Vibe Coding: Velocità in Fase di Sviluppo, Lentezza nella Manutenzione

Siamo onesti — il vibe coding ha qualcosa di magico. Descrivi quello che vuoi, e il codice appare. Le pipeline si attivano. Le funzionalità prendono forma. È emozionante, e lo è per un buon motivo: non abbiamo mai avuto questo tipo di velocità.

Ma ecco quello che nessuno mostra nei demo alle conferenze: sei mesi dopo, quando quella pipeline si rompe, quando i requisiti cambiano, quando un nuovo ingegnere entra nel team — dove vive la comprensione?

Spoiler: di solito in nessun posto utile.

La Natura Effimera del Contesto

Quando fai vibe coding, riversi quantità enormi di contesto nei prompt. Regole di business. Assunzioni. Edge case. Dipendenze a cascata. Il ragionamento dietro alla scelta dell'approccio A invece che B. Tutto finisce nella conversazione, si cristallizza in codice generato, e poi... svanisce come foschia al mattino.

Il codice resta. Il ragionamento evapora.

Non è solo un problema di documentazione. È un problema sistemico in come funziona attualmente lo sviluppo assistito da AI. Generiamo sistemi a velocità record mentre perdiamo simultaneamente la conoscenza istituzionale che rende quei sistemi mantenibili, debuggabili ed evolutivi.

Per le piattaforme dati, questo crea un problema che si aggrava nel tempo. Le architetture dati moderne non sono applicazioni singole — sono ecosistemi. Layer di ingestion, logiche di trasformazione, framework di orchestrazione, layer semantici, API di servizio, pipeline ML. Ogni componente non sa nulla degli altri se non attraverso contratti impliciti fragili.

Perché il Data Engineering Sente Questo Dolore Più Agacement

Se stai costruendo un'app CRUD, il problema di memoria del vibe coding è fastidioso. Se gestisci una piattaforma dati enterprise, può diventare esistenziale.

Il data engineering è sempre stato questione di coordinamento. La logica di business deve essere consistente attraverso le trasformazioni. I cambiamenti di schema si propagano a valle in modi prevedibili (e imprevedibili). Le regole di validazione proteggono la qualità dei dati. Le dipendenze dell'orchestrazione determinano successo o fallimento.

Quando l'AI genera questa logica dai prompt, tutta quella conoscenza di coordinamento resta umana. Vive nelle teste degli ingegneri senior. Si nasconde nei thread di Slack del 2023. È sepolta in pagine Notion che nessuno aggiorna più.

La piattaforma stessa non ha memoria del perché è stata costruita così.

Un Approccio Diverso

E se le specifiche stesse diventassero parte del sistema?

Lo sviluppo spec-driven ribalta il copione. Invece di prompt che generano codice a cui poi serve documentazione, ragionamento e memoria istituzionale sovrapposti, la specifica diventa la fonte di verità — eseguibile, versionata e persistente.

Le tue regole di business non sono solo "cosa fa il codice." Sono contratti espliciti e testabili che sopravvivono oltre qualsiasi conversazione singola. La tua logica di orchestrazione non è solo "cosa gira quando." È una definizione versionata che sia umani che agenti AI possono ragionare in modo consistente.

Non si tratta di sostituire la generazione AI. Si tratta di dare ai sistemi generati da AI qualcosa che gli è sempre mancato: una base stabile di conoscenza operativa persistente.

La Visione Realistica

Facciamo chiarezza: lo sviluppo spec-driven non è una pallottola d'argento. Aggiunge investimento iniziale. Richiede ai team di pensare esplicitamente ai requisiti prima di generare. Esige disciplina che a volte confligge con la velocità che rende attraente il vibe coding.

Ma ecco il punto — se stai costruendo sistemi destinati a durare, destinati a evolversi, destinati a essere mantenuti da team che cambieranno nel tempo, quell'investimento iniziale ripaga.

Il momento migliore per costruire memoria di sistema persistente era sei mesi fa. Il secondo momento migliore è adesso.

Il Punto della Questione

Il vibe coding è un incredibile moltiplicatore di produttività per l'atto dell'implementazione. Ma l'implementazione è solo parte del ciclo di vita del software. Manutenzione, evoluzione, debugging e trasferimento di conoscenza sono dove i sistemi vivono effettivamente la maggior parte della loro esistenza.

Se dobbiamo fare affidamento sull'AI per generare sistemi sempre più complessi, dobbiamo essere altrettanto riflessivi su come quei sistemi preservano la propria comprensione nel tempo.

Il futuro dello sviluppo assistito da AI non è solo generazione più veloce. È generazione che costruisce sistemi capaci di spiegare se stessi.

Che approccio stai adottando per preservare il contesto nei tuoi workflow di sviluppo assistito da AI? Ci piacerebbe sentire come team diversi stanno affrontando questa sfida.