I diversi utilizzi dell’intelligenza artificiale nell’API lifecycle

Negli ultimi anni, l’intelligenza artificiale è diventata un’opportunità concreta per le imprese, e non è un caso che i dati italiani più recenti, relativi a tutto il 2023, sottolineino una crescita del mercato addirittura del 52% rispetto all’anno precedente (Osservatorio PoliMI). In questo articolo, esploriamo l’impatto dell’intelligenza artificiale sull’API Lifecycle, focalizzandoci sul ruolo fondamentale che le API rivestono nella creazione di architetture software scalabili, sicure e interconnesse.

L’AI potenzia il business e l’IT

L’AI migliora il business e la competitività d’impresa, ma ha un impatto centrale anche nell’ambito dell’ecosistema informativo aziendale, dalle infrastrutture alla realizzazione e alla gestione delle applicazioni. L’AI generativa, in particolare, ha dato il via a una vera a propria rivoluzione: secondo il Technology Report 2024 di Bain & Company, infatti, soluzioni basate sull’AI generativa possono ridurre i tempi di sviluppo del software fino al 15% automatizzando parte della scrittura del codice, ma possono anche generare un risparmio di tempo tra il 15% e il 30% nei processi di software engineering.

In questa sede ci concentriamo sull’impatto che l’intelligenza artificiale sta avendo nell’API Lifecycle, traendo spunto dal ruolo chiave che le API hanno assunto per la creazione di architetture software flessibili, scalabili, sicure e interconnesse, in un contesto in cui le applicazioni sono un pilastro della competitività d’impresa. Non c’è dubbio che l’AI, anche nella sua variante generativa, offra un potenziale rivoluzionario nel modo in cui le API vengono progettate, sviluppate, testate e gestite.

Il ruolo dell’intelligenza artificiale nell’API lifecycle

Come anticipato, viviamo un’era in cui le promesse dell’AI si stanno concretizzando. Il suo ruolo nell’API lifecycle non è più qualcosa di ipotetico, possibile o teorico, ma è reale ed effettivo.

L’intelligenza artificiale sta già permeando l’intero ciclo di vita delle API, dalla fase iniziale di definizione e di progettazione (design), passando per la generazione di mock API, per il linting automatico del codice, la configurazione degli API gateway, il monitoraggio delle performance e il security testing.

Per esempio, in fase di design le soluzioni basate su AI aiutano i professionisti a definire aspetti tecnici determinanti come la struttura degli endpoint, le convenzioni sintattiche e i modelli di dati, ma il loro supporto si sta estendendo rapidamente alla scrittura di documentazione chiara (e praticamente sempre corretta) per ogni endpoint, utilizzando dei modelli addestrati per descrivere funzioni in modo accessibile agli sviluppatori, con tanto di esempi di chiamate e di risposte. L’automazione AI-based sta inoltre coinvolgendo gli ambiti della sicurezza e dell’API testing, aumentando l’efficienza, l’efficacia e abbattendo gli sprechi di risorse. Non a caso, l’AI è (o può diventare) un pilastro fondamentale del paradigma APIOps, che mira a orchestrare l’intero ciclo di vita delle API, favorendo la collaborazione tra i team e automatizzando il più possibile le attività, per migliorare l’efficienza complessiva del processo.

AI come arma potente a supporto degli sviluppatori

Da quando l’AI generativa è un trend di rilevanza mondiale (fine 2022), il rapporto tra l’automazione AI-based e lo sviluppo di codice è diventato molto stretto. Nell’ultimo anno, anche nell’ambito dell’API lifecycle si è diffusa l’adozione di tecniche di prompting per supportare attività come la generazione, la correzione e il testing del codice. Questo approccio ha permesso di raggiungere livelli di produttività e di efficienza nettamente superiori rispetto ai metodi manuali “from scratch” di tipo tradizionale, accelerando così processi complessi e accelerando le fasi di sviluppo e debug. Con in più i classici effetti della digitalizzazione: l’abbattimento degli errori, l’accelerazione del time-to-market, nonché la riduzione al minimo delle procedure ripetitive.

Non dimentichiamo, inoltre, che l’API lifecycle presenta delle insidie del tutto peculiari dovute, ad esempio, all’impiego di molteplici linguaggi diversi da parte degli specifici tool (come Postman, Spectral, Insomnia…) che presidiano le varie fasi e le attività del ciclo di vita stesso. Per quanto concerne i linguaggi, possiamo citare per esempio OpenAPI per la definizione delle API, Spectral Rules per l’API linting, o Kong Declarative per la configurazione dell’API gateway (di Kong API management).

In questo contesto, l’intelligenza artificiale ha assunto un valore straordinario poiché è già in grado di comprendere, utilizzare e scrivere codice per questi specifici linguaggi, standard oppure open, creando un tessuto connettivo tra di loro e sollevando (almeno parzialmente) gli sviluppatori dalla necessità di conoscerli tutti in modo approfondito. Questo consente loro di dedicare tempo ad aspetti più strategici e creativi dell’intero processo di sviluppo (come, ad esempio, la scrittura dei test).

La “trasversalità” dell’intelligenza artificiale non solo riduce i tempi e abbatte gli errori, ma favorisce anche la collaborazione tra competenze eterogenee e apre le porte a soluzioni sempre più innovative attraverso la redistribuzione dell’effort tra attività che altrimenti sarebbero state impossibili e da cui ottenere risultati di business tangibili e dal valore più elevato.