Questa sicurezza, però, crolla quando il codice finisce in produzione. Il report parla di una "disconnessione strutturale" — una contraddizione diretta tra come il codice viene giudicato in fase di "pull request" e come si comporta realmente sotto i carichi di lavoro reali .

• L'81% dei leader tecnologici aziendali segnala un aumento diretto degli incidenti in produzione legati al codice generato dall'IA .
• Il 78% degli intervistati dichiara un incremento complessivo degli incidenti .
• L'86% registra un aumento del tempo che il personale senior dedica a correggere quel codice .
• Il 74% afferma che almeno il 25% del codice generato dall'IA necessita di essere rilavorato dopo il deployment .

Questa dinamica ha un nome che il report mette in luce: "vibe coding" — la pratica di generare e rilasciare codice fidandosi ciecamente dell'IA — è ormai una prassi comune, e questa fiducia non verificata sta causando una crisi in produzione .

Oltre New Relic: un problema che si allarga a tutta l'industria

New Relic non è sola a lanciare l'allarme. Altri report del 2026 dipingono lo stesso scenario:

• Il "2026 State of AI-Powered Engineering Report" di Lightrun ha rilevato che il 43% delle modifiche al codice generate dall'IA richiede un debugging manuale in produzione, anche dopo aver superato i test di QA (Quality Assurance) e di staging. Nessun singolo intervistato ha dichiarato che la propria organizzazione fosse in grado di verificare una correzione suggerita dall'IA con un solo ciclo di "redeploy"; l'88% ha affermato di aver bisogno di due o tre cicli .
• Il "2026 Engineering Report" di Faros AI ha scoperto che i bug per sviluppatore sono aumentati del 54% e che il rapporto incidenti/PR è più che triplicato. La relazione tra adozione dell'IA e qualità in produzione non si sta stabilizzando, ma peggiorando .
• Il "2026 State of Code Developer Survey" di Sonar ha rilevato che l'IA rappresenta già il 42% del codice committed, con una previsione del 65% entro il 2027 — eppure il 96% degli sviluppatori non si fida pienamente del codice IA e solo il 48% lo verifica sempre prima del commit .
• L'analisi di CodeRabbit su 470 PR open source ha mostrato che le PR generate dall'IA contengono in media circa 1,7 volte più problemi, concentrati in errori di logica, lacune nella gestione degli errori e falle di sicurezza. Al 90° percentile, le PR dell'IA presentavano 26 problemi, contro i 12,3 delle PR umane .

Il problema di fondo non è che l'IA scriva codice pessimo. È che la generazione viaggia a una velocità da 5 a 10 volte superiore a quella umana, mentre la verifica è ancora ferma a un 1x . Le pipeline di code review, progettate per ritmi umani, non riescono a tenere il passo con i volumi di output dell'IA, creando un collo di bottiglia nella verifica che lascia passare inosservata l'inaffidabilità fino alla produzione.

La risposta: New Relic AI Coding Observability

L'8 giugno 2026, New Relic ha affrontato direttamente questa disconnessione annunciando lo sviluppo di New Relic AI Coding Observability, una soluzione di observability open source progettata specificamente per lo sviluppo software assistito dall'IA . Il rilascio è previsto per il 23 giugno 2026 e sarà disponibile senza costi aggiuntivi per i clienti New Relic .

Un layer di telemetria vendor-neutral

L'architettura è fondamentale. New Relic ha deliberatamente costruito AI Coding Observability su due standard aperti: OpenTelemetry (OTel) e il Model Context Protocol (MCP) . Questo significa che i team non sono vincolati allo schema di telemetria di New Relic o a un singolo assistente di codifica IA. Qualsiasi assistente che esponga telemetria compatibile con MCP — GitHub Copilot, Cursor, Claude Code e altri — può alimentare lo stesso layer di observability . In un mercato in cui lo strumento di codifica dominante nel 2027 potrebbe non essere quello usato oggi, la neutralità rispetto al fornitore è una necessità pratica, non un lusso.

