Gli agenti di intelligenza artificiale sono entrati a far parte del vostro team. Il vostro ciclo di miglioramento non se ne è accorto.

La presente guida illustra come applicare un concetto già noto ai team, ovvero il ciclo di miglioramento continuo, a un ambito nuovo: il lavoro che il vostro team svolge attualmente con gli agenti di intelligenza artificiale. Poiché sviluppiamo software per la retrospettiva, questa prospettiva è quella che conosciamo meglio; il ciclo qui descritto è applicabile a qualsiasi strumento e procedura già in uso.

Preferisce leggere prima la versione sintetica di 10 minuti? Inizi con il post introduttivo, raccogliere feedback dagli agenti IA, quindi torni qui per avere un quadro completo.

Il trucco più antico del lavoro di squadra

Ogni metodo utilizzato dal vostro team per migliorare è una variante di un unico ciclo: svolgere il lavoro, valutare i risultati, apportare una modifica, verificare se la modifica ha sortito l’effetto desiderato. Deming lo ha introdotto nel settore manifatturiero con il modello Plan–Do–Check–Act; Toyota ne ha fatto una cultura aziendale chiamandola kaizen; il settore del software ne ha fatto una pratica consolidata. Il libro Project Retrospectives (2001) di Norm Kerth ha reso popolare la retrospettiva tra i team di sviluppo software, e il Manifesto agile l’ha sancita come principio: «A intervalli regolari, il team riflette su come diventare più efficace, quindi perfeziona e adatta il proprio comportamento di conseguenza» (principio 12). I post mortem senza attribuzione di colpa seguono lo stesso ciclo per gli incidenti; l’analisi post-campagna di un team di comunicazione e la revisione del triage di un team di assistenza lo applicano senza mai utilizzare il termine «agile».

Il ciclo funziona grazie a un presupposto fondamentale: il lavoro fornisce indicazioni su come dovrebbe cambiare il lavoro stesso. I team che raccolgono tali indicazioni generano un effetto cumulativo: ogni ciclo migliora quello successivo. I team che non lo fanno, invece, si limitano a ripetere gli stessi schemi.

Per settant’anni, le segnalazioni provenivano dalle persone. Erano le persone a notare l’attrito, a lamentarsene durante la pausa pranzo, a segnalarlo nel retro. I sensori del circuito erano gli esseri umani.

Una nuova figura professionale

Nel corso degli ultimi due anni, il vostro team ha iniziato a delegare attività concrete a una nuova figura professionale. Gli agenti di intelligenza artificiale ora scrivono e revisionano il codice, verificano gli account pubblicitari, redigono le risposte dell’assistenza, creano report e migrano i contenuti. E questo collaboratore presenta un profilo singolare: instancabile, veloce, capace — ma privo di contesto. La definizione di Rahul Garg è ormai diventata un punto di riferimento nel settore: «Gli assistenti basati sull’IA sono come sviluppatori junior dotati di energia infinita ma privi di qualsiasi contesto», motivo per cui «il tempo risparmiato grazie al codice generato dall’IA viene spesso consumato dallo sforzo necessario per correggerlo» (Modelli per ridurre gli attriti nello sviluppo assistito dall’IA).

Quel costo di correzione è il friction, e il lavoro degli agenti lo genera costantemente: le istruzioni ambigue che hanno costretto a tirare a indovinare, il documento che non esisteva, la struttura dell’account che crea problemi a ogni sessione, lo strumento che è andato in timeout, il requisito che è cambiato nel bel mezzo dell’attività. Nulla di tutto ciò è nuovo: il lavoro umano genera lo stesso elenco. Due aspetti, tuttavia, sono nuovi.

Il nuovo collaboratore non si lamenta durante la pausa pranzo. Un agente si imbatte in un ostacolo, lo aggira e va avanti. Non si sente abbastanza frustrato da sollevare il problema durante la riunione di retrospettiva del venerdì. Il segnale su cui il vostro ciclo di miglioramento ha sempre fatto affidamento (una persona che tiene traccia degli attriti fino a quando una riunione non li raccoglie) non viene attivato.

