Porta l'AI nel modo in cui il tuo team rilascia.

Un modo comune di lavorare con gli agenti AI per il coding, insegnato nel tuo repository e misurato sulla tua baseline.

  • AI Engineering Method
  • Programma di 12 settimane o coaching integrato
  • Policy AI ai sensi dell'art. 4 dell'AI Act

Cos'è l'AI Engineering Method?

L'AI Engineering Method è il percorso di trasformazione AI dedicato ai team di prodotto e di ingegneria. Insegna al team un modo comune di lavorare con gli agenti AI, in due formati: un programma intensivo di 12 settimane o un coaching integrato di circa 90 giorni, due giorni a settimana. Misuriamo cycle time e lavoro che supera review e gate di test rispetto a una baseline costruita sullo storico delle attività: alla prima settimana, a metà percorso e alla fine.

I due tipi di AI su cui lavora il metodo

AI generativa
Bozze e suggerimenti di codice che una persona rivede prima di usarli.
AI agentica
Agenti che eseguono passaggi dentro limiti che mettiamo per iscritto, con una persona che approva ciò che va in produzione.

Il metodo al lavoro nei team dei clienti

  • +500%

    Produttività in un'azienda software del settore sanitario, prima settimana di adozione, rispetto alla media settimanale precedente del team.

    Leggi il caso nel settore sanitario
  • 1 settimana

    Azienda software: il product designer ha portato in produzione il redesign di tutta l'app in una settimana, con la guida di un frontend engineer, usando i pattern AI costruiti prima con il team di ingegneria.

    Leggi il caso dell'azienda software

Pilot e licenze AI che non sono mai diventati il modo di lavorare del team.

Ogni sviluppatore usa gli strumenti a modo suo, quindi il risultato dipende da chi prende il ticket, e le pull request scritte con l'AI restano ferme in review perché nessuno sa come sono state prodotte. Senza una baseline nessuno può dire al board se le licenze si sono ripagate. Quello che cambia le cose è una pratica comune, misurata prima e dopo.

Dove sono di solito i team quando ci chiamano

  • Nel team ognuno usa gli strumenti AI a modo suo.
  • Le pull request scritte con l'AI restano ferme in review perché nessuno se ne fida.
  • Le licenze sono pagate, ma il modo di lavorare del team non è cambiato.
  • Sulla demo l'AI funziona, poi nel codice legacy si perde.

Due formati: un programma di 12 settimane o un coaching dentro il team

Entrambi installano la stessa pratica e lasciano gli stessi asset nel tuo repository. Cambiano il ritmo e quanta leadership tecnica ti serve in parallelo.

CriterioProgramma intensivoCoaching integrato
Durata12 settimaneCirca 90 giorni
Ritmo3 giornate intensive con tutto il team, più un kit settimanaleCirca 2 giorni a settimana, al fianco dei tuoi sviluppatori
Dove si lavoraNel tuo repository e nei tuoi strumenti, con giornate dedicate agli intensiviNel tuo issue tracker, nel repository e nella chat del team
Quando convieneIl team può fermarsi per tre giornate intere e vuole pratica e asset operativi entro un trimestreLa delivery non può fermarsi per giornate intere, oppure ti serve anche leadership tecnica
Cosa ti resta alla fineTutti gli asset, adottati e documentati, più la misurazione finalePattern costruiti con i tuoi sviluppatori ed estesi agli altri team, più le stesse misurazioni
Come si pagaPrezzo fisso per il programmaCanone mensile
Cosa può seguireIl coaching integrato o un fractional CTOIl team porta avanti la pratica da solo, con gli asset che restano suoi

Quale fa per te

Scegli il programma intensivo se vuoi un inizio e una fine precisi, un budget concordato prima di partire e un team pronto a bloccare tre giornate.

Scegli il coaching integrato se la delivery non può fermarsi o se l'adozione dell'AI è solo uno dei problemi tecnici sul tavolo.

Cosa resta al tuo team dopo il programma

Tutto vive nel tuo repository e nei tuoi account. Ogni agente, file di istruzioni e template passa da bozza a pilota ad adottato, e quello che il team non usa viene eliminato.