Tre capacità fondamentali

L'annuncio di New Relic delinea tre pilastri principali per AI Coding Observability :

1. Visibilità — Tracciare come vengono utilizzati gli assistenti di codifica IA durante lo sviluppo: quali strumenti, con quale frequenza e cosa producono. L'obiettivo è trasformare un uso frammentato e non monitorato dell'IA in una pratica ingegneristica governata e misurabile.
2. Controllo dei costi — Prevedere e tenere sotto controllo la spesa per la codifica IA con avvisi di budget. Questo risponde direttamente a un punto cieco segnalato dai team FinOps, che ricevono regolarmente fatture mensili opache per l'utilizzo degli strumenti di codifica IA senza capire il valore reale generato .
3. Governance — Mantenere le query e la generazione di codice sicure e verificabili, inclusa una modalità "zero-outbound" che trattiene i dati sensibili all'interno della rete aziendale .

Collegare lo sviluppo alla produzione

La scommessa strategica è sulla correlazione. AI Coding Observability è progettato per normalizzare la telemetria tra i vari assistenti di codifica IA e correlarla senza soluzione di continuità con l'infrastruttura di produzione esistente . L'idea è quella di creare un pannello di controllo unificato dove i team possano tracciare una modifica generata dall'IA dall'IDE (Integrated Development Environment) fino al deployment in produzione, per poi verificare se quella modifica è correlata a un picco di incidenti ore o giorni dopo.

Perché questo segna un punto di svolta per la leadership ingegneristica

I CTO hanno trascorso il 2024-2025 concentrandosi sull'adozione e sui guadagni di produttività offerti dagli assistenti di codifica IA. I dati di New Relic, Lightrun, Faros, Sonar e altri rendono evidente che la prossima fase deve concentrarsi su verifica, affidabilità e responsabilità dei costi.

Il tasso di fiducia del 94% durante la revisione del codice non è intrinsecamente sbagliato — l'IA spesso produce codice pulito, leggibile e sintatticamente corretto che supera l'analisi statica. La modalità di fallimento è ambientale: il codice generato dall'IA funziona bene nella ristretta sandbox di una pull request, ma si rompe contro la complessità dei dati di produzione, il comportamento reale degli utenti e le interazioni di sistema che nessuna revisione del codice può simulare completamente. Senza un'observability che copra entrambe le fasi, le organizzazioni stanno giudicando con un metro che la produzione si rifiuta di riconoscere.

AI Coding Observability di New Relic rappresenta un tentativo diretto di chiudere questo cerchio, spostando l'industria dal "fidarsi della revisione" al "verificare in produzione".

Questa sicurezza, però, crolla quando il codice finisce in produzione. Il report parla di una "disconnessione strutturale" — una contraddizione diretta tra come il codice viene giudicato in fase di "pull request" e come si comporta realmente sotto i carichi di lavoro reali .

• L'81% dei leader tecnologici aziendali segnala un aumento diretto degli incidenti in produzione legati al codice generato dall'IA .
• Il 78% degli intervistati dichiara un incremento complessivo degli incidenti .
• L'86% registra un aumento del tempo che il personale senior dedica a correggere quel codice .
• Il 74% afferma che almeno il 25% del codice generato dall'IA necessita di essere rilavorato dopo il deployment .

Questa dinamica ha un nome che il report mette in luce: "vibe coding" — la pratica di generare e rilasciare codice fidandosi ciecamente dell'IA — è ormai una prassi comune, e questa fiducia non verificata sta causando una crisi in produzione .

Oltre New Relic: un problema che si allarga a tutta l'industria

New Relic non è sola a lanciare l'allarme. Altri report del 2026 dipingono lo stesso scenario:

• Il "2026 State of AI-Powered Engineering Report" di Lightrun ha rilevato che il 43% delle modifiche al codice generate dall'IA richiede un debugging manuale in produzione, anche dopo aver superato i test di QA (Quality Assurance) e di staging. Nessun singolo intervistato ha dichiarato che la propria organizzazione fosse in grado di verificare una correzione suggerita dall'IA con un solo ciclo di "redeploy"; l'88% ha affermato di aver bisogno di due o tre cicli .
• Il "2026 Engineering Report" di Faros AI ha scoperto che i bug per sviluppatore sono aumentati del 54% e che il rapporto incidenti/PR è più che triplicato. La relazione tra adozione dell'IA e qualità in produzione non si sta stabilizzando, ma peggiorando .
• Il "2026 State of Code Developer Survey" di Sonar ha rilevato che l'IA rappresenta già il 42% del codice committed, con una previsione del 65% entro il 2027 — eppure il 96% degli sviluppatori non si fida pienamente del codice IA e solo il 48% lo verifica sempre prima del commit .
• L'analisi di CodeRabbit su 470 PR open source ha mostrato che le PR generate dall'IA contengono in media circa 1,7 volte più problemi, concentrati in errori di logica, lacune nella gestione degli errori e falle di sicurezza. Al 90° percentile, le PR dell'IA presentavano 26 problemi, contro i 12,3 delle PR umane .