E le prove svaniscono. Quando la sessione termina, il contesto del conflitto si esaurisce con essa. La sessione successiva (persona diversa, stesso agente) si scontra nuovamente con lo stesso ostacolo. Non è possibile migliorare sulla base di prove che non sono mai state raccolte; il ciclo si esaurisce silenziosamente, mentre il lavoro sembra procedere senza intoppi.

Ecco quindi la situazione, espressa in termini chiari: una quota crescente del lavoro del vostro team produce ora prove di miglioramento che il vostro ciclo di miglioramento non è mai stato progettato per raccogliere.

Il campo se ne è accorto — e ha ricostruito il circuito da solo

Le persone più vicine al mondo degli agenti se ne sono rese conto fin dall’inizio e, a metà del 2026, il concetto di “rilevare l’attrito degli agenti e fornirne un riscontro” è ormai una pratica consolidata, nota con almeno una mezza dozzina di denominazioni diverse: il Feedback Flywheel di Garg, il Compound Engineering di Every, il Loop Engineering di Osmani, sensor-instrumented harness engineering di Thoughtworks, i cicli di memoria su scala di flotta dei fornitori di piattaforme (“dreaming” di OpenAI, Factory Signals), e gh-aw di GitHub, i cui flussi di lavoro di analisi delle sessioni generano già report automatizzati di analisi delle sessioni. Persino i fornitori ricorrono a questo termine dal sapore retrò: le linee guida di Codex di OpenAI recitano «quando Codex commette lo stesso errore due volte, richiedetegli una retrospettiva e aggiornate AGENTS.md» (migliori pratiche).

Questi cicli sono validi. Se il vostro team ne utilizza uno qualsiasi, mantenetelo; tutto ciò che è contenuto in questa guida si basa su di essi, anziché sostituirli. Tuttavia, vi sono due lacune da tenere presenti.

In primo luogo, il divario nella pratica: limitarsi a osservare non significa migliorare. Circa il 90% dei team implementa il tracciamento degli agenti; solo circa il 37–52% valuta sistematicamente i dati acquisiti (LangChain, giugno 2026). La maggior parte dei team dispone di una dashboard. Sono invece molto meno numerosi quelli che hanno implementato il ciclo di miglioramento.

In secondo luogo, il divario di visione d’insieme: quasi ogni ciclo in questo ambito è isolato. Un professionista che mette a punto il proprio approccio personale, una piattaforma che cura la memoria della propria flotta, uno stack di osservabilità che raggruppa le proprie tracce. Settant’anni di miglioramento continuo dimostrano che l’effetto cumulativo si verifica a livello di team — dove risiede la visione d’insieme, dove le priorità vengono ridefinite, dove i processi, la documentazione e i budget hanno dei responsabili. Quel livello è esattamente l’elemento che nessuno ha ancora ricostruito. I rapporti esistono; la sala, però, non è stata ancora prenotata.

L’anatomia del loop

Quando il vostro team decide di mettere a punto questo sistema, il ciclo presenta più elementi in gioco di quanto sembri a prima vista. Il percorso che un singolo elemento di attrito deve superare:

Palcoscenico	La domanda
Hosting	Dove viene eseguito l’agente — e quali elementi è possibile osservare in tal caso?
Rilevamento	In che modo si rileva l’attrito? (Autocontrollo, un agente di verifica, telemetria e correzione umana, che rimane ancora il sensore predominante: circa il 70% dei guasti silenziosi viene individuato per primo da una persona)
Strumentazione	Cosa spinge l’agente a registrarlo? (Nessuno registra gli attriti che non gli è stato chiesto di individuare)
Registrazione	Cosa contiene un record utile e dove si trova?
La raccolta	In che modo si integrano tra loro le registrazioni provenienti da numerose sessioni e da molte persone?
Sintesi	Quali modelli sono rilevanti e a quale livello va inserita ciascuna correzione?
Chiudere il ciclo	La soluzione ha effettivamente ridotto l’attrito, oppure si è trattato solo di una messinscena?

