L’intelligenza artificiale generativa e le tecnologie agentiche stanno cambiando lil modo in cui le soluzioni vengono costruite, testate e considerate affidabili.

L’adozione presso le aziende nelle attività connesse al quality engineering è ormai diffusa, con il 90% delle aziende che ha già implementato queste tecnologie.

A fronte di questa ampia adozione, i progetti basati su GenAI e AI Agents faticano ancora ad avere un impatto trasformativo trasversale a tutto il business: solo il 15% delle aziende è infatti riuscito a implementarla su scala aziendale.

Solo alcune delle evidenze che emergono dalla 17ª edizione del World Quality Report 2025: Adapting to Emerging Worlds, il rapporto di Capgemini che fornisce una valutazione completa e un’analisi approfondita dello stato attuale delle pratiche di Quality Engineering (QE) e Testing (QE&T) a livello globale e tra i diversi settori.

Scalabilità limitata e adozione selettiva

Nonostante la diffusione dell’adozione dichiarata, l’analisi del World Quality Report rivela una dicotomia evidente tra l’ampiezza della sperimentazione e l’effettiva implementazione operativa della Gen AI.

Se l’89% delle aziende sta utilizzando o testando attivamente flussi di lavoro di Quality Engineering potenziati dall’AI Generativa, la percentuale di aziende che è riuscita a spostare tali soluzioni in un contesto di produzione stabile ammonta al 37%, mentre il 52% delle aziende si trova in una fase pilota.

La limitata adozione in produzione è la causa diretta della difficoltà di scalabilità a livello aziendale: solo il 15% delle organizzazioni è riuscito a implementare la Gen AI in modo trasversale (enterprise), mentre il 43% resta vincolato a progetti in fase puramente sperimentale.

Dopo il boom di interesse verso la GenAI, molte aziende si stanno confrontando con la realtà e stanno adottando un approccio più di cautela. Il rapporto evidenzia infatti una fase di maggiore selettività: la quota di aziende che ha deciso di non ricorrere alla Gen AI risale all’11% (dal 4% dell’edizione 2024). Una tendenza che suggerisce un approccio più maturo e orientato a valutare la preparazione interna (readiness) prima di procedere all’investimento.

Casi d’uso avanzati e i benefici misurabili

L’attenzione delle aziende si sta progressivamente spostando dai casi d’uso elementari a quelli con un maggiore potenziale di impatto strategico.

L’adozione della Gen AI si concentra ora prevalentemente sulle fasi di progettazione dei test e sul miglioramento dei requisiti di prodotto, aree che rappresentano un punto nevralgico per l’efficacia del Quality Engineering.

I benefici derivanti da questa integrazione, benché ancora disomogenei, sono significativi: le organizzazioni che hanno implementato con successo la Gen AI riportano in media un aumento della produttività del 19%.

Tuttavia, il report mitiga l’entusiasmo evidenziando che circa un terzo delle aziende non ha ancora rilevato miglioramenti misurabili di rilievo, segnalando che il ritorno sull’investimento (ROI) è fortemente dipendente dalla maturità delle pratiche interne e dalla qualità dell’integrazione tecnologica.

Le aziende che faticano a rilevare miglioramenti significativi sono spesso quelle che non hanno ancora risolto i prerequisiti fondamentali: l’assenza di una solida strategia di governance dei dati, la mancanza di omogeneizzazione dei processi e la mancata standardizzazione dei toolchain impediscono all’AI di operare su basi stabili.

A ciò si aggiunge la crucialità della qualità dell’integrazione tecnologica. L’AI Generativa deve essere innestata in modo fluido e affidabile nelle pipeline di Integrazione Continua/Distribuzione Continua (CI/CD) esistenti, senza creare nuovi silos o colli di bottiglia.

La mancata ottimizzazione di questi fattori trasforma i progetti AI da vettori di produttività in semplici esercizi sperimentali, ostacolando la realizzazione dell’effetto trasformativo a livello di business.

Le barriere alla diffusione del Gen AI nel Quality Engineering

Nonostante i benefici potenziali, l’espansione della Gen AI nel Quality Engineering è frenata da barriere significative di natura tecnica e organizzativa.

Tra le principali preoccupazioni espresse dai dirigenti, spicca la questione della privacy dei dati, citata dal 67% degli intervistati, che riflette la sensibilità nel gestire informazioni proprietarie all’interno di modelli AI esterni o non adeguatamente governati.

La complessità di integrazione, citata come ostacolo dal 64% delle aziende, evidenzia le sfide concrete derivanti dall’innesto di queste nuove tecnologie negli stack software e nelle pipeline di sviluppo preesistenti.

Un terzo elemento critico è il timore legato all’affidabilità dei risultati e al fenomeno delle “allucinazioni”, che preoccupa il 60% delle organizzazioni, minando la fiducia nei test case o nei report generati automaticamente.

A queste sfide strutturali si aggiunge una persistente carenza di risorse umane qualificate: la carenza di competenze in AI e Machine Learning rimane una barriera significativa per il 50% delle aziende, un dato rimasto invariato rispetto all’anno precedente.

L’emergere dell’intelligenza collaborativa e la nuova governance

In risposta a queste sfide, il World Quality Report sottolinea l’emergere di un nuovo paradigma operativo, definito “intelligenza collaborativa”.

Questo concetto riflette la crescente necessità di un’interazione sinergica tra le capacità analitiche e generative dell’AI e la profonda conoscenza del dominio posseduta dagli esseri umani.

L’obiettivo non è sostituire il Quality Engineer, ma potenziarne l’efficacia, affidando all’AI compiti ripetitivi o di generazione di bozze (come la stesura di test case o la revisione dei requisiti) e riservando al professionista la supervisione strategica e la gestione delle decisioni complesse.

Un’evoluzione che è accompagnata da un rinnovato focus su tre pilastri fondamentali per il successo:

• la governance dei dati e dei modelli
• l’attenta misurazione del ritorno sull’investimento (ROI) delle iniziative AI
• l’esigenza di assicurare una stretta coerenza delle soluzioni Gen AI con gli obiettivi strategici e di business dell’organizzazione.

“Confrontando i dati delle diverse edizioni del World Quality Report, notiamo che l’impiego della Gen AI nel quality engineering è passato dalla fase di sperimentazione iniziale a una vera integrazione strategica“, sottolinea Roberto Scolamiero, COO di Capgemini in Italia.

“I progressi tecnici sono evidenti, ma molte aziende faticano ancora ad allineare il QE potenziato dall’AI agli obiettivi di business. Nel 2025 osserviamo un’attenzione crescente alla governance, al ritorno sull’investimento e agli impatti cross-funzionali. La sfida ora è colmare il divario nella Gen AI, trasformando gli investimenti in valore misurabile”, aggiunge.