Satispay, adozione della GenAI per codice e processi » inno3

L’adozione di strumenti di intelligenza artificiale generativa nelle imprese ha registrato negli ultimi due anni una crescita rapida ma disordinata. Un fenomeno ricorrente è quello della shadow AI: l’utilizzo spontaneo, da parte dei lavoratori, di strumenti non autorizzati e spesso al di fuori dei processi aziendali. Una pratica ancora molto diffusa, che espone le organizzazioni a rischi di sicurezza, conformità e governance del dato — particolarmente critici nei settori regolamentati.

Il contesto

Il caso di Satispay si colloca all’estremo opposto di questa tendenza. La fintech ha scelto di portare l’AI generativa dentro i propri flussi di lavoro con l’adozione governata: uno strumento integrato nei processi, misurato con metriche di impatto e accompagnato da un investimento sulla cultura aziendale. È la distinzione che sposta il tema dall’“usare o non usare l’AI” al “come” inserirla in un’organizzazione che gestisce ogni giorno operazioni a elevata responsabilità. Satispay, lo ricordiamo, è il principale network di pagamento indipendente italiano: attraverso un’app utilizzata da oltre 6 milioni di persone e da una rete di oltre 450mila attività convenzionate è possibile pagare nei negozi e online, scambiare denaro e gestire i servizi finanziari quotidiani. Dietro il sistema opera un’organizzazione di ingegneria che mantiene una piattaforma Java e Spring matura, attraverso cui transita ogni pagamento della rete.

Il bisogno

Il punto di partenza è così fotografato dal Cto, Fabio Rapposelli: un team di engineering composto in larga parte da profili junior, con parte della codebase – fatta di servizi consolidati – che richiede tempi lunghi per essere modificata o aggiornata.

Da qui un parziale squilibrio strutturale: gli ingegneri senior si trovano a bilanciare due responsabilità ugualmente importanti, affiancare i colleghi più giovani nella crescita e portare avanti l’architettura e le nuove funzionalità.

Il flusso di lavoro tipico rende evidente la tensione. Un ingegnere prende in carico un ticket, dedica tempo a orientarsi in un servizio che non era mai stato toccato, abbozza una modifica e attende la revisione di un senior. La revisione finisce per assolvere tre funzioni contemporaneamente — insegnamento, controllo di qualità e trasferimento di contesto — diventando il principale collo di bottiglia della velocità di sviluppo. “Un ingegnere junior alle prese con un servizio sconosciuto ha bisogno di aiuto per capire il sistema, non per completare una riga di codice”, osserva infatti Rapposelli. Ed esperimenti precedenti con strumenti di AI di tipo autocomplete sono rimasti circoscritti senza riuscire ad affrontare di fatto il problema.

Il metodo e la soluzione

Satispay decide quindi di condurre a metà 2025 una valutazione strutturata di 30 giorni, confrontando più strumenti di AI per la scrittura di codice su ticket reali nei propri servizi Java e Spring. La griglia di valutazione copre la qualità della generazione di codice, il refactoring, l’aderenza ai pattern interni, la comprensione del contesto multi-file, la generazione di test e la documentazione. Il criterio decisivo non è la velocità di generazione, ma la qualità delle revisioni: e gli strumenti Claude di Anthropic sono in grado di individuare i problemi reali e ne spiegano le cause, a un livello che gli ingegneri hanno riconosciuto come genuinamente utile.

La distribuzione è allora gestita dal supporto IT e raggiunge la copertura completa in 30 giorni. Claude Code — lo strumento di coding agentico di Anthropic — viene installato su ogni laptop degli ingegneri attraverso la gestione centralizzata del parco dispositivi, ed è quindi disponibile dal primo giorno di lavoro senza configurazioni aggiuntive. L’adozione ha superato il 90% degli ingegneri. Gli ingegneri lo utilizzano per scrivere nuovo codice, modificare servizi esistenti, orientarsi in parti della codebase che non conoscono ed effettuare un primo passaggio di revisione automatica prima di quello umano, ricorrendo ai diversi modelli disponibili a seconda del compito.