Sono tre le discipline che distinguono un “loop” da un diario, e a ciascuna di esse è dedicato un capitolo specifico in questa guida:

• Dati, non impressioni. Una segnalazione utile descrive il momento, individua una causa principale attingendo da un vocabolario ristretto e fisso e propone una soluzione sintetica. Sono proprio le etichette fisse a consentire l’aggregazione delle segnalazioni: «la documentazione era confusa» non può essere conteggiata; ottomissing-documentationsegnalazioni, invece, sì. (Capitolo: Come si presenta una buona segnalazione di attrito)
• La questione del livello. Ogni problema ricorrente viene risolto a un determinato livello: una nota di promemoria, un prompt, una configurazione, la documentazione, il materiale di lavoro stesso, il processo o a monte presso un fornitore. Se la correzione viene applicata a un livello troppo basso, il problema si ripresenta per tutti gli altri; se invece viene applicata a un livello troppo alto, si finisce per appesantire un documento che nessuno legge. (Capitolo: A quale livello dovrebbe essere applicata la correzione?)
• Giudizio all’interno di una stanza. Alcuni attriti sono intenzionali: il punto di controllo che qualcuno ha scelto come punto di riferimento (una sintesi dell’intervento di Ronacher all’AIE Europe: «l’attrito è ciò che serve… per mantenere la rotta»; Thoughtworks mette ora in guardia dal debito cognitivo derivante da un lavoro degli agenti eccessivamente privo di attrito). Le decisioni «mantenere o eliminare», le priorità e le correzioni che coinvolgono più responsabili sono oggetto di negoziazione, non di calcoli: richiedono che i responsabili delle correzioni partecipino a un’unica conversazione. (Capitolo: Il rapporto esiste. La sala no.)

Come si sviluppa la storia

L’elenco delle cadenze di Garg per il flywheel include una riga che suona quasi come una sfida: “un punto all’ordine del giorno nella retrospettiva di sprint in corso: cosa ha funzionato con l’IA in questo sprint?” (martinfowler.com). È proprio questo il filo conduttore di questa guida. Non si tratta di una nuova cerimonia, né di una gestita dall’IA — ma del ciclo di miglioramento di cui il vostro team si fida già, esteso per includere il nuovo membro del team, con l’agente in qualità di partecipante: esso fornisce le prove, redige le correzioni, risponde alle domande; il team mantiene il potere decisionale, poiché le correzioni si concretizzano in processi, documenti e budget di cui le persone sono responsabili e per i quali rispondono.

E partiamo da un presupposto onesto: se il vostro team si limita ad aggiungere il punto all’ordine del giorno e a discuterne (senza verbali né etichette), è già meglio del silenzio e, in caso di utilizzo limitato da parte degli agenti, potrebbe essere sufficiente. Il resto di questa guida illustra ciò che dovrete aggiungere quando tale conversazione si ripete continuamente.

I capitoli

1. Questa pagina: perché il lavoro assistito dall’intelligenza artificiale necessita del ciclo operativo già in uso nel vostro team.
2. La mappa: cicli di retroazione degli agenti, strumenti e approcci: il quadro di riferimento che illustra il ciclo di vita dell’attrito, i cicli identificati dal settore e gli schemi di classificazione attualmente in uso. Inizi da qui se adotta un approccio dall’alto verso il basso.
3. Come si presenta un buon registro delle frizioni: la registrazione del momento, le etichette relative alle cause alla radice, le regole relative a ciò che non va mai registrato.
4. Dove dovrebbe essere applicata la correzione? Il problema dell’altitudine e la tabella di instradamento.
5. Il rapporto esiste. La stanza no. Perché la sintesi è un’attività di gruppo, con un costo competitivo rispetto alla concorrenza.
6. Come condurre la sessione di collaborazione sull’IA in modalità retrospettiva: la guida per il facilitatore, con il punto all’ordine del giorno della durata di 15 minuti, il modello e le schede con le domande guida.
7. Iniziate in dieci minuti: ai-session-retro e ai-retro-brief, le parti di acquisizione e sintesi del ciclo, pronte per l’installazione.

Preferite la versione breve? Due post correlati sul blog: la guida rapida, raccogliere feedback dagli agenti IA, e il racconto della prima volta che l’abbiamo sperimentata noi stessi, i nostri colleghi IA hanno partecipato al nostro retro.

Preferiamo che ci si contraddica piuttosto che ci si dia ragione con cortesia: ogni capitolo si conclude con ciò che potrebbe farci cambiare idea.