DevOps è nato per superare la discontinuità tra chi scrive il software e chi lo mette in esercizio, governando l’intero ciclo di vita dell’applicazione sfruttando capacità di continuous integration e continuous delivery. Il primo salto evolutivo è arrivato con l’introduzione delle pratiche DevSecOps, che hanno portato la sicurezza all’interno di ogni fase di sviluppo per prevenire le vulnerabilità e ridurre i rischi. La logica shift left nel tempo ha spostato i controlli il più possibile verso l’inizio del ciclo, invece di concentrarsi a valle come verifica finale. Oggi il modello compie un ulteriore passo e si orienta verso approcci AI-native, nei quali l’intelligenza artificiale non sostituisce i processi esistenti ma ne amplia la portata, automatizzando e potenziando le attività di sviluppo, rilascio e sicurezza.
Ed è su questa trasformazione che S2E sviluppa la propria offerta. L’azienda affianca le organizzazioni nella definizione di modelli di lavoro coerenti con le caratteristiche dei singoli progetti e con il contesto aziendale, mettendo insieme competenze tecnologiche e project management. L’obiettivo è integrare le nuove possibilità di automazione senza perdere di vista governance, sostenibilità e obiettivi del cliente. Il portafoglio oggi spazia dall’intelligenza artificiale alla cybersecurity, dalla hyperautomation alla legacy modernization fino al cloud computing: competenze che, nel caso del DevOps AI-native, convergono sullo stesso processo.
Gestire la complessità dei progetti IT
Il punto di partenza è la crescente difficoltà di gestire i progetti IT. Requisiti che cambiano in corsa, finestre di rilascio sempre più strette, team distribuiti su più sedi e tecnologie in evoluzione continua compongono uno scenario che la letteratura manageriale descrive con l’acronimo Vuca, nato in ambito militare statunitense per indicare contesti segnati da volatilità, incertezza, complessità e ambiguità (Volatility, Uncertainty, Complexity, and Ambiguity). In ambienti di questo tipo, le aziende hanno bisogno di modelli di lavoro capaci di adattarsi rapidamente senza rinunciare al controllo, alla qualità e all’allineamento con gli obiettivi di business.
DevOps, con i suoi cicli di rilascio brevi e i meccanismi di feedback continuo, è nato proprio per rispondere a questo tipo di instabilità, ma da solo non basta a definire come impostare ogni singolo progetto. Giuseppe Mandarino, business line manager, software factory, digital transformation & hyperautomation di S2E, chiarisce il punto di partenza: “Negli ambienti Vuca non esiste una metodologia valida per ogni progetto. È necessario partire dal contesto, dagli obiettivi di business e dai vincoli dell’organizzazione per individuare il modello più adatto”.
AI e DevOps, tre direttrici di integrazione
L’ingresso dell’AI in DevOps si sviluppa lungo 3 direttrici. La prima riguarda lo sviluppo assistito: generazione e revisione del codice, supporto agli sviluppatori e produzione automatizzata della documentazione, un’attività spesso considerata secondaria e per questo demandata. Queste funzioni arrivano ai team attraverso strumenti integrati negli ambienti di sviluppo oppure tramite agenti dedicati, capaci di farsi carico di compiti specifici all’interno della pipeline. In entrambi i casi, il codice prodotto o suggerito dall’AI resta parte di un processo che prevede verifiche e responsabilità definite.
La seconda direttrice è la riduzione del time to market. Code review, testing e quality assurance sono passaggi che hanno sempre richiesto un significativo intervento manuale e che, proprio per questo, rappresentano un collo di bottiglia nei cicli di rilascio. L’automazione di una parte di queste attività consente di accelerare le verifiche e di accorciare i tempi che separano lo sviluppo di una funzionalità dalla sua messa in produzione. Il vantaggio non riguarda soltanto la velocità: test eseguiti con maggiore frequenza permettono di intercettare prima gli errori, quando correggerli costa meno.
La terza direttrice, la più vicina all’eredità del DevSecOps, è la sicurezza predittiva e automatizzata. Integrata nel Software Development Life Cycle, l’AI aiuta a individuare anomalie e vulnerabilità, ad anticipare possibili criticità e a ridurre i rischi prima del rilascio, anche grazie a sistemi inseriti direttamente nel ciclo di sviluppo. La sicurezza si conferma così una componente strutturale del processo, che può contare su capacità di analisi e prevenzione più evolute rispetto ai controlli tradizionali. Mandarino aggancia tra loro i tre piani: “L’AI può accelerare diverse fasi del ciclo di vita del software e offrire nuove capacità di analisi, anche sul fronte della sicurezza”.
Prima il metodo
Introdurre l’AI nei processi di sviluppo non significa solo scegliere nuovi strumenti. Per trasformare le potenzialità tecnologiche in risultati occorre valutare una serie di fattori: le caratteristiche delle applicazioni, l’architettura esistente, le competenze dei team, i vincoli operativi e i requisiti di sicurezza. Un assistente alla programmazione può dare risultati molto diversi a seconda che lavori su un’applicazione nativa cloud o su un sistema legacy, e lo stesso vale per l’automazione dei test o dei controlli di sicurezza. Anche la governance assume un peso nuovo: quando una parte del codice, dei test o delle analisi di sicurezza viene affidata a sistemi automatici, diventa necessario stabilire chi valida i risultati, con quali criteri e con quale tracciabilità.
Per questo S2E accompagna i clienti lungo l’intero percorso, dalla valutazione iniziale del progetto alla definizione del modello operativo, fino all’implementazione e alla governance. Il team di project manager della società lavora lungo un continuum metodologico che comprende approcci tradizionali, Agile, Extreme Programming e DevOps, alla ricerca della combinazione più coerente con la complessità del contesto e con gli obiettivi. Ogni approccio ha un proprio baricentro: quelli tradizionali privilegiano la pianificazione, Agile l’iterazione, Extreme Programming pratiche ingegneristiche come lo sviluppo guidato dai test, il DevOps la continuità tra sviluppo ed esercizio. In questa logica, il DevOps AI-native non è un punto di arrivo obbligato per ogni progetto, ma una delle opzioni che un’organizzazione può adottare quando caratteristiche e maturità lo rendono sensato. Mandarino guarda avanti: “L’evoluzione verso modelli DevOps AI-native apre nuove opportunità per affrontare la complessità dei progetti IT. La sfida non è soltanto sviluppare software più velocemente, ma costruire processi capaci di adattarsi al cambiamento, mantenendo qualità, sicurezza e continuità”.
© RIPRODUZIONE RISERVATA
