L’adozione di piattaforme low-code e no-code sta modificando il modo in cui i sistemi informativi vengono progettati e realizzati.
Si tratta di un nuovo paradigma che sta trasformando lo sviluppo di applicazioni software in qualcosa che richiede molta meno codifica manuale, utilizzando approcci di programmazione visiva supportati da interfacce utente grafiche (GUI) e progetti basati su modelli, in genere supportati da piattaforme tecnologiche[1].
Indice degli argomenti
Perché i requisiti software nel low-code diventano il vero asset
Le GUI e i componenti predefiniti possono essere facilmente combinati in soluzioni complete richiedendo agli utenti di fornire input nei campi dati, negli elementi dell’interfaccia utente e nella logica aziendale.
Questi ambienti non solo riducono la quantità di sviluppo manuale attraverso componenti riusabili, interfacce grafiche e logiche configurabili, rendendo possibile consegnare applicazioni e workflow in tempi più brevi e con team più piccoli, ma supportano l’utente anche nella comprensione delle attività.
In parallelo, la Generative AI sta entrando nel ciclo di vita dello sviluppo non come semplice strumento di produttività, ma come supporto potenziale alla definizione e alla trasformazione dei requisiti in artefatti progettuali e implementativi.
L’effetto combinato è dirompente: se una parte della produzione tecnica può essere ridotta in termini di costi e tempi, la qualità e la sostenibilità dei sistemi dipendono sempre di più dalla capacità di definire correttamente ciò che il sistema deve fare. In altri termini, una quota crescente di valore si sposta dalla scrittura del codice alla formulazione di specifiche chiare, coerenti e verificabili, nonché a concentrare l’attenzione sull’obiettivo del sistema da sviluppare.
Perché i requisiti software nel low-code diventano il vero asset
Nei sistemi low-code la complessità non scompare, ma cambia forma. Il lavoro si concentra sulla definizione del modello informativo, sulla configurazione dell’interfaccia, sull’implementazione delle regole di business, sull’integrazione di servizi esterni, sui test e sul rilascio.
Questo è esplicitato nel modello di ciclo di vita che descrive come i requisiti raccolti vengano trasformati in data model, flussi applicativi e logiche, fino alle fasi di integrazione e testing[2].
Dove si sposta la complessità nei sistemi low-code
In questo contesto, la Generative AI viene spesso proposta come acceleratore trasversale, in particolare a supporto della fase di modellazione dati, identificando concetti e attributi e producendo un modello preliminare, che tuttavia deve essere validato manualmente.
È però importante osservare che è sempre necessaria una fase di validazione umana, poiché alcune attività non possono essere affidate interamente al sistema generativo.
AI generativa e modellazione dati: accelerazione e limiti
Inoltre, nella modellazione dati viene spesso segnalato un limite importante: i modelli generati tendono a seguire regole formali in modo meccanico e non sempre portano a un data model valido nel contesto applicativo, richiedendo competenze specialistiche per essere corretti.
Competenze chiave: requisiti software nel low-code e validazione
Il cambiamento principale riguarda la centralità di una competenza che si può definire come la capacità di estrarre i requisiti, ovvero di trasformare bisogni e processi organizzativi in descrizioni operative, in modelli coerenti e in criteri di verifica.
In un ambiente low-code, dove la costruzione è spesso rapida, l’ambiguità nei requisiti genera facilmente incoerenze tra dati, interfacce e logiche di processo.
Ambiguità, vincoli impliciti ed eccezioni di dominio
Con la Generative AI, l’effetto può amplificarsi: l’output appare spesso plausibile e ben formato, ma può essere scorretto rispetto a vincoli impliciti, eccezioni o regole di dominio.
La specifica non coincide con documentazione estesa, ma con la capacità di produrre requisiti completi e verificabili, collegati a test e validazione.
Tuttavia, con il miglioramento dei modelli di Generative AI, non si esclude che in un prossimo futuro questi siano in grado di identificare e stabilire formalmente i requisiti software analizzando descrizioni testuali dei problemi che devono essere affrontati o garantendo dialoghi attivi con le parti interessate del processo[3].
