L’AI Generativa ha cambiato il modo in cui si costruisce software: mockup in pochi minuti, prototipi funzionanti in poche ore, codice prodotto in tempi molto più brevi. L’AI abbassa la soglia per realizzare, esplorare e provare soluzioni che prima richiedevano più tempo, più competenze o più risorse.
Questa trasformazione cambia anche il lavoro di chi progetta e sviluppa prodotti. Le alternative aumentano e si amplia lo spazio delle opportunità. È possibile esplorare più idee, sviluppare più varianti e verificare ipotesi di mercato con maggiore frequenza.
Più opportunità significano anche più decisioni da prendere: cosa esplorare, cosa sviluppare, cosa testare e cosa lasciare fuori dal prodotto.
Gli utenti rimangono i destinatari di ogni decisione che viene presa. Il vantaggio competitivo si sposta quindi dalla capacità di produrre software alla capacità di scegliere cosa sperimentare, validare e scalare: ciò che crea valore per le persone e per il business.
L’AI moltiplica le opportunità e aumenta le decisioni da prendere
L’AI permette di produrre una soluzione, confrontarla con altre dieci, modificarle e generarne altre ancora.
Questo rende possibile esplorare possibilità che prima potevano richiedere più tempo, risorse o competenze.
Si amplia così lo spazio delle opportunità, ma aumenta anche il bisogno di filtrare ciò che vale davvero la pena trasformare in prodotto.
Ogni componente porta con sé una decisione: come funziona un’interazione, come viene presentata un’informazione, quale comportamento viene favorito, quale eccezione viene gestita.
Lo stesso vale a un livello più ampio. Quale problema affrontare. Quale opportunità seguire. Quale tecnologia usare. Quale processo automatizzare. Quale feature sviluppare. Quale idea abbandonare.
Una soluzione può essere tecnicamente realizzabile e avere comunque poco valore.
La domanda diventa quindi meno “possiamo farlo?” e sempre più “vale la pena farlo?”.
Perché produrre più velocemente può accelerare il debito
L’AI accelera ciò che trova. Un processo chiaro diventa più veloce. Un processo confuso produce confusione più velocemente.
Con criteri poco solidi, la maggiore capacità produttiva permette di accumulare feature, varianti, eccezioni e codice in tempi molto più brevi.
Ogni scelta che entra nel prodotto crea attività da gestire. Una feature richiede test, manutenzione, documentazione, sicurezza, accessibilità e supporto. Una nuova modalità di interazione deve essere compresa dagli utenti. Una nuova eccezione aumenta la complessità del sistema.
Una feature può essere semplice da generare e difficile da capire o mantenere. Un’automazione può ridurre il lavoro in un punto del sistema e aumentare quello richiesto alle persone che devono controllarne il risultato.
Il debito tecnico è il costo futuro creato da scelte tecniche che richiederanno correzioni o manutenzione. L’UX debt è l’accumulo di problemi nell’esperienza utente causati da decisioni rimandate, incoerenti o poco validate. Con l’AI entrambi possono accumularsi più velocemente.
L’AI accelera anche gli effetti di una cattiva direzione. Una soluzione generata in pochi minuti può richiedere mesi o anni di manutenzione. Una decisione sbagliata presa presto e replicata rapidamente può entrare in molte parti del prodotto prima che il problema diventi evidente.
Il vantaggio competitivo si sposta dal saper fare al saper decidere
Quando sviluppo e design possono realizzare più facilmente soluzioni che prima richiedevano più tempo, competenze o risorse, la capacità di produrre rimane importante, ma in sé diventa un elemento meno differenziante.
La differenza emerge nella capacità di capire quale soluzione meriti di essere realizzata.
Quale problema affrontare prima. Quale opportunità seguire. Quale tecnologia usare. Quale feature sviluppare. Quale idea scartare. Saper scegliere diventa parte del vantaggio competitivo.
La facilità con cui oggi possiamo produrre una soluzione rende più semplice esplorarla, ma rende ancora più importante capire se quella scelta debba entrare davvero a far parte del prodotto.
