NTT ha presentato una tecnologia che usa l’intelligenza artificiale per ricostruire e mantenere il legame tra documentazione, specifiche, codice sorgente e test dei sistemi software esistenti. L’obiettivo è trasformare applicazioni sviluppate in anni diversi in basi di conoscenza più affidabili, sulle quali possano lavorare anche assistenti e agenti automatici.
Il problema affrontato è comune nei grandi sistemi aziendali: il codice continua a funzionare, ma i documenti non sempre riflettono tutte le modifiche intervenute nel tempo. Le conoscenze restano distribuite tra manuali, ticket, commenti e memoria degli sviluppatori. Un modello di IA che leggesse soltanto una di queste fonti potrebbe quindi proporre cambiamenti sbagliati.
La soluzione di NTT costruisce una tracciabilità fra i diversi artefatti. Invece di trattare requisito, funzione e test come file indipendenti, il sistema cerca le relazioni che spiegano quale parte del codice realizza una regola e quale prova ne verifica il comportamento. Questo permette di individuare lacune e contraddizioni che diventano rischiose quando la manutenzione viene automatizzata.
Nel campione sperimentale denominato ATRS, la capacità di rilevare incongruenze è passata dal 27% all’80%: 33 casi individuati su 41, contro 11 su 41 con l’approccio di confronto precedente. Il dato riguarda una valutazione controllata, quindi non garantisce lo stesso risultato in ogni applicazione, ma indica un miglioramento rilevante nel tipo di errore osservato.
La ricerca comprende anche la generazione automatica dei test mancanti. In una prova con sei difetti inseriti deliberatamente, i nuovi test ne hanno intercettati quattro e hanno inoltre fatto emergere tre problemi già presenti nel software. Questo risultato suggerisce che l’IA può aiutare a estendere la copertura, purché l’esecuzione e la revisione restino verificabili.
A rendere delicato il passaggio è il peso della manutenzione. Secondo i dati richiamati da NTT, circa il 60% dell’attività di sviluppo software è destinato a modificare e mantenere sistemi esistenti. Automatizzare anche una parte del lavoro avrebbe effetti importanti, ma un errore propagato in una piattaforma critica può essere più costoso del tempo risparmiato.
La tracciabilità serve proprio come freno alla generazione incontrollata. Un agente che propone una modifica dovrebbe poter indicare il requisito da soddisfare, i punti di codice coinvolti e le prove che confermano il risultato. In questo modo l’operatore umano non riceve soltanto una risposta plausibile, ma una catena di elementi da controllare prima del rilascio.
Restano aperte questioni pratiche. I repository reali possono contenere linguaggi diversi, componenti acquistati da terzi e documenti riservati. Anche la qualità iniziale dei materiali condiziona l’analisi: se una regola non è scritta in nessun luogo, il sistema può inferirla dal comportamento, ma l’inferenza non equivale a una specifica approvata.
NTT prevede di mostrare la tecnologia al proprio R&D Forum, in programma dal 18 al 25 novembre. La dimostrazione offrirà indicazioni sull’integrazione con gli strumenti di sviluppo e sulla scalabilità oltre il caso campione. Per le imprese, i criteri decisivi saranno precisione, sicurezza dei dati e capacità di produrre prove ripetibili.
Il valore della proposta non consiste nel riscrivere automaticamente tutto il software legacy. È piuttosto la creazione di una mappa attendibile che renda gli interventi comprensibili a persone e agenti. Se quella mappa resta aggiornata, l’IA può accelerare analisi e test; se diventa un altro documento obsoleto, il problema originario si ripresenta con un livello aggiuntivo di complessità.