  • Un harness per agenti AI nel tuo repository

    Istruzioni di progetto e agenti di coding con un ruolo preciso (uno specialista per ogni area di prodotto, un revisore del database, un curatore della knowledge base), con il context engineering: ogni agente carica solo le istruzioni e la conoscenza del codice che servono al suo task.

  • Una knowledge base di prodotto e di tecnologia

    Cosa fa il software, tenuto separato da come è costruito. Gli agenti la leggono, così i fatti di dominio non vanno incollati in ogni prompt.

  • Un knowledge graph del codice

    Costruito in modo deterministico: nessuna riga di codice sorgente viene inviata a un LLM per crearlo. Estrattori su misura coprono le parti che gli strumenti standard non vedono.

  • Gate di test sulle modifiche scritte con l'AI

    Test, linting e scansioni di sicurezza che ogni modifica scritta con l'AI deve superare prima della review di una persona.

  • Un agente analista

    Trasforma una change request in un pacchetto di specifiche: specifica funzionale e tecnica, comportamento atteso, piano di implementazione e ordine dei task.

  • Una policy AI ai sensi dell'art. 4 dell'AI Act

    Quali strumenti, su quali dati, con quali approvazioni, e come il team tiene aggiornate le proprie competenze sull'AI.

  • Un catalogo degli asset e un registro delle decisioni

    Ogni agente, file di istruzioni e template seguito da bozza → pilota → adottato, con una dashboard di avanzamento generata dai file.

  • Il kit settimanale

    I template per la sessione settimanale, perché la pratica continui anche dopo il passaggio di consegne.

Come capiamo se sta funzionando?

Misuriamo come il lavoro scorre nel tuo team, con dati che hai già. Righe di codice e numero di prompt non dicono niente sulla delivery, per cui li lasciamo fuori.

  1. Baseline

    Ricavata dallo storico delle attività del team prima che il programma parta.

  2. Prima settimana

    Il primo confronto con la baseline, sul lavoro fatto con l'harness già installato.

  3. Metà percorso

    Le stesse misure, più lo stato degli asset: quali sono in pilota e quali adottati.

  4. Fine

    Il confronto finale, messo per iscritto per il tuo management con la baseline accanto.

Cosa misuriamo: cycle time, attività completate che superano review e gate di test, change failure rate.

Regole che tengono al sicuro la delivery mentre il team impara

Queste regole entrano nella policy AI nelle prime settimane e valgono per ogni agente e per ogni persona del team.

  • Gli agenti hanno accessi ristretti

    Ogni agente legge e modifica solo ciò che serve al suo compito; il resto richiede un'approvazione. L'accesso illimitato degli agenti è un rischio censito nella OWASP Top 10 for LLM Applications (LLM06, Excessive Agency).

  • Ogni merge lo approva una persona

    Gli agenti propongono le modifiche. Uno sviluppatore del tuo team le rivede e fa il merge, dopo che i gate di test sono passati.

  • Nessun dato sensibile negli strumenti AI

    Lo mettiamo per iscritto prima di iniziare. Nella sanità vuol dire nessun dato dei pazienti in nessuno strumento, prompt o asset.

  • Uno shadow track prima di affidare task agli agenti

    Su una change request reale, gli agenti producono un pacchetto di specifiche in parallelo al lavoro abituale del team. Il tuo tech lead confronta le due versioni e decide go o no-go.

  • La delivery viene prima

    Il pilota corre in parallelo al piano di rilascio. Se c'è di mezzo una scadenza con un cliente, il pilota aspetta.

Settimana per settimana, nel programma intensivo

Un piano tipo: le settimane esatte le fissiamo con il tuo tech lead al kick-off. Il coaching integrato segue gli stessi passi in circa 90 giorni.

  1. Settimane 1-2: baseline, regole e harness

    Ricaviamo la baseline dallo storico delle attività, scriviamo nella policy AI i limiti di accesso e le regole sui dati, installiamo l'harness nel tuo repository e facciamo la prima giornata intensiva. Prima misurazione a fine settimana 1.

  2. Settimane 3-5: knowledge base, graph e shadow track

    Costruiamo la knowledge base e il graph del codice. Su una change request reale gli agenti producono un pacchetto di specifiche accanto al lavoro del team, e il tuo tech lead decide go o no-go.