Un’indicazione utile arriva dai contesti work-integrated learning, dove l’esito atteso è la consegna di un’applicazione funzionante che soddisfi i requisiti e sia priva di errori.
In tali contesti, la didattica include esplicitamente attività come raccolta di requisiti, metodi di sviluppo dei sistemi informativi e project management, pur con un forte orientamento al prodotto e alla piattaforma.
Da qui emerge un ulteriore elemento che è la dimensione metacognitiva, che può essere definita come “il pensiero sul tuo pensiero”.
Metacognizione e autoregolazione nel processo di sviluppo
La metacognizione è composta da due componenti: conoscenza e regolazione, ed entrambe concorrono allo sviluppo di una forma di consapevolezza e controllo su se stessi durante il processo di apprendimento che consente all’utente di autoregolarsi.
In questo quadro, la capacità di pianificare, monitorare e adattare il proprio lavoro diventa parte integrante delle competenze richieste per sviluppare applicazioni di qualità.
Imprese: governance per requisiti software nel low-code e qualità
Per le imprese, low-code e Generative AI promettono di ridurre i tempi di delivery e aumentare la capacità di prototipazione e iterazione.
L’interesse è particolarmente forte nelle aree in cui i sistemi informativi supportano processi ripetitivi e intensivi di workflow, con molte variazioni e frequenti cambiamenti di requisito.
In questo scenario, la governance assume un significato più operativo rispetto al passato.
Standard minimi, responsabilità dati, auditing e manutenzione
Se una parte dello sviluppo si sposta verso team di dominio o profili non strettamente IT, diventa essenziale definire standard minimi di qualità della specifica, criteri di validazione, responsabilità su dati e autorizzazioni, oltre a pratiche di manutenzione e auditing.
Serve quindi progettare una governance diversa da quella dei sistemi informativi tradizionali.
Secondo un report di KPMG[4], per realizzare i benefici attesi, l’integrazione del low-code richiede un modello di governance e linee guida coordinate, evitando che la velocità di sviluppo produca soluzioni non allineate agli standard IT aziendali.
Il rischio dello “shadow IT” senza regole
Questa esigenza è resa evidente dai dati, dove il 68% delle imprese ha dichiarato di utilizzare o pianificare l’uso di piattaforme low-code senza aver definito regole di governance, con la conseguente possibilità che senza un presidio adeguato i progetti rischiano di non produrre risultati tangibili e con evidenti probabilità di fallire.
Pubblica amministrazione: requisiti software nel low-code tra compliance e accountability
La Pubblica Amministrazione (PA) rappresenta un contesto in cui l’adozione di low-code può incidere direttamente sulla qualità e tempestività dei servizi, ma in cui l’accelerazione deve essere compatibile con vincoli che, rispetto al settore privato, sono strutturali: trasparenza dell’azione amministrativa, tracciabilità, protezione del dato e capacità di dimostrare conformità.
Le piattaforme low-code sono rilevanti per le PA perché permettono di ridurre i tempi di sviluppo e rendere più reattivi i servizi alle variazioni di policy, mantenendo al tempo stesso meccanismi di audit e governance necessari alla responsabilità pubblica.
Un aspetto particolarmente interessante per il settore pubblico è la connessione tra architettura e governance.
Il ruolo centrale è rappresentato da un’impostazione metadata-driven[5], dove la configurazione applicativa (oggetti, campi, regole, workflow, componenti di interfaccia) viene gestita principalmente da metadati, rendendo più naturale l’applicazione di pratiche di change management e la produzione di evidenze (audit trail, cronologie di modifica, deployment tra ambienti) richieste in contesti regolati.
Metadata-driven, audit trail e change management
Sul fronte dell’interoperabilità, è di fondamentale importanza una capacità di integrazione che preservi la continuità con sistemi legacy, combinando modernizzazione progressiva e architetture API-oriented.
Questo consente di evitare che la rapidità del low-code produca nuove “isole” applicative.
Interoperabilità e legacy: API-oriented per evitare nuove isole
Infine, la qualità del servizio pubblico digitale non dipende solo dalla velocità di rilascio, ma anche dalla capacità di costruire soluzioni verificabili.
Resta quindi centrale la sostenibilità organizzativa: il low-code abilita il coinvolgimento di figure di dominio nella costruzione delle soluzioni, ma richiede capacità interne, in particolare su gestione delle modifiche, controlli, audit e protezione dei dati.
Nel settore pubblico, dove la responsabilità è anche istituzionale, questa capacità interna è la condizione per mantenere nel tempo servizi rapidi, conformi e affidabili, evitando che le soluzioni sviluppate rapidamente diventino difficili da governare nel medio-lungo periodo.
Protezione dati e dimostrabilità della conformità
Università: requisiti software nel low-code e progettazione end-to-end
Università: ridefinizione degli obiettivi formativi tra progettazione end-to-end e nuove competenze
Per l’università, la questione non è sostituire i corsi di programmazione con corsi di low-code, ma riconoscere che, nei sistemi informativi contemporanei, la capacità di descrivere e governare requisiti, dati, regole, integrazioni e test è una competenza sempre più centrale.
Le esperienze didattiche mostrano che il low-code può offrire contesti vicini alla pratica reale, orientati alla consegna di un prodotto funzionante e alla gestione di requisiti di un committente, con autonomia progressiva degli studenti[6].
In questa impostazione, le competenze di specifica e validazione non sono astratte, ma diventano la condizione per consegnare un artefatto valutabile secondo criteri come completezza dei requisiti e qualità dell’interfaccia, dimostrando come il modello informativo e le scelte sui dati siano parte essenziale del sistema, non un dettaglio implementativo.
Didattica orientata al prodotto e gestione del committente
Sul versante dell’accessibilità[7], la letteratura sui no-code sottolinea come questi strumenti riducono la barriera di ingresso per utenti con poca o nessuna esperienza di programmazione, favorendo prototipazione rapida e sperimentazione.
Questo può supportare percorsi interdisciplinari, ma rafforza la necessità di concentrare gli sforzi sull’estrazione dei requisiti come competenza disciplinare, sostenendo inoltre la democratizzazione dell’AI tramite strumenti low/no-code.
Note
[1] Al Alamin, M. A., Malakar, S., Uddin, G., Afroz, S., Haider, T. B., & Iqbal, A. (2021). An empirical study of developer discussions on low-code software development challenges. In 2021 IEEE/ACM 18th International Conference on Mining Software Repositories (MSR) (pp. 46–57). https://doi.org/10.1109/MSR52588.2021.00018
[2] Martins, J., Branco, F., & Mamede, H. (2023). Combining low-code development with ChatGPT to novel no-code approaches: a focus-group study. Intelligent Systems with Applications, 20, 200289.
[3] Tiwari, A., Khandwe, A., Saha, S., Ramnani, R., Maitra, A., & Sengupta, S. (2023). Towards personalized persuasive dialogue generation for adversarial task oriented dialogue setting. Expert Systems with Applications, 213, Article 118775. https://doi. org/10.1016/j.eswa.2022.118775
[4] https://assets.kpmg.com/content/dam/kpmg/cy/pdf/KPMG_Shaping%20digital%20transformation%20with%20low-code%20platforms_BF_sec_cy.pdf
[5] Madhusudhan, P. K. D. (2025). The Evolution of Low-Code Architecture in Salesforce for the Public Sector. Journal Of Multidisciplinary, 5(8), 211-218.
[6] Matook, S., Maggie Wang, Y., Koeppel, N., & Guerin, S. (2024). Metacognitive skills in low-code app development: Work-integrated learning in information systems development. Journal of Information Technology, 39(1), 41-70.
[7] Sońta, M., & Przegalinska, A. (2024). Say ‘yes’ to ‘no-code’solutions: how to teach low-code and no-code competencies to non-IT students. In Handbook of Social Computing (pp. 330-342). Edward Elgar Publishing.
