27 luglio 2026Aggiornato il Fathy Shalaby16 min di lettura
Prodotti pronti per gli agenti: il modello a due utenti per i PM
Il tuo prodotto ha ormai un secondo lettore: un agente AI che agisce per conto di una persona. Il modello a due utenti e quattro domande di audit mostrano dove il tuo prodotto funziona solo perché c'è un umano che guarda.
Un prodotto pronto per gli agenti funziona in modo affidabile per un agente AI che agisce per conto di una persona quanto per la persona stessa. In pratica significa quattro cose: un percorso leggibile dalle macchine accanto allo schermo, tutele fatte rispettare dal sistema anziché da qualcuno che se ne accorge, la stessa forma di risposta ogni volta e un responsabile indicato per nome quando un agente agisce a partire da un output ambiguo. Il modello a due utenti verifica ogni funzionalità rispetto a entrambi i lettori.
In sintesi
Il software è già il lettore maggioritario del web. Nel 2024 il traffico automatizzato ha superato quello umano per la prima volta in dieci anni, con il 51% di tutto il traffico web (Imperva, 2025).
Gli agenti sono un'abitudine minoritaria, ma reale. Nel sondaggio Stack Overflow 2025, il 30,9% degli intervistati usava agenti AI al lavoro almeno occasionalmente e il 14,1% lo faceva ogni giorno (Stack Overflow, 2025).
I prodotti pensati per gli umani falliscono in silenzio con gli agenti. L'agente fa esattamente ciò che gli ha detto un'interfaccia ambigua, alla velocità di una macchina.
Gli standard esistono. MCP (reso open source a novembre 2024 da Anthropic), llms.txt (proposto a settembre 2024), i formati di errore della RFC 9457 e le chiavi di idempotenza rispondono ciascuno a una delle quattro domande di audit.
Parti da un solo workflow, il più ripetitivo e basato su regole, quello in cui una persona agisce per conto di qualcun altro.
Chi è il secondo utente del tuo prodotto?
Per vent'anni, «chi è l'utente?» ha avuto una sola risposta: una persona che guarda uno schermo e prende una decisione. Quel presupposto si sta incrinando. Una quota crescente della lettura, dei clic e della compilazione di moduli nel software è svolta da un agente: un modello con degli strumenti che agisce per un umano, chiama la tua API, legge la tua documentazione e compila i tuoi moduli.
I numeri mostrano la direzione, non ancora la destinazione:
Traffico: le richieste automatizzate hanno rappresentato il 51% del traffico web nel 2024, e i soli bot dannosi il 37% (). Gran parte sono crawler e attaccanti, non agenti utili, ma significa che buona parte di ciò che legge il tuo prodotto è già software.
Sviluppatori: su 31.877 persone che hanno risposto alla domanda sugli agenti, il 14,1% usa agenti AI al lavoro ogni giorno, il 9% ogni settimana e il 7,8% una volta al mese o meno; il 37,9% non ha intenzione di farlo (Stack Overflow, 2025).
Software enterprise: Gartner prevede che entro il 2028 il 33% delle applicazioni software enterprise includerà AI agentica, contro meno dell'1% nel 2024, e che almeno il 15% delle decisioni di lavoro quotidiane sarà preso in autonomia (W.Media on Gartner, 2025).
Lo stesso comunicato di Gartner porta il contrappeso: oltre il 40% dei progetti di AI agentica sarà cancellato entro la fine del 2027 (Gartner, 2025), e solo circa 130 delle migliaia di fornitori che vendono «AI agentica» offrono davvero la cosa vera. Il cambiamento è reale e rumoroso. Nessuno dei due fatti giustifica ignorarlo.
L'idea ha ormai un nome. A gennaio 2025 Mathias Biilmann di Netlify ha proposto l'agent experience (AX), l'esperienza che un agente AI vive come utente di un prodotto, dopo la user experience (Don Norman, 1993) e la developer experience (Jeremiah Lee, 2011) (Biilmann, 2025).
Perché i prodotti pensati per gli umani falliscono in silenzio quando li usano gli agenti?
