti dell'AI come evidenze. Un modello che propone una funzionalità non è un cliente che la chiede.
Nessun piano di rimozione. Se non sai dire come la rimuoveresti, non l'hai valutata.
Dove si inserisce Specky
Specky tiene visibile la catena dal segnale alla decisione. Chiamate con i clienti, feedback, conversazioni di supporto e analytics confluiscono nel Product Graph, quindi quando qualcuno dice «lo costruiamo in un'ora», il team può verificare quali evidenze sostengono il problema. Le decisioni finiscono nel Decision Log con la loro motivazione, i PRD portano citazioni inline alle evidenze e, dopo il lancio, puoi verificare se la scommessa ha funzionato. L'AI abbozza e collega; le persone decidono e rispondono del risultato.
Domande frequenti
«Lo costruiamo in 1 ora con l'AI» è ancora un buon argomento di prodotto?
Solo come prova che una sonda economica è possibile. Non mostra che il problema conti, che la soluzione funzioni o che il team debba supportare la funzionalità in produzione. Consideralo un motivo per fare un test circoscritto con un responsabile e una data di scadenza, e valuta a parte il costo di possedere il risultato.
Quanto costa mantenere una funzionalità software?
Non esiste una cifra universale, ma la manutenzione di solito pesa più dello sviluppo. Nel sondaggio di Stripe del 2018, gli sviluppatori stimavano che 17,3 ore su 41,1 settimanali, circa il 42%, vadano in attività di manutenzione. Un'abitudine pratica è stimare le ore del primo anno per review, sicurezza, supporto, manutenzione e discussione; nel nostro esempio illustrativo sono uscite circa 53 ore per uno sviluppo di un'ora.
Qual è il costo opportunità di sviluppare una funzionalità?
È il valore della migliore alternativa a cui il team ha rinunciato: l'ipotesi più rischiosa non testata, il tempo di review usato altrove, l'attenzione degli utenti spesa per una nuova opzione. Con l'AI la risorsa scarsa è raramente il tempo di coding; sono la capacità di review, l'attenzione della roadmap e il tempo di apprendimento. Il dato di Pendo secondo cui il 12% delle funzionalità genera l'80% dell'uso mostra perché questo scambio conta.
I team dovrebbero evitare di costruire prototipi con l'AI?
No. Usa l'AI per costruire prototipi quando il prototipo risponde a una domanda chiara. Dagli un pubblico, un responsabile, una data di scadenza e una regola di review, così non diventa in silenzio una promessa permanente. I test economici spesso battono i lunghi dibattiti, come ha mostrato l'idea dei titoli di Bing rimasta ferma sei mesi, quando un semplice test A/B ha aumentato i ricavi di circa il 12%.
Cosa dovrebbero misurare i team di prodotto al posto della velocità di sviluppo con l'AI?
Misura apprendimento e risultati: assunzioni validate o respinte, comportamento degli utenti, qualità, stabilità del rilascio, adozione, retention, carico di supporto e la metrica di business che la scommessa doveva muovere. La ricerca DORA mostra che velocità e stabilità possono muoversi in direzioni opposte, quindi volume di codice e tempo di sviluppo da soli non sono progresso di prodotto.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing