# Come uso un assistente di programmazione basato sull'IA senza un'impronta eccessiva?

> Come gli sviluppatori possono sfruttare gli assistenti di programmazione con l'IA riducendo i token sprecati: modello adeguato, contesto mirato, compiti scomposti.

Source: https://greenai.guide/it/come/come-uso-un-assistente-di-programmazione-basato-sull-ia-senza-un/  
Updated: 2026-11-19

## In breve

Usi l'assistente dove ripaga chiaramente, gli fornisca un contesto mirato invece di interi repository, scelga un modello più piccolo o più veloce per le modifiche di routine e scomponga i compiti difficili in passaggi semplici che rivede. Uno studio ha rilevato che, sui compiti testati, la programmazione assistita dall'IA aveva un'impronta di carbonio circa 33 volte quella dell'approccio manuale, quindi le abitudini contano.

## Steps

1. Decida se il compito richiede l'assistente o se fa prima a scrivere il codice da sé.
2. Scelga un modello più piccolo o più veloce per i completamenti e le modifiche di routine.
3. Indirizzi l'assistente verso i file pertinenti invece che verso l'intero repository.
4. Scomponga un compito difficile in piccoli passaggi e riveda ciascuno prima di procedere.
5. Fissi limiti di passaggi o di spesa per le modalità agente e interrompa le esecuzioni che girano a vuoto.
6. Tenga traccia dell'uso dell'assistente nel Suo gruppo accanto ai costi.

**Usi l'assistente in modo deliberato, non per riflesso, e mantenga ridotto ciò che legge.** Gli assistenti di
programmazione sono utili, ma la loro energia è invisibile per chi li usa.

## Perché è importante? {#why-does-it-matter}

Cheung e colleghi hanno confrontato lo sviluppo manuale e quello assistito dall'IA su una serie di compiti di
programmazione e hanno rilevato che l'approccio assistito dall'IA aveva un'impronta di carbonio circa 33 volte quella
dell'approccio manuale, con un divario che si allargava al crescere della difficoltà dei compiti. Questo non significa
non usare mai gli assistenti; significa usarli dove fanno risparmiare tempo reale.

Le modalità agente costano ancora di più. Anthropic ha riferito che i suoi agenti usavano in genere circa quattro
volte i token di una chat, e i sistemi multi-agente circa quindici volte.

## Che cosa fa la differenza maggiore? {#what-makes-the-biggest-difference}

- **Il contesto.** Ogni file che l'assistente legge viene rielaborato a ogni turno. Apra o richiami solo i file che
  contano, e avvii una nuova sessione per un nuovo compito.
- **La scelta del modello.** Molti strumenti permettono di scegliere un modello. Uno piccolo e veloce di solito basta
  per completamenti, rinomine e codice ripetitivo; tenga quello grande per la progettazione e il debug.
- **I limiti per gli agenti.** Dia agli agenti un obiettivo chiaro, una condizione di arresto e un limite di
  passaggi. Veda [come evitare che gli agenti di IA sprechino token](/it/come/come-evito-che-gli-agenti-di-ia-sprechino-token/).
- **Piccoli passaggi con revisione.** Una persona che controlla ogni passaggio evita lunghe esecuzioni nella
  direzione sbagliata.

## Errori comuni {#common-mistakes}

- Lasciare che un agente "sistemi i test" in un ciclo senza fine.
- Rigenerare un intero file per cambiare una riga.
- Accettare codice senza controllarne l'efficienza: veda
  [come far scrivere all'IA codice efficiente dal punto di vista energetico](/it/come/come-faccio-a-far-scrivere-all-ia-codice-efficiente-dal-punto-di/).

Per il quadro generale, legga [IA agentica e spreco di token](/it/articoli/ia-agentica-e-spreco-di-token/).

## Fonti

- [Comparative analysis of carbon footprint in manual vs. LLM-assisted code development](https://doi.org/10.1145/3711919.3728678), Cheung, Kaul, Jahangirova, Mousavi and Zie, ResponsibleSE 2025 (ACM) (2025)
- [How we built our multi-agent research system](https://www.anthropic.com/engineering/multi-agent-research-system), Anthropic (2025)
- [GreenCode Constitution: agent principles for optimizing code and LLM inference energy use](https://greencode.ai/publications/greencode-constitution-agent-principles-for-optimizing-code-and-llm-inference-en/), Kapenekakis, Kim, Ionescu, Thomsen and Albano, GreenAI workshop, ECML PKDD 2026 (2026)