Attorno allo strumento di base, il team genera anche componenti riutilizzabili. L’esempio più concreto riguarda le funzioni di trasformazione dati: piccoli componenti che, per ogni pagamento, eseguono controlli antifrode, verifiche di conformità e normalizzazione delle informazioni. Scriverli a mano richiede da tre a cinque giorni; oggi vengono generati automaticamente a partire da specifiche interne in meno di un’ora. Gli approcci di modernizzazione vengono inoltre incapsulati in subagent, così che il lavoro svolto da un team resti disponibile per i successivi.

Il lavoro sulla cultura aziendale ha nel progetto, a sua volta, un peso pari a quello della distribuzione tecnica. Satispay inserisce la competenza nell’uso dell’AI tra i criteri del proprio sistema di valutazione dell’ingegneria, e la regola operativa è esplicita: gli ingegneri restano pienamente responsabili di tutto ciò che entra nel codice.

“Il modello è un acceleratore, non un’autorità”, sintetizza Rapposelli. Lo stesso principio è ribadito da Dario Brignone, co-fondatore e chief innovation officer di Satispay: “L’AI è un acceleratore, non un sostituto del giudizio umano, e in Satispay questa distinzione non è una policy, è parte del modo in cui lavoriamo”.

I vantaggi, velocità di sviluppo e ridistribuzione delle competenze

Il risultato più rappresentativo riguarda il sistema di pagamento core, quello che gestisce ogni transazione sulla rete. Il team ne ha completato l’aggiornamento — la migrazione da Java 8 a Java 21 e un importante upgrade di Spring — in meno di quattro giorni, contro una stima iniziale di quattro settimane. Sullo stesso registro si colloca il programma più ampio di evoluzione del codice: obiettivi pianificati su un orizzonte di 18 mesi sono stati completati in 7, al punto che un incarico di consulenza esterna previsto per quel lavoro non si è più reso necessario.
Oltre il 75% del codice immesso ogni mese nei repository di Satispay è oggi generato con Claude. La fintech sta su queste basi completando il rilascio di circa il 50% di funzionalità in più nel primo semestre 2026 — un incremento che, come osserva Brignone, “i modelli organizzativi tradizionali non avrebbero consentito”.

Accanto al dato quantitativo, il caso Satispay mette in evidenza un effetto qualitativo: la ridistribuzione delle competenze all’interno del team. Gli ingegneri senior dedicano oggi più tempo all’architettura, mentre i profili junior operano con maggiore autonomia su una codebase che in precedenza ne rallentava il lavoro. È il passaggio che Rapposelli descrive come l’evoluzione dell’ingegnere verso il ruolo di “responsabile di un team di agenti”: i profili meno esperti riescono a operare oltre quanto consentirebbe la normale anzianità perché lo strumento colma parte del divario, mentre il controllo finale resta saldamente nelle mani delle persone.

L’adozione si estende infine oltre l’ingegneria in modo organico: una volta divenute visibili internamente le competenze acquisite, le richieste di accesso sono arrivate da finance, marketing e operations a un ritmo di circa venti al giorno — tra i primi a chiedere, lo stesso Cfo. Satispay sta ora sperimentando ulteriori livelli di automazione mantenendo sempre una persona nel ciclo decisionale per le scelte critiche: un progetto pilota sulla generazione di bozze di codice a partire dai ticket, un secondo sulla protezione delle transazioni in tempo reale. Il caso indica come, anche in un contesto regolamentato come quello dei pagamenti digitali, l’AI generativa possa diventare parte strutturale dei processi quando l’adozione è governata, misurata e accompagnata da una chiara attribuzione di responsabilità.

© RIPRODUZIONE RISERVATA