Questo cambiamento non si manifesta come un'interruzione del servizio. Si manifesta come una lenta perdita di fiducia negli output del tuo prodotto. Una funzionalità costruita per il giudizio umano dipende da cose che gli agenti interpretano male: testi che per una persona si leggono bene ma non hanno un'unica interpretazione corretta, stato che vive solo nel layout visivo e conferme che presuppongono che qualcuno noti quando un numero sembra sbagliato. Un agente che opera sulla stessa superficie non si ferma a controllare se qualcosa torna. Fa esattamente ciò che l'interfaccia gli ha detto, alla velocità che può, che l'interfaccia fosse chiara o no.
È questa la modalità di fallimento per cui prepararsi: non «l'agente si rompe», ma «l'agente fa esattamente ciò che gli ha detto un prodotto ambiguo, e nessuno se ne accorge finché il risultato non è sbagliato su larga scala».
OWASP lo elenca tra i principali rischi per le applicazioni LLM. Excessive Agency (LLM06:2025) è la vulnerabilità che permette azioni dannose in risposta a output del modello inattesi, ambigui o manipolati, e le sue cause profonde sono funzionalità eccessive, permessi eccessivi e autonomia eccessiva (OWASP, 2025). L'ambiguità del tuo prodotto è uno degli input.
Chi usa molto l'AI lo sente già. Nello stesso sondaggio di Stack Overflow, il 66% degli sviluppatori ha indicato come prima frustrazione gli output AI quasi giusti ma non del tutto, e più persone diffidavano dell'accuratezza dell'AI (46%) di quante si fidassero (33%) (Stack Overflow, 2025). Un agente che lavora con un prodotto ambiguo produce esattamente quel tipo di risultato quasi giusto.
Un esempio quotidiano: la schermata di approvazione delle note spese
Un approvatore umano dà un'occhiata al totale, nota che sembra alto per quel fornitore e si ferma a controllare. Un agente che approva con gli stessi criteri non ha un input «sembra insolitamente alto». Ha il campo che la tua interfaccia espone come soglia di approvazione. Se quella soglia sta in un tooltip che una persona leggerebbe ma che l'integrazione dell'agente non tocca mai, l'agente non sta funzionando male. Sta seguendo una specifica che nessuno ha scritto, perché si è sempre dato per scontato che a leggere fosse un umano.
Ogni workflow in cui una persona mette un giudizio che l'interfaccia non codifica mai è un punto in cui questo verrà a galla: in silenzio, un caso limite alla volta.
Che cos'è il modello a due utenti?
Tratta ogni funzionalità come se avesse due possibili utenti che leggono la stessa superficie, e verificala rispetto a entrambi prima del rilascio.
1. Il decisore umano ha bisogno di capire il perché, non solo il cosa. Legge per avere contesto, compromessi e la sicurezza per agire. Il tuo lavoro qui non è cambiato: chiarezza, gerarchia, il dettaglio giusto al momento giusto.
2. L'operatore agente è un sistema che agisce per conto di quell'umano ed esegue un compito senza che qualcuno controlli ogni passaggio. Non legge per le sfumature. Ha bisogno che l'interfaccia sia inequivocabile, strutturata e stabile: lo stesso input dovrebbe produrre in modo affidabile lo stesso tipo di output.
Esigenza
Decisore umano
Operatore agente
Legge
Pagine renderizzate, grafici, tooltip
Risposte API, schemi, documentazione, Markdown
Individua gli errori
Accorgendosi che qualcosa non torna
Con errori di validazione rigidi e un motivo
Tollera l'incoerenza
Sì, si adatta senza accorgersene
No, ogni variazione rompe un'integrazione
Vuole le spiegazioni come
Prosa e contesto
Campi strutturati più lo stesso ragionamento
Impostazione sicura per le azioni rischiose
Una finestra di conferma
Stato di bozza o proposto, approvazione umana
La guida di Anthropic alla costruzione di agenti dice lo stesso dal lato di chi li costruisce: bisogna «investire altrettanto impegno nel creare buone interfacce agente-computer (ACI)» quanto nelle interfacce uomo-computer. Sul suo agente per SWE-bench, il team ha dedicato più tempo a migliorare gli strumenti che al prompt complessivo (Anthropic, 2024).
Come verifichi se una funzionalità è pronta per gli agenti?
Fai quattro domande a una funzionalità. Ognuna ha una risposta «buona» concreta.
1. Esiste un percorso leggibile dalle macchine accanto a quello leggibile dagli umani?
Se l'unico modo per estrarre informazioni dal tuo prodotto è una pagina renderizzata, un agente che agisce per quella persona non ha un modo affidabile per entrare. Un'API documentata, un export strutturato o una forma dei dati prevedibile sono ormai la seconda porta d'ingresso.
