Tradotto dall'originale inglese. Dati e fonti restano invariati. Leggi l'originale in inglese
La revisione del codice multi-agente di LinkedIn: il 63,9% dei suggerimenti campionati accettato dagli sviluppatori
LinkedIn ha creato un revisore di codice basato su IA che esegue più modelli di IA in parallelo su ogni pull request e applica regole specifiche di ciascun team. Nell’agosto 2026 ha riferito un tasso di accettazione complessivo del 63,9% su un campione di una settimana, con oltre 79.000 revisioni a settimana.
Dati chiave
Copiati esattamente dalle fonti. Copiate qualsiasi dato insieme alla sua citazione.
63,9%
Tasso di accettazione complessivo dei commenti del revisore di IA su pull request campionate (1.727 PR, 5.230 commenti campionati, una finestra di 7 giorni)1
58,1%
Tasso di accettazione dei suggerimenti di correzione di bug, la categoria con il volume più alto1
80%
Tasso di accettazione dei suggerimenti sugli errori di logica1
43,5%
Tasso di accettazione dei suggerimenti di refactoring1
Cosa è servito
Le fonti non rendono noti costi, dimensioni del team e tempi.
Il problema
La revisione del codice è un collo di bottiglia nella consegna del software. LinkedIn ha più di 10.000 repository di codice attivi e decine di migliaia di pull request (modifiche di codice proposte) ogni settimana. Gli strumenti di programmazione con IA aggiungevano più codice per sviluppatore, e l’attesa per una prima revisione umana cresceva. I revisori di IA generici producevano commenti che non tenevano conto delle convenzioni di ciascun team, e i commenti rumorosi insegnano agli sviluppatori a ignorare lo strumento.
Cosa hanno costruito
Un revisore multi-agente. Un orchestratore invia ogni pull request contemporaneamente a più sottoagenti di revisione. Ogni sottoagente è un abbinamento diverso di un modello di IA e degli strumenti che lo circondano. L’orchestratore raccoglie i loro riscontri, elimina i duplicati, li verifica e pubblica un’unica revisione. LinkedIn ha confrontato questa soluzione con i prodotti di revisione ospitati dei fornitori di modelli e ha scelto di costruire il proprio. Ha indicato tre limiti: ciascuno porta con sé i punti ciechi del proprio modello, un solo file di regole non può esprimere insieme gli standard aziendali e quelli dei singoli repository, e un prodotto acquistato non può essere provato prima su pochi repository né monitorato sull’intera flotta.
Come ci sono riusciti
I riscontri sollevati in modo indipendente da più sottoagenti sono trattati come ad alta affidabilità. Un riscontro sollevato da uno solo viene verificato prima della pubblicazione. Un quadro di regole a tre livelli permette all’azienda, ai gruppi di team e ai singoli repository di aggiungere indicazioni di revisione, e le combina per ogni modifica. Il sistema funziona su eventi GitHub e su un insieme di macchine di lavoro su Kubernetes. Ogni macchina gestisce fino a 12 pull request in parallelo. LinkedIn lo gestisce con reperibilità tramite avvisi, monitoraggio di velocità e accettazione, rilasci graduali e un’alternativa quando un fornitore di modelli peggiora.
La qualità è verificata in due modi. Prima che una modifica a un prompt o a un modello sia rilasciata, deve battere o eguagliare la versione attuale in un confronto diretto alla cieca valutato da un giudice di IA. Dopo il rilascio, un controllo automatico confronta ogni suggerimento con il codice infine unito, per vedere se gli sviluppatori lo hanno seguito.
Risultati
LinkedIn riferisce un tasso di accettazione complessivo del 63,9% su un campione di 1.727 pull request e 5.230 commenti in sette giorni. Per categoria, gli errori di logica hanno raggiunto l’80% e le correzioni di bug il 58,1%, mentre refactoring (43,5%) e sicurezza (40,6%) sono risultati più bassi. LinkedIn legge i valori più bassi come segno che queste aree sono più soggettive. Riferisce che in una settimana tipica il sistema completa oltre 79.000 revisioni su più di 40.000 pull request in oltre 7.500 repository, con un tasso di completamento delle attività del 99,1%. Riferisce inoltre che la maggior parte delle revisioni si conclude in meno di 10 minuti e che la revisione di IA di norma arriva prima che un revisore umano apra la modifica. L’accettazione variava dallo 0% al 100% tra i singoli repository. LinkedIn dice che molti ingegneri ora attendono la revisione di IA prima di chiedere a un collega, e che la revisione umana resta obbligatoria su ogni modifica.