Il problema di fondo non è che l'IA scriva codice pessimo. È che la generazione viaggia a una velocità da 5 a 10 volte superiore a quella umana, mentre la verifica è ancora ferma a un 1x . Le pipeline di code review, progettate per ritmi umani, non riescono a tenere il passo con i volumi di output dell'IA, creando un collo di bottiglia nella verifica che lascia passare inosservata l'inaffidabilità fino alla produzione.

La risposta: New Relic AI Coding Observability

L'8 giugno 2026, New Relic ha affrontato direttamente questa disconnessione annunciando lo sviluppo di New Relic AI Coding Observability, una soluzione di observability open source progettata specificamente per lo sviluppo software assistito dall'IA . Il rilascio è previsto per il 23 giugno 2026 e sarà disponibile senza costi aggiuntivi per i clienti New Relic .

Un layer di telemetria vendor-neutral

L'architettura è fondamentale. New Relic ha deliberatamente costruito AI Coding Observability su due standard aperti: OpenTelemetry (OTel) e il Model Context Protocol (MCP) . Questo significa che i team non sono vincolati allo schema di telemetria di New Relic o a un singolo assistente di codifica IA. Qualsiasi assistente che esponga telemetria compatibile con MCP — GitHub Copilot, Cursor, Claude Code e altri — può alimentare lo stesso layer di observability . In un mercato in cui lo strumento di codifica dominante nel 2027 potrebbe non essere quello usato oggi, la neutralità rispetto al fornitore è una necessità pratica, non un lusso.

Tre capacità fondamentali

L'annuncio di New Relic delinea tre pilastri principali per AI Coding Observability :

1. Visibilità — Tracciare come vengono utilizzati gli assistenti di codifica IA durante lo sviluppo: quali strumenti, con quale frequenza e cosa producono. L'obiettivo è trasformare un uso frammentato e non monitorato dell'IA in una pratica ingegneristica governata e misurabile.
2. Controllo dei costi — Prevedere e tenere sotto controllo la spesa per la codifica IA con avvisi di budget. Questo risponde direttamente a un punto cieco segnalato dai team FinOps, che ricevono regolarmente fatture mensili opache per l'utilizzo degli strumenti di codifica IA senza capire il valore reale generato .
3. Governance — Mantenere le query e la generazione di codice sicure e verificabili, inclusa una modalità "zero-outbound" che trattiene i dati sensibili all'interno della rete aziendale .

Collegare lo sviluppo alla produzione

La scommessa strategica è sulla correlazione. AI Coding Observability è progettato per normalizzare la telemetria tra i vari assistenti di codifica IA e correlarla senza soluzione di continuità con l'infrastruttura di produzione esistente . L'idea è quella di creare un pannello di controllo unificato dove i team possano tracciare una modifica generata dall'IA dall'IDE (Integrated Development Environment) fino al deployment in produzione, per poi verificare se quella modifica è correlata a un picco di incidenti ore o giorni dopo.

Perché questo segna un punto di svolta per la leadership ingegneristica

I CTO hanno trascorso il 2024-2025 concentrandosi sull'adozione e sui guadagni di produttività offerti dagli assistenti di codifica IA. I dati di New Relic, Lightrun, Faros, Sonar e altri rendono evidente che la prossima fase deve concentrarsi su verifica, affidabilità e responsabilità dei costi.

Il tasso di fiducia del 94% durante la revisione del codice non è intrinsecamente sbagliato — l'IA spesso produce codice pulito, leggibile e sintatticamente corretto che supera l'analisi statica. La modalità di fallimento è ambientale: il codice generato dall'IA funziona bene nella ristretta sandbox di una pull request, ma si rompe contro la complessità dei dati di produzione, il comportamento reale degli utenti e le interazioni di sistema che nessuna revisione del codice può simulare completamente. Senza un'observability che copra entrambe le fasi, le organizzazioni stanno giudicando con un metro che la produzione si rifiuta di riconoscere.

AI Coding Observability di New Relic rappresenta un tentativo diretto di chiudere questo cerchio, spostando l'industria dal "fidarsi della revisione" al "verificare in produzione".