Come gestire i ticket degli agenti IA: criteri e revisione

Se la persona che ha chiesto una pull request a un agente IA è anche quella che la approva, quell'approvazione non conta: lo dicono le regole di GitHub, e Atipol applica la stessa separazione nel proprio flusso di ticket. Ogni ticket richiede anche criteri di accettazione scritti prima che l'agente parta, più una cronologia di decisioni registrata e consultabile, per verificare la consegna rispetto a un obiettivo fissato in anticipo, non dopo i fatti.
Gli agenti consegnano in fretta, ma nessuno può dire cosa è stato approvato
Un CTO che assegna lavoro ad agenti IA ottiene di solito un risultato rapidamente. La domanda più difficile arriva dopo: cosa esattamente è stato chiesto all'agente di fare, chi ha verificato la consegna rispetto a quella richiesta, e chi ha dato il via libera prima che fosse fusa o rilasciata. Senza un ticket che registra un obiettivo, un revisore e una decisione, la velocità crea una traccia che nessuno può seguire sei settimane dopo quando qualcosa si rompe.
Questo è un vuoto di processo, non un problema di qualità del modello. Un agente rapido che lavora da un brief non scritto e viene approvato senza esame dalla stessa persona che lo ha richiesto produce un risultato altrettanto velocemente di uno che lavora da un ticket chiaro. La differenza emerge solo durante una revisione di incidente, un audit, o un disaccordo su cosa era stato effettivamente promesso.
Questo costo tende a emergere nel momento peggiore possibile: durante l'analisi post mortem di un incidente, una revisione di sicurezza, o un audit cliente, quando qualcuno chiede la traccia di cosa è stato chiesto all'agente e chi lo ha approvato, e la risposta onesta è che nessuna traccia del genere esiste. Il NIST AI Risk Management Framework (AI RMF 1.0, pubblicato il 26 gennaio 2023) inquadra questo come una questione di ciclo di vita piuttosto che un compito isolato: il quadro è destinato a un uso volontario per aiutare le organizzazioni a integrare considerazioni di affidabilità nella progettazione, nello sviluppo, nell'uso e nella valutazione dei sistemi di IA, non solo nel risultato di una singola esecuzione di agente.
Scrivere i criteri di accettazione prima che l'agente parta, non dopo
Un criterio di accettazione fissa, per iscritto, cosa una consegna deve soddisfare prima che l'agente venga lanciato. Fissare l'asticella dopo, una volta che il riepilogo dell'agente sul proprio lavoro è già sul tavolo, invita a valutare il lavoro rispetto a ciò che è stato consegnato piuttosto che rispetto a ciò che era stato chiesto. La regola qui è chiara: ogni ticket richiede criteri di accettazione scritti prima che l'agente venga lanciato, e un criterio che l'agente non può soddisfare deve emergere come blocco prima della revisione, non durante.
Un secondo elemento accompagna i criteri: l'ambito dei file. Riservare quali file o aree un ticket può toccare prima che l'agente parta significa che due ticket in corso non possono rivendicare lo stesso ambito, così una sovrapposizione tra due agenti viene colta al passaggio di consegna invece che scoperta dentro un conflitto di merge.
In pratica questo significa che i criteri descrivono un risultato, non un'implementazione: a quale file o modulo si applica la modifica, cosa il diff deve e non deve toccare, e il controllo specifico che deve passare. Un criterio che l'agente non può soddisfare è pensato per emergere come blocco e tornare al richiedente prima ancora che un revisore apra la pull request, piuttosto che essere scoperto durante la revisione quando il lavoro è già fatto.
Il ciclo di vita di un ticket assegnato a un agente IA
La documentazione propria di GitHub per il suo agente di codice Copilot descrive una versione concreta di questo ciclo di vita. Una volta che un'issue è assegnata all'agente, questo conferma l'assegnazione con una reazione, apre un branch dedicato e una pull request in bozza collegata all'issue, e avvia una sessione d'agente. Mentre lavora, invia commit e aggiorna il corpo della pull request con messaggi di stato. Quando ha finito, pubblica un evento di lavoro completato e richiede una revisione, che è il segnale che il ticket è passato da in corso a in attesa di una decisione umana.
La stessa documentazione aggiunge un dettaglio di risoluzione dei problemi che conta operativamente: le sessioni scadono dopo un'ora, e un agente bloccato si recupera disassegnando e riassegnando l'issue o ripubblicando il commento che ha innescato l'azione, non aspettando indefinitamente.
