# Gli agenti AI per il coding richiedono ancora correzioni umane

> Un nuovo benchmark mostra che il miglior programmatore AI completa senza correzioni manuali solo circa un quarto delle richieste di modifica.

Oossa · 2026-11-08 · https://oossa.com/it/ai-coding-agents-still-need-human-cleanup-on-most-real-world-tasks

Ricercatori di Alibaba e di diverse università asiatiche hanno pubblicato Co‑Design Bench, un test che chiede agli agenti di coding di modificare applicazioni web esistenti sulla base di richieste di modifica reali degli utenti. Il test include input multimodali, come immagini, clip audio, video e documenti, per rispecchiare il lavoro concreto degli sviluppatori. Sono stati valutati dieci modelli, da GPT‑6 Astra, nello stile di OpenAI, a Claude Opus 5 e Qwen 3.8‑Max.

GPT‑6 Astra ha ottenuto i risultati migliori, soddisfacendo in media circa il 70 % dei requisiti di ciascun compito. Eppure, ha prodotto un’app perfettamente corretta in appena il 26,4 % dei casi. Nella maggior parte dei compiti l’IA ha svolto gran parte del lavoro, ma ha lasciato incompiuto almeno un dettaglio: prima della pubblicazione, quindi, una persona deve ancora rifinire il codice.

Benchmark precedenti come WebCompass‑edit attribuiscono agli stessi modelli punteggi quasi perfetti, ma Co‑Design Bench mette in luce uno scarto superiore a 35 punti percentuali. Secondo i ricercatori, i test più datati sono diventati troppo facili perché gli agenti possono eseguire, verificare e correggere il proprio codice in un ciclo chiuso, gonfiando così i punteggi.

Le prestazioni sono calate nettamente quando un singolo compito combinava tre o quattro tipi diversi di modifica: layout, design, interazione e contenuti. In queste condizioni hanno faticato tutti i modelli, compreso il più piccolo Qwen 3.8‑27B. Anche aumentare la potenza di calcolo è servito a poco: per le modifiche semplici, GLM‑5.2 ha usato sei volte più token di GPT‑6 Astra, ottenendo comunque un punteggio inferiore.

## Cosa emerge dal test

Lo studio evidenzia che l’ambiente operativo che circonda un agente di coding — il programma che gli fornisce il codice e ne esegue i risultati — può incidere sui risultati tanto quanto il modello stesso. Sullo stesso modello, per le modifiche più ampie, il punteggio è stato del 75 % in un ambiente e del 56 % in un altro. Gli autori consigliano alle aziende di valutare insieme modello e ambiente operativo prima di adottare uno strumento.

I ricercatori segnalano anche alcuni limiti: ogni compito prevede una singola richiesta fissa, quindi non vengono testate le domande successive, e i sistemi di IA che valutano le app possono commettere errori. Una ricerca precedente di METR ha rilevato che, nel mondo reale, il tasso di accettazione del codice generato dall’IA era circa il 24 % inferiore rispetto ai punteggi ottenuti su benchmark diffusi come SWE‑bench Verified.

## I fatti

- Co‑Design Bench valuta dieci agenti di coding su richieste di modifica reali degli utenti, anche con input multimodali.
- GPT‑6 Astra soddisfa in media circa il 70 % dei requisiti, ma completa perfettamente solo il 26,4 % dei compiti.
- Nei benchmark precedenti gli agenti superano il 99 %, mentre in Co‑Design Bench il modello migliore è indietro di oltre 35 punti percentuali.
- Tutti i modelli ottengono risultati peggiori quando un compito richiede tre o quattro tipi diversi di modifica.
- A seconda dell’ambiente operativo utilizzato, lo stesso modello può ottenere il 75 % o il 56 % nelle modifiche più ampie.

## Perché conta

Per gli sviluppatori che stanno valutando gli assistenti di coding basati sull’IA, i risultati indicano che sarà ancora necessario controllare e correggere la maggior parte delle modifiche prima di distribuire il software. Le aziende dovrebbero testare sia il modello di IA sia l’ambiente in cui viene integrato, invece di affidarsi a punteggi di benchmark che potrebbero sovrastimarne le prestazioni nel mondo reale.

## Fonti e riferimenti

1. [AI coding agents still need human cleanup on nearly three out of four tasks in a real-world test](https://the-decoder.com/ai-coding-agents-still-need-human-cleanup-on-nearly-three-out-of-four-tasks-in-a-real-world-test/) – The Decoder, 2026-11-08

Ultimo aggiornamento: 2026-11-08