Docusign trasforma l'adozione AI in un operating model

Ogni mattina alcuni ingegneri di Docusign trovano una pull request già pronta: nella notte un agente ha cercato errori nei log e proposto i fix. Krew orchestra il flusso, Chronicle fornisce la telemetria, Kody genera il codice, l’ingegnere rivede la modifica¹.

Questo scenario nasce da un punto morto. A giugno 2025 l’uso attivo degli strumenti di coding AI si era fermato al 49%, con un miglioramento della produttività del 18% che non cresceva più. Oggi Docusign afferma che tutti i suoi oltre 1.100 ingegneri sono onboardati e li usano attivamente. Il CTO Sagnik Nandy avverte che farli usare è solo l’inizio: “C’è una grande differenza tra cercare qualche vittoria e farlo in modo costante e corretto”¹.

L’azienda ha cambiato metodo. Ha smesso di trattare l’AI come un insieme di tool separati. Ha iniziato a misurare e introdurre l’AI attraverso agenti riutilizzabili e workflow automatici, con contesto interno e guardrail chiari¹.

La spinta è partita da un team centrale di sei persone, gli Eng AI Champions. Il mandato: definire guardrail, condividere pratiche, tenere workshop. Con questo supporto l’adozione ha raggiunto il 65% a ottobre 2025. Poi Docusign ha inserito circa 75 AI Multipliers nei team. Il loro compito: distribuire soluzioni nelle squadre e riportare feedback al gruppo centrale. In due mesi l’uso attivo è salito al 93%. Le linee di codice aggiornate per sviluppatore sono cresciute del 52% rispetto al punto di partenza. L’azienda precisa che questo dato non prova da solo un guadagno equivalente in velocità di delivery o qualità del software¹.

Per accelerare, gli assistenti dovevano “parlare Docusign”. Serviva accesso a repository, architettura, telemetria e pratiche interne. “I nostri agenti, scherziamo, parlano Docusign”, dice Nandy. Conoscono quali strumenti interni consultare, i guardrail di coding, le scelte di sistema e dove trovare le informazioni per disambiguare. Gli strumenti citati: Kody per il coding specifico, Chronicle per osservabilità e indagini sugli incidenti, DocuWiki per documentazione consapevole del codice. L’ingegneria descrive anche un tool di code review assistita per intercettare possibili problemi architetturali e di sicurezza durante la revisione¹.

Krew mette insieme queste capacità. La piattaforma consente di costruire agenti, i Krewmates, per attività ricorrenti e workflow più complessi. Gli Eng AI Champions e i Multipliers hanno mappato i flussi end-to-end, poi li hanno migliorati con agenti che coinvolgono le persone quando serve¹.

I casi d’uso danno la misura del cambio. Nell’esempio dei file di configurazione infrastrutturale, un agente guidato da un commit di esempio ha modificato correttamente 10 file su 12 in circa 15 minuti. Prima serviva circa una settimana di lavoro a un ingegnere. Due file richiedevano ancora correzione. Il cambiamento non era finito e approvato in 15 minuti¹.

Docusign ha puntato sulla riusabilità. Su Krew tutti possono scoprire, copiare ed estendere i Krewmates connessi ai sistemi interni. La visibilità d’uso fa emergere gli agenti più efficaci. “Se qualcosa è buono, puoi provare a insegnarlo a 1.000 altre persone, oppure rendere facile a 1.000 altre persone ereditarlo. E noi abbiamo scelto la seconda via”¹.

La tenuta del modello richiede manutenzione degli strumenti condivisi, documentazione aggiornata e canali di feedback attivi verso i team che li migliorano. Nandy segnala un rischio comune: “Molti programmi di AI iniziano bene e poi si spengono”. Per Docusign, un flusso ricco di informazioni e azioni sul feedback ha evitato questo esito. Resta la sfida di misurare l’impatto oltre il volume di codice e di mantenere agenti e workflow allineati all’evoluzione dei sistemi interni¹.