La documentazione di GitHub descrive diversi modi per mettere un ticket davanti all'agente: assegnare un'issue dalla scheda Issues allo stesso modo in cui la si assegnerebbe a un collega, da GitHub Projects o GitHub Mobile, tramite l'API GraphQL verificando che l'agente di codice appaia come attore suggerito e poi chiamando una mutation per assegnarlo, o da riga di comando con GitHub CLI. Qualunque percorso venga usato, l'agente riceve solo il titolo dell'issue, la descrizione, e i commenti esistenti al momento dell'assegnazione; i commenti aggiunti dopo non sono visti dall'agente, quindi le istruzioni successive devono andare sulla pull request stessa, non tornare sull'issue originale.
Le fasi in breve
Le fasi qui sotto generalizzano tra gli strumenti che assegnano ticket ad agenti IA; i nomi dei segnali differiscono per piattaforma, ma la sequenza no.
Nominare il segnale a ogni fase conta più di quanto sembri: un team che sa solo che un agente è assegnato, senza un segnale visibile per la conferma, il lavoro in corso o il completamento, finisce per interrogare l'agente invece di essere avvisato quando un ticket richiede attenzione.
| Fase | Segnale da osservare | Chi agisce dopo |
|---|---|---|
| Assegnazione | L'agente conferma il ticket | L'agente inizia il lavoro nel suo ambito riservato |
| In corso | Aggiornamenti di stato e commit arrivano sul branch del ticket | Il team può commentare per riorientare prima del completamento |
| Lavoro completato | L'agente pubblica un evento di completamento | Viene chiesto a un revisore diverso dal richiedente di controllare |
| Revisione | Il revisore verifica il diff rispetto ai criteri di accettazione | Il revisore approva o lo rimanda indietro con un blocco |
| Integrazione | I controlli vengono rieseguiti al momento del merge | La decisione e il ticket sono registrati nella cronologia |
La persona che ha chiesto il lavoro non dovrebbe essere quella che lo approva
La documentazione di GitHub sulla revisione di una pull request creata da Copilot afferma che se un repository richiede approvazioni di pull request, l'approvazione della persona che ha assegnato l'issue all'agente non conta per quel numero richiesto; un altro revisore deve approvarla prima del merge. Il materiale formativo collegato è più diretto sul perché: lo sviluppatore che ha chiesto a Copilot di creare la pull request non può approvarla, il che preserva la regola di revisione obbligatoria del repository e mantiene un controllo indipendente nel processo.
Atipol applica la stessa separazione nel proprio flusso di ticket: l'agent lead del progetto rivede ogni consegna prima di integrarla, e quella revisione deve coprire il diff reale, non solo il riepilogo che l'agente dà del proprio lavoro. L'integrazione poi rilancia i controlli del progetto invece di basarsi solo sulla revisione che l'ha preceduta, così un controllo che avrebbe colto un problema non viene saltato perché un umano ha già guardato il riepilogo.
Questa non è un'eccezione specifica di Copilot. La documentazione generale di GitHub sulle revisioni obbligatorie afferma chiaramente che gli autori di una pull request non possono approvare le proprie pull request, e che quando un ruleset o una regola di protezione del branch richiede revisioni, un'approvazione deve venire da qualcuno diverso dall'autore prima che la modifica possa essere fusa. La stessa pagina aggiunge due dettagli specifici di Copilot: le approvazioni di Copilot stesso appaiono in quel pannello dei revisori ma non contano per il numero richiesto, e la persona che ha assegnato l'issue collegata a Copilot non può approvare la pull request che ha sollevato, il che chiude la scappatoia di approvare indirettamente tramite l'agente.
La separazione dei ruoli, dall'assegnazione all'integrazione, in forma di schema:
Trasformare le decisioni sui ticket in una cronologia consultabile più tardi
L'approvazione di un revisore è utile solo finché qualcuno si ricorda che è avvenuta. Atipol conserva la cronologia di ogni ticket e delle decisioni di revisione che lo hanno convalidato, producendo una traccia di chi ha chiesto cosa e chi ha approvato cosa prima che un'azione fosse integrata. Ogni chiamata che un agente fa è collegata a un agente, un ticket e un risultato, insieme a qualsiasi approvazione concessa o negata, il che trasforma una domanda sollevata settimane dopo in qualcosa che un revisore può cercare piuttosto che qualcosa che un revisore deve ricordare.
Un log impostato dopo un incidente non aiuta a stabilire cosa è stato effettivamente letto o scritto durante quello; la traccia deve esistere prima che l'agente sia connesso, non dopo che qualcosa va storto.
Il ragionamento per costruire quel log prima di connettere un agente, piuttosto che aggiungerlo dopo che emerge un problema, è lo stesso che sta dietro allo scrivere i criteri di accettazione prima del lancio: una traccia assemblata dopo i fatti può descrivere cosa probabilmente è successo, ma non può sostituire una riga che collega una chiamata precisa all'agente che l'ha fatta, al ticket su cui stava lavorando, e all'approvazione concessa o negata in quel momento.