Tutti i dati dichiarati
| Indicatore | Dato | Citazione |
|---|---|---|
| Tasso di accettazione complessivo dei commenti del revisore di IA su pull request campionate (1.727 PR, 5.230 commenti campionati, una finestra di 7 giorni) | 63,9%1 | |
| Tasso di accettazione dei suggerimenti di correzione di bug, la categoria con il volume più alto | 58,1%1 | |
| Tasso di accettazione dei suggerimenti sugli errori di logica | 80%1 | |
| Tasso di accettazione dei suggerimenti di refactoring | 43,5%1 | |
| Tasso di accettazione dei suggerimenti di sicurezza | 40,6%1 | |
| Tasso di completamento delle attività in una settimana tipica | 99,1%1 | |
| Tempo in cui la maggior parte delle revisioni si conclude, da capo a capo | meno di 10 minuti1 |
Lezioni per il vostro progetto
Misurare se le persone agiscono sui risultati dell’IA, non se li apprezzano. LinkedIn ha scartato i pollici alzati come metrica di facciata e ha controllato il codice unito per vedere quali suggerimenti erano stati adottati.
Non affidarsi a un solo modello. LinkedIn esegue su ogni modifica più abbinamenti di modello e strumento e si fida dei riscontri che più di uno di essi solleva in modo indipendente.
Lasciare che ogni team codifichi i propri standard. Un servizio di pagamenti e un esperimento di front-end richiedono regole di revisione diverse, e l’accettazione variava dallo 0% al 100% tra i repository.
La velocità decide la fiducia. Il revisore è progettato per pubblicare prima che il revisore umano apra la modifica, perché una revisione di IA tardiva è trattata come rumore.
Gestire il sistema come qualsiasi servizio critico: personale di reperibilità, monitoraggio, rilasci graduali delle modifiche a prompt e modelli e un’alternativa quando un fornitore di modelli rallenta.
Avvertenze
- Tutte le cifre sono di LinkedIn stessa, tratte da un solo articolo del suo blog tecnico (InfoQ riassume lo stesso articolo e non aggiunge dati indipendenti), e riguardano un unico campione di 7 giorni. L’accettazione è stata giudicata da un valutatore basato su IA che confrontava i suggerimenti con il codice unito; l’articolo dice che il 90,1% dei giudizi è stato classificato come ad alta affidabilità.
- L’articolo non dice quali modelli o fornitori usi il revisore. Descrive più abbinamenti diversi di modello e strumento. Il fornitore è indicato come non dichiarato.
- Il tasso di accettazione non è un tasso di accuratezza. LinkedIn dice che il 37% circa non adottato non è fatto interamente di errori dell’IA, e che ogni modifica riceve comunque una revisione umana.
- Nessuna fonte indica una data di avvio. L’anno di rilascio (2026) è ricavato dalla data dell’articolo di LinkedIn, e il sistema potrebbe essere partito prima: l’articolo descrive l’arretrato di revisioni come in crescita nel quarto trimestre 2025 e rimanda a un annuncio aziendale precedente.
- L’articolo afferma che il sistema è stato adottato da circa 10.000 repository, mentre la sua cifra settimanale riguarda oltre 7.500 repository. Mostriamo la cifra settimanale come scala.
- Non è indicato alcun costo né la dimensione del team per la realizzazione. L’articolo ringrazia nei riconoscimenti 14 membri del team citati per nome e un responsabile, senza dire quanto tempo abbia richiesto.
Fonti
- High-signal AI code review that adapts to your codebase at scale
LinkedIn Engineering Blog · 2026-08-13 · Blog aziendale · linkedin.com
- AI Code Review at Scale: LinkedIn's Multi-Agent Approach
InfoQ · 2026-08-22 · Notizia · infoq.com
Riassunto con parole nostre a partire dalle fonti sopra indicate. Avete notato un errore? Consultate le rettifiche.