Il 73% delle organizzazioni engineering ha ridotto le assunzioni junior negli ultimi due anni. Non perché i junior siano peggio di prima, ma perché i senior con AI fanno in meno persone quello che prima richiedeva un team. Chris J. Preimesberger su The New Stack lo chiama “the seniors-with-AI model”, e lo descrive come qualcosa che nel 2026 è passato da ipotesi di lavoro ad assunzione operativa predefinita.

La tesi dell’articolo è che questa generazione di sviluppatori non sappia più debuggare il proprio codice. È vero. Ma l’analisi si ferma troppo presto.

Il problema che l’articolo individua

I junior che entrano nel mercato oggi crescono con GitHub Copilot, Cursor o Claude Code come strumenti nativi. Producono codice funzionante, pulito, che supera la code review. Non sanno però spiegarti perché funziona. Preimesberger li chiama “expert beginners”: veloci, coscienziosi, ma incapaci di ragionare sullo stack quando qualcosa smette di funzionare alle tre di notte.

Il dato è reale. Nei team che usano assistenti AI in modo intensivo, i junior completano i task fino al 55% più velocemente rispetto a due anni fa. Ma la comprensione del codice prodotto rimane opaca: accettano l’output del modello come corretto fino a prova contraria, invece di trattarlo come un’ipotesi da verificare.

Questo è un problema. Ma identificarlo come “i junior non sanno debuggare” è il modo sbagliato di guardarlo.

Il debug con AI è un mestiere diverso, non assente

Chi usa Copilot o Cursor con buoni risultati non sta perdendo la capacità di ragionare sul codice. Sta sviluppando una competenza diversa: ragionare su output probabilistici invece che deterministici.

Un compilatore fa sempre la stessa cosa dati gli stessi input. Un modello linguistico no. Lo stesso prompt, in contesti leggermente diversi, produce codice strutturalmente diverso. Debuggare output probabilistici richiede un framework mentale che le metodologie di insegnamento attuali non hanno ancora formalizzato.

Uno studio del Carnegie Mellon del 2025 ha trovato che gli sviluppatori che usano Copilot spendono il 28% in meno di tempo su codice boilerplate, ma il 19% in più a valutare e correggere le suggestion su logica complessa. Non stanno debuggando meno: stanno debuggando in modo diverso, con un processo che si sposta dall’analisi dell’errore alla validazione dell’intenzione del modello.

Il problema non è la generazione incapace. È che non esiste ancora un curriculum che insegni esplicitamente questa differenza. L’insegnamento universitario e la formazione aziendale continuano a valutare la competenza di debug sul modello deterministico classico: breakpoint, stack trace, analisi dell’errore in isolamento. Nessuno insegna come costruire un mental model affidabile di quello che un LLM farà in contesti edge.

Implicazioni pratiche per chi sviluppa oggi

Per un senior developer, questo si traduce in almeno tre cambiamenti concreti nelle pratiche di team.

La code review con AI nel loop non può più limitarsi a verificare che il codice funzioni. Deve verificare che il codice rispetti l’intenzione originale, che le assunzioni del modello siano valide nel contesto specifico, e che i path di failure siano stati testati da un umano e non solo dal modello che ha generato il codice.

Il pair programming con junior AI-nativi richiede di insegnare esplicitamente il ragionamento sul modello, non solo sul codice. “Perché il modello ha scelto questa struttura?” è una domanda più utile di “Come funziona questo for loop?” Per chi è abituato alla seconda, la prima sembra strana. Si impara.

L’onboarding tecnico deve includere almeno un modulo su come trattare l’output del modello come ipotesi verificabile. Non come codice da accettare, non come codice da rifiutare: come punto di partenza di un processo di validazione. Questo non è ovvio per chi non ha mai lavorato con strumenti probabilistici.

Il take di TechMonk: il vero debito formativo si pagherà nel 2033

La narrativa “i junior non sanno debuggare” è conveniente per i senior che resistono all’AI. Permette di indicare i più giovani come il problema, mentre la questione più scomoda rimane sullo sfondo.

Secondo il report Stanford Digital Economy Lab “Canaries in the Coal Mine”, che analizza dati ADP su milioni di lavoratori, l’occupazione dei lavoratori sopra i 30 anni nelle categorie ad alta esposizione AI è cresciuta tra il 6 e il 12% dal 2022 a maggio 2025. L’occupazione dei giovani tra 22 e 25 anni nello stesso periodo è calata del 16%. Non è un mercato che penalizza chi non sa lavorare con l’AI: è un mercato che penalizza esplicitamente chi entra nel mercato senza accesso ai tool, alla formazione, e all’esperienza che i senior già hanno.

In questo contesto, la retorica del “senior che resiste all’AI è il vero vulnerabile” (la tesi più provocatoria dell’articolo di Preimesberger) è vera ma parziale. Sì, un senior con vent’anni di esperienza che rifiuta di usare Cursor o Claude Code sta svalutando il proprio profilo a velocità misurabile. Ma il mercato non sta eliminando i senior reticenti: li affianca a colleghi AI-nativi e aspetta che il confronto parli da solo. Quello che sta eliminando, strutturalmente, è il percorso che produceva i senior di domani.

Le posizioni entry-level negli USA sono calate del 67% tra il 2023 e il 2024, secondo analisi basate sui dati ADP. Nel Regno Unito, tra ottobre 2024 e marzo 2025 sono state pubblicati 100 annunci per posizioni junior permanenti nel software, contro 312 nello stesso periodo dell’anno precedente. La caduta non è lineare: si sta accelerando.

Un paper di Harvard del 2025 su dati Revelio Labs, che copre 62 milioni di lavoratori in 285.000 aziende USA, mostra che nelle aziende che hanno adottato AI generativa, il livello junior è calato del 7.7% in sei trimestri rispetto ai non-adottatori. Il livello senior nello stesso periodo ha continuato a crescere. Non è una sostituzione generazionale, è una biforcazione: AI amplifica chi è già esperto, non chi sta ancora costruendo l’esperienza.

Qui emerge l’implicazione che quasi nessuno vuole nominare. I senior developer del 2033 si formano nel 2026. Quella formazione passa attraverso il lavoro reale su produzione: bug di produzione alle tre di notte, code review su sistema legacy, debug su stack che nessun documento descrive per intero. Se il percorso junior non esiste, quella formazione non avviene. Non perché i ragazzi siano meno capaci, ma perché non vengono assunti.

Il futuro sviluppo software con AI che già oggi rimette in discussione chi progetta e chi coordina i sistemi avrà bisogno tra dieci anni di persone che capiscono i sistemi in profondità, non di persone che sanno solo orchestrare agenti. Chi costruirà quell’architettura concettuale se la formazione distribuita attraverso i team junior è stata interrotta nel 2024?

Questo non è un problema di competenze dei junior di oggi. È un debito formativo che il settore sta accumulando silenziosamente, e che si presenterà all’incasso quando l’attuale generazione di senior andrà in pensione o cambierà settore.

Il calo delle posizioni junior è la rimozione sistematica di un meccanismo formativo che il settore non ha ancora rimpiazzato con niente di equivalente. Una variazione congiunturale si corregge. Questo, no.

Conclusione

Il framework pedagogico per il debug di output probabilistici non esiste ancora. Le università non lo insegnano. Le aziende non lo formano. I senior che oggi lavorano con AI lo stanno costruendo per tentativi, individualmente, senza documentazione strutturata.

Nel 2033, quando le aziende cercheranno senior developer che capiscano a fondo come i sistemi si rompono, chi avranno formato per quel ruolo?