Quando il flusso nativo di una piattaforma resta la scelta giusta
I team il cui lavoro con agenti IA avviene interamente dentro un unico repository GitHub, con un solo agente di codice e una regola di protezione del branch già in atto, ottengono l'assegnazione, la pull request in bozza, l'evento di lavoro completato e la regola di approvazione indipendente direttamente da GitHub, come descritto sopra, senza aggiungere un altro sistema. Quel flusso nativo basta quando i criteri di accettazione vivono nella descrizione dell'issue e le regole di revisione di un'unica piattaforma sono le uniche che contano.
Il vuoto appare non appena un team fa girare più di un agente, o più di uno strumento, su un backlog condiviso: l'ambito dei file deve essere riservato tra gli strumenti, i criteri di accettazione devono essere visibili a qualunque agente prenda in carico il ticket successivo, e la cronologia delle decisioni deve coprire agenti che non toccano mai il flusso di pull request di GitHub. Quella coordinazione tra strumenti e agenti è ciò che un sistema di ticket costruito per agenti IA, come quello di Atipol, è pensato per coprire; vedere come più agenti condividono ticket e ambito dei file senza scontrarsi su atipol.ai/agentic-ai-blog/parallel-claude-code-agents.
La stessa documentazione GitHub elenca i limiti di quel flusso nativo nei propri termini: l'agente non è disponibile sui repository personali Enterprise Managed User, che devono quindi spostarsi su un repository di proprietà di un'organizzazione con runner ospitati da GitHub; una sessione che sembra bloccata può di solito essere recuperata disassegnando e riassegnando l'issue piuttosto che aspettando, poiché le sessioni scadono dopo un'ora; e le pull request dell'agente restano in bozza e non attivano automaticamente GitHub Actions, quindi un umano deve ancora approvare ed eseguire il workflow a mano. Niente di tutto ciò cambia quando un secondo agente o un secondo strumento si unisce allo stesso backlog; significa solo che il flusso nativo non è mai stato pensato per coordinarne più di uno.
Radicare questa pratica in un team
Niente di tutto ciò richiede nuovi strumenti per iniziare: un ticket con criteri di accettazione scritti, un revisore che non ha richiesto il lavoro, e una traccia della decisione coprono la maggior parte del vuoto descritto sopra. Il quadro di governance dietro quella pratica, inclusa una politica d'uso di esempio e dove la revisione umana deve collocarsi prima di un merge, è illustrato su atipol.ai/agentic-ai-blog/ai-agent-governance.
Una versione minima di questa pratica sta su un solo ticket: un criterio di accettazione scritto, un revisore nominato che non era il richiedente, e una riga in un log che registra la decisione. Tutto il resto descritto sopra, regole di protezione del branch, assegnazione pilotata da API, una pista di audit dedicata, è un modo di applicare quella versione minima su scala più ampia una volta che più agenti e più revisori sono coinvolti.
Per vedere questo flusso di ticket, revisione e cronologia applicato end to end su un team di agenti, il tour guidato su atipol.ai/tour mostra come assegnare un ticket a un agent lead, fissare criteri di accettazione, e rivedere una consegna prima che sia integrata.
Criteri di accettazione scritti prima che l'agente parta, un revisore che non ha richiesto il lavoro, e una decisione registrata che esiste prima che l'agente sia connesso.
Domande frequenti
Chi dovrebbe scrivere i criteri di accettazione per un ticket di agente IA?
Chi richiede il lavoro scrive i criteri prima che l'agente venga lanciato, poiché l'obiettivo è un traguardo rispetto al quale l'agente può essere verificato, non un riepilogo valutato dopo la consegna.
L'agente che ha completato un ticket può approvare la propria pull request?
No. Secondo la documentazione di GitHub sull'agente di codice Copilot e sulle revisioni obbligatorie in generale, un'approvazione della persona che ha assegnato l'issue non conta per le revisioni obbligatorie di un repository, e un revisore diverso deve approvare la modifica prima del merge.
Cosa dovrebbe registrare un log di audit per i ticket di agenti IA?
Ogni voce dovrebbe collegare un agente, un ticket e un risultato, insieme a qualsiasi approvazione concessa o negata, e deve esistere prima che l'agente sia connesso così da poter rispondere a domande sollevate dopo i fatti.
Fonti
- Microsoft Learn, Assigning, tracking, and troubleshooting Copilot in the cloud, aggiornato il 27/10/2026
- GitHub Docs, Reviewing a pull request created by Copilot, consultata l'11/11/2026
- GitHub Docs, Approving a pull request with required reviews, consultata l'11/11/2026
- NIST, AI Risk Management Framework (AI RMF 1.0), pubblicato il 26/01/2023
La demo pubblica mostra un'organizzazione fittizia in funzione, senza account. L'offerta gratuita include un progetto, tre agenti e un agent lead.