  3. Settimane 6-9: gli agenti prendono task reali

    Dopo il go, gli agenti lavorano sui task dietro i gate di test e ogni merge lo approva una persona. Seconda giornata intensiva, agenti e file di istruzioni passano da bozza a pilota, misurazione di metà percorso.

  4. Settimane 10-12: adozione e passaggio di consegne

    Terza giornata intensiva. Gli asset che il team usa diventano adottati, gli altri si eliminano. Misurazione finale, policy AI definitiva e passaggio di consegne con il kit settimanale.

Pensato per il codice che hai, legacy compreso

Lo applichiamo su codice enterprise con molti anni di storia, anche nel settore sanitario. Un team che parte da zero segue lo stesso metodo, con meno archeologia.

Fa per te se

  • Il team paga strumenti di coding AI e la delivery è rimasta uguale
  • Le pull request scritte con l'AI si accumulano in review
  • Lavori su un codice con anni di storia e vuoi che l'AI ci lavori in sicurezza
  • Operi in un settore regolamentato e ti servono regole scritte sui dati e una policy AI
  • Vuoi che la pratica resti quando ce ne andiamo, nel tuo repository e in mano al tuo team

Non fa per te se

  • Cerchi un rollout di licenze o un workshop una tantum
  • L'obiettivo è sostituire gli sviluppatori con l'AI
  • Nessuno da parte tua può prendersi la pratica a fine programma
  • Il team non ha spazio nel prossimo trimestre per giornate intensive o sessioni settimanali

Domande sull'AI Engineering Method

Il programma intensivo ha un prezzo fisso per le 12 settimane, concordato prima di partire. Il coaching integrato si paga con un canone mensile. Nella pagina Come lavoriamo spieghiamo come definiamo il perimetro e il prezzo dei progetti.

Il programma si pianifica intorno ai tuoi rilasci. Il formato intensivo occupa tre giornate su dodici settimane; il resto avviene nel lavoro di tutti i giorni. Gli agenti prendono task solo dopo uno shadow track su una change request reale e il go del tuo tech lead, e se c'è di mezzo una scadenza con un cliente, il pilota aspetta.

Quelli che il team ha già o sceglie, per esempio Claude Code, Cursor o Copilot. Harness, istruzioni degli agenti e knowledge base sono file nel tuo repository, quindi restano a te anche se cambi strumento. La policy AI stabilisce quali strumenti si possono usare e su quali dati.

Sì. Lo applichiamo su codice enterprise con molti anni di storia. Il knowledge graph è costruito in modo deterministico, con estrattori su misura per le parti che gli strumenti standard non vedono, e nessuna riga di codice viene inviata a un LLM per crearlo.

Ce ne accorgiamo presto. Le misure della prima settimana e di metà percorso, insieme al catalogo degli asset, mostrano quali asset il team usa davvero. Quelli inutilizzati si rivedono o si eliminano, e il responsabile da parte tua decide cosa tenere. Se al team serve un supporto più ravvicinato, può seguire il coaching integrato.

Tuoi. Tutto vive nel tuo repository e nei tuoi account, documentato, così il team può modificarlo senza di noi.

Questa è la nostra lettura, non una consulenza legale. L'art. 4 dell'AI Act si applica dal 2 febbraio 2025; nella versione modificata a luglio 2026 dal Regolamento (UE) 2026/1744 chiede a fornitori e deployer di sistemi di AI di adottare misure per sostenere l'alfabetizzazione in materia di IA del proprio personale. La policy AI scritta e il programma stesso sono misure di questo tipo. Per i tuoi obblighi specifici, senti il tuo legale.

La persona che ha approvato il merge, come per qualsiasi altra modifica. Gli agenti propongono, uno sviluppatore del tuo team rivede e fa il merge dopo i gate di test, e ogni agente ha limiti scritti su cosa può leggere e modificare.

Il metodo sul campo

Prenota una call di 30 minuti per fissare la tua baseline.

Guardiamo insieme lo storico delle tue attività e ti diciamo quale formato fa per te, o se per ora non ne serve nessuno.

Parliamone