Un’opzione che sembra facile da aggiungere genera costi nel momento in cui entra nel sistema: sviluppo, test, documentazione, rilascio, manutenzione, assistenza, formazione, gestione delle eccezioni e rework.
Una scelta poco adatta può creare effetti che vanno oltre il singolo componente e aumentare la complessità del prodotto nel tempo.
Il vantaggio deriva quindi dalla qualità delle decisioni che un’organizzazione riesce a prendere mentre aumenta ciò che è possibile costruire ed esplorare..
Come decidere cosa vale la pena costruire
Capire cosa vale la pena costruire riguarda tutto il team. È una decisione di prodotto e viene prima della scelta tecnologica.
Business, product e team di sviluppo contribuiscono a definire il problema e a condividere i criteri con cui valutare una soluzione. Queste definizioni devono convergere prima che una soluzione venga trasformata in codice.
Per decidere serve capire gli utenti. Chi userà questa funzione? Cosa sta cercando di ottenere? Dove perde tempo? Dove commette errori? Quali problemi incontra? Quale risultato vogliamo migliorare? Quale vantaggio deve produrre per il business?
La ricerca utente permette di rispondere a queste domande attraverso evidenze invece che ipotesi. Interviste, osservazione, analisi dei comportamenti, usability testing e dati di assistenza aiutano a capire quali problemi esistono davvero, quanto sono rilevanti e per chi.
Devono inoltre essere definiti i KPI con cui misurare il successo della soluzione. Adozione, task success, tempo necessario per completare un’attività, errori, conversione, retention o costi di supporto permettono di stabilire fin dall’inizio quale risultato ci si aspetta e come verrà verificato.
Ricerca utente e KPI rispondono quindi a due esigenze diverse: capire quale problema vale la pena affrontare e stabilire come misurare il risultato che si vuole ottenere.
A quel punto si può valutare quale ruolo affidare alla tecnologia.
I dati sull’AI agentica mostrano quanto questa distinzione sia importante. Secondo Gartner, oltre il 40% dei progetti di agentic AI verrà cancellato entro la fine del 2027, soprattutto per costi crescenti, valore di business poco chiaro e controlli sui rischi insufficienti.
Capgemini rileva che solo il 2% delle aziende ha già implementato agenti AI su larga scala.
Anche i casi di prodotti già sul mercato mostrano che una soluzione tecnicamente efficace in una parte del sistema può produrre conseguenze inattese altrove. Klarna ha puntato molto sull’automazione del customer service tramite AI, ma ha successivamente rivisto il modello, mantenendo l’AI per le richieste più semplici e rafforzando il supporto umano per quelle in cui la qualità dell’interazione è più importante. Air Canada è stata ritenuta responsabile delle informazioni errate fornite dal proprio chatbot.
Il punto va oltre i singoli casi: la tecnologia crea valore quando risponde a un problema reale e migliora qualcosa che conta per utenti e organizzazione.
L’AI rende più facile verificare le ipotesi
IIndividuare il problema non basta. Occorre capire quale soluzione funziona meglio.
Testare tramite prototipi permette di esplorare alternative prima di trasformarle in prodotto. Permette di individuare problemi e confrontare approcci diversi.
Il ciclo diventa: ipotesi, prototipo, test, evidenza, aggiustamento.
L’AI rende questo processo meno costoso. Un prototipo che poteva richiedere settimane può essere costruito in ore. Più alternative possono essere esplorate e confrontate prima di scegliere quale sviluppare.
Questo permette di usare la maggiore capacità produttiva per raccogliere evidenze prima di investire di più.
Produrre rapidamente ha valore quando permette anche di verificare rapidamente. Essere veloci nel costruire una soluzione che non risponde a un problema reale, non produce valore o crea nuovi problemi significa soltanto arrivare prima alla soluzione sbagliata.
Più presto arriva la verifica, minore è l’investimento necessario per correggere la direzione.
Misurare l’impatto per utenti e business
La verifica continua dopo il rilascio attraverso i KPI definiti all’inizio del progetto.
I dati raccolti permettono di capire se la soluzione sta producendo il risultato previsto e se gli effetti osservati corrispondono agli obiettivi definiti.
