Cos'è l'AI code review?

L'AI code review è l'uso di un modello linguistico per rivedere le modifiche al codice prima che entrino nel prodotto. La revisione del codice è il controllo in cui un collega legge una modifica proposta e decide se approvarla; di solito la modifica è una pull request, cioè la richiesta di unire il proprio lavoro al codice comune. Nella versione con l'AI è il modello a leggere la stessa modifica e a lasciare commenti: segnala possibili errori, propone correzioni, riassume cosa cambia. Può commentare da solo ogni pull request o fare da assistente a chi rivede. Il tema è diventato urgente con gli agenti di coding: quando la macchina scrive più codice, il collo di bottiglia si sposta sulla revisione, cioè sul punto in cui un'organizzazione decide cosa accettare e chi ne risponde. Un revisore AI aiuta a fare una prima cernita, ma non può assumersi la responsabilità dell'approvazione, e ogni suo commento toglie tempo a chi deve leggerlo e chiuderlo.

Leggi anche: AI code smell · I difetti ricorrenti del codice scritto da LLM e agenti: funziona alla demo, ma la manutenzione costa più del previsto.

Cosa dicono gli studi

Lo studio di Cihan e colleghi (ICSE 2025), condotto in un'azienda che usa un revisore basato su un modello linguistico, ha analizzato 4.335 pull request, 1.568 delle quali esaminate anche dallo strumento (Cihan et al., 2025). Il 73,8 per cento dei commenti automatici è stato risolto, ma il tempo medio di chiusura è salito da 5 ore e 52 minuti a 8 ore e 20 minuti sul totale, anche se non in tutti i progetti, e gli sviluppatori hanno segnalato revisioni sbagliate, correzioni inutili e commenti fuori tema. Il dataset AIDev raccoglie oltre 456.000 pull request aperte da agenti, che lavorano più in fretta delle persone ma ottengono un tasso di accettazione più basso (Li, Zhang e Hassan, 2025). Su 567 pull request scritte con Claude Code, il 45,1 per cento di quelle accettate è stato ritoccato prima del merge, quota simile a quella delle pull request umane degli stessi autori (Watanabe et al., 2025). Il programma di ricerca DORA di Google Cloud, che lavora su dati di sondaggio, va nella stessa direzione: una maggiore adozione dell'AI si associa a consegne più rapide ma anche a rilasci più instabili, e il tempo risparmiato da chi scrive passa spesso a chi rivede (DORA, 2026). Il revisore AI può segnalare la parte formale degli AI code smell, ma comporta due rischi: la persona che si fida del suo silenzio (automation bias) e il modello che asseconda una modifica presentata con tono sicuro (sycophancy).

Un esempio enterprise

Un'azienda di logistica adotta insieme un agente di coding e un revisore AI che commenta ogni pull request. Le pull request aperte aumentano subito e i due sviluppatori senior passano le giornate a chiudere commenti automatici, spesso irrilevanti. Nasce presto un'abitudine: se il revisore AI non trova nulla, si approva in fretta. Così arriva in produzione un errore sul calcolo delle tariffe di spedizione: il codice era pulito, ma violava una regola di business che il modello non poteva conoscere. Il rimedio cambia il punto in cui lo strumento interviene, senza toglierlo: il revisore AI gira prima che la pull request sia aperta e chi scrive ne chiude i commenti, le modifiche generate si suddividono in lotti piccoli, e i moduli critici richiedono l'approvazione di un responsabile con nome e cognome.

Perché conta per chi decide

La revisione è il punto in cui un'organizzazione dichiara accettabile una modifica, e quella dichiarazione deve avere un firmatario. Secondo la documentazione di GitHub, per impostazione predefinita le revisioni di Copilot sono commenti e non contano come approvazioni obbligatorie, ma una funzione in anteprima pubblica permette di farle valere come quelle di un collega. Abilitarle è una decisione di governance prima che un'impostazione. Lo strumento si giudica dal tempo di revisione, dalle modifiche rifatte e dagli incidenti, non dai commenti risolti. E dove l'approvazione diventa un timbro, nessuno arriva a capire davvero il codice che entra, e il team accumula debito cognitivo.