Il debito più pericoloso non sta nel codice.
Questa è la conclusione. Arrivarci ha richiesto mesi di lavoro, centinaia di ore di lettura, e una domanda ripetuta fino allo sfinimento: “è davvero così?”
Addy Osmani ha dato un nome a qualcosa che molti di noi stanno vivendo senza saperlo: comprehension debt. Il divario tra quanto codice esiste nel tuo sistema e quanto ne comprendi davvero. Un trial di Anthropic su 52 software engineer — pubblicato a gennaio 2026 — ha misurato un calo del 17% nella comprensione per chi scrive codice con AI. I punteggi più bassi erano nel debugging. Non nella scrittura. Nel capire cosa non funziona e perché.
Il dato mi ha colpito perché l’avevo già vissuto, senza i numeri per descriverlo.
Nel mio progetto — un sistema complesso costruito interamente con AI — c’è stato un momento in cui tutto funzionava. I test passavano. Gli output erano coerenti. Il sistema faceva quello che doveva fare. O almeno così pensavo.
Poi ho iniziato a leggere. Non scorrere. Non cercare il bug. Leggere. Funzione per funzione. Riga per riga. Con una sola domanda in testa, ripetuta per ogni blocco di codice: “è davvero così?”
La risposta, troppo spesso, era no.
Quello che sembravano problemi indipendenti — sparsi, diversi tra loro — seguivano un pattern. Un fraintendimento strutturale che si era insinuato nelle fondamenta e da lì si era ripetuto, amplificato, compensato. Strati di codice che esistevano solo per proteggere il sistema dai propri effetti collaterali. Ogni singolo pezzo era tecnicamente corretto. L’insieme era fragile in un modo che nessun singolo pezzo rivelava.
Osmani scrive che il comprehension debt “si accumula invisibilmente, spesso senza che nessuno prenda una decisione deliberata di lasciarlo crescere.” È la somma di centinaia di review dove il codice sembrava a posto e i test passavano e c’era un’altra PR in coda. Nel mio caso non erano review — erano sessioni di generazione dove l’output era plausibile, coerente, e io passavo avanti.
Il cambio non è stato tecnico. Ho smesso di fidarmi del fatto che funzionasse e ho iniziato a verificare che capissi perché funzionava. La distanza tra le due posture è enorme. La prima postura è passiva: se i test passano, va bene. La seconda è attiva: cosa fa questa funzione, davvero? Cosa assume? Cosa ignora?
Guardo indietro a mesi di questo percorso e vedo lo stesso movimento che si ripete. Ogni volta penso di aver raggiunto il livello giusto di comprensione. Ogni volta scopro che sotto c’è un altro strato. Non è un fallimento — almeno, sento che non lo è. È il segnale che il codice che l’AI genera in secondi richiede un tipo di lavoro umano che non si misura in righe, non si misura in velocità, e non si delega.
Il comprehension debt non si ripaga con più generazione. Si ripaga con più lettura. Più lentezza. Più “è davvero così?”
Forse è il debito più costoso che l’AI ci sta facendo accumulare. E forse l’unico modo per non affogare è accettare che capire è più lento di generare — e che questa lentezza non è un limite. È il lavoro.