Una funzione che riduce gli errori può diminuire i costi di assistenza. Un processo più semplice può aumentare la conversione. Una migliore comprensione può ridurre i tempi di formazione. Una funzione utile può aumentare adozione e retention.
Anche correzioni frequenti, verifiche manuali, escalation verso operatori umani, abbandono di una funzione o riduzione del suo utilizzo possono segnalare che il risultato atteso non è stato raggiunto.
La misura utile riguarda quindi il risultato complessivo per utenti e business, non soltanto le prestazioni della singola funzione.
Analytics di prodotto, session replay, dati di assistenza, usability testing e feedback degli utenti permettono di monitorare nel tempo cosa funziona, cosa cambia e quando una soluzione richiede una correzione.
La misurazione continua permette quindi di verificare se le ipotesi iniziali rimangono valide anche dopo che il prodotto è entrato nell’uso reale.
Cinque criteri per iniziare un progetto software con l’AI
1. Partire dal problema, non dalla tecnologia
Identificare utenti, necessità e obiettivi di business. Stabilire quale risultato deve dimostrare il valore della soluzione prima di scegliere come realizzarla.
2. Definire KPI e metriche di successo prima di scrivere codice
Concordare fin dall’inizio metriche e target. Adozione, task success, errori, tempo, conversione, retention e supporto diventano un riferimento condiviso per orientare le decisioni e verificare il valore prodotto.
3. Validare con utenti reali fin dalle prime fasi
Definire un processo di validazione con prototipi e utenti reali. Cicli frequenti permettono di osservare, imparare e correggere la direzione quando il costo del cambiamento è ancora basso.
4. Definire come vengono prese le decisioni
Stabilire obiettivi, criteri condivisi e responsabilità tra business, product, design e sviluppo. Definire anche come valutare gli output prodotti con AI prima che entrino nel prodotto.
5. Mantenere coerenza nel tempo
Ogni nuova funzione impatta codice, interfaccia, processi, supporto e manutenzione. Continuare a valutare ogni scelta secondo gli obiettivi e i criteri definiti aiuta a mantenere una direzione comune e a limitare complessità e debito.
Conclusione
L’AI amplia ciò che un team può costruire ed esplorare con le risorse disponibili. Questo apre nuove opportunità, ma aumenta anche il numero di decisioni da prendere.
La qualità di queste decisioni determina cosa entra nel prodotto, quali costi genera e quale valore produce.
Per questo, business, product, design e sviluppo hanno bisogno di obiettivi chiari, criteri condivisi, verifica con utenti reali e metriche che permettano di valutare i risultati.
Il vantaggio competitivo si sposta così dal semplice saper fare al saper decidere cosa vale la pena costruire.
L’opportunità dell’AI sta anche qui: usare una maggiore capacità di costruire ed esplorare per raccogliere evidenze prima, ridurre l’incertezza e prendere decisioni più informate.
Autore: Gabriella Moro, UX Manager @ Bitrock
Fonti e letture di approfondimento
- Gartner, Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027
- Capgemini Research Institute, Rise of Agentic AI: How Trust Is the Key to Human-AI Collaboration (July 2025)
- National Bureau of Economic Research, Firm Data on AI, Working Paper 34836 (February 2026)
- National Bureau of Economic Research, Writing Code vs. Shipping Code: Productivity Effects Across Generations of AI Coding Tools, Working Paper 35275 (May 2026)
- Gambacorta L. et al., Generative AI and labour productivity: A quasi experiment on coding, Journal of Financial Stability (June 2026)
- Massenon R. et al., “My AI Is Lying to Me”: User-reported LLM Hallucinations in AI Mobile Apps Reviews, Scientific Reports (2025)
- Harvard Business Review, AI-Generated Workslop Is Destroying Productivity (September 2025)
- Semafor, Klarna on the fight for ‘top of wallet’ in an AI agentic commerce world, interview with Sebastian Siemiatkowski (June 2026)
- Sequoia Capital, Klarna CEO Sebastian Siemiatkowski on Getting AI to Do the Work of 700 Customer Service Reps (2024)
- British Columbia Civil Resolution Tribunal, Moffatt v. Air Canada, 2024 BCCRT 149 (2024)