Un'impostazione dei permessi che esiste solo come casella di spunta in una pagina di impostazioni, senza un campo nella risposta dell'API, è invisibile a qualsiasi agente che lavori tramite quell'API. Non viene applicata, in silenzio, nel momento in cui un umano delega il compito.
Com'è fatto il buono: ogni dato sullo schermo è disponibile anche come campo, e ogni azione ha un equivalente tramite API o tool MCP con uno schema di output dichiarato. I tool MCP possono dichiarare un outputSchema e restituire structuredContent conforme ad esso (specifica MCP).
2. L'interfaccia presuppone che un umano si accorga di un errore?
Finestre di conferma, richieste «sei sicuro?» e avvisi in rosso si basano tutti sul fatto che una persona noti che qualcosa non va. Un agente non si fermerà a meno che il controllo non sia strutturale: un errore di validazione rigido, non un segnale visivo. Se la tua unica protezione contro un'azione distruttiva è un modale con un pulsante rosso, quella protezione non esiste per nulla che chiami direttamente la tua API.
Com'è fatto il buono: errori su cui una macchina può agire. La RFC 9457 (luglio 2023) definisce un formato standard di «problem details» perché «i consumatori non umani delle API HTTP faticano» a leggere pagine di errore HTML (IETF, 2023). MCP distingue gli errori di protocollo dagli errori di esecuzione dei tool, che tornano con isError: true e un messaggio che il modello può usare per correggersi e riprovare. Per le azioni ad alto impatto, OWASP raccomanda l'approvazione umana prima che l'azione venga eseguita.
3. La stessa azione produce garantito lo stesso tipo di risultato?
Le persone tollerano una funzionalità che si comporta in modo leggermente diverso a seconda dello stato dell'account, del carico o di un caso limite. Si adattano senza accorgersene. Un agente che fa la stessa chiamata mille volte ha bisogno che la risposta resti coerente nella forma anche quando i valori cambiano: gli stessi campi e lo stesso formato di errore ogni volta. Altrimenti ogni integrazione si rompe in modo leggermente diverso, a seconda del caso limite in cui è incappata per primo.
Com'è fatto il buono: schemi stabili, modifiche versionate e ripetizioni sicure. Le chiavi di idempotenza di Stripe permettono a un client di ripetere una richiesta dopo un errore di connessione senza eseguire due volte l'operazione; le chiavi possono arrivare a 255 caratteri e quelle v1 possono essere eliminate una volta che hanno almeno 24 ore (Stripe). MCP offre quattro suggerimenti per i tool (readOnlyHint, destructiveHint, idempotentHint, openWorldHint), ma lo schema precisa che sono suggerimenti, non garanzie (schema MCP). Fai rispettare il comportamento lato server.
4. Chi risponde quando l'agente sbaglia?
È la domanda che la maggior parte delle roadmap salta. Se un agente agisce per una persona sulla base dell'output del tuo prodotto, e quell'output era ambiguo, il fallimento risale a una decisione di prodotto, non a un errore dell'utente. È una nuova categoria di rischio di prodotto. Merita il rigore di qualsiasi incidente in produzione: un responsabile indicato per nome, un modo per riprodurre ciò che è successo e una correzione che chiuda la lacuna vera, non solo il singolo caso che è stato notato.
Com'è fatto il buono: una traccia di audit di quale agente ha fatto cosa, sotto l'autorità di chi, a partire da quale input. La specifica MCP dice che gli host devono ottenere il consenso esplicito dell'utente prima di invocare qualsiasi tool (specifica MCP), e che dovrebbe sempre esserci un umano nel ciclo che possa negare una chiamata a un tool (tool MCP). Per decidere quali azioni un'AI può compiere da sola, vedi il contratto di passaggio all'AI: chiedere, agire o fermarsi.
Quali standard rendono un prodotto pronto per gli agenti nel 2026?
Nessuno è obbligatorio e nessuno basta da solo. Ognuno risponde a una specifica domanda di audit.
Standard
Che cos'è
Origine
Risponde a
Model Context Protocol (MCP)
Protocollo aperto per collegare applicazioni AI a strumenti e dati, su JSON-RPC 2.0
Reso open source da Anthropic il 25 nov. 2024; specifica attuale 2026-07-28
D1, D2, D4
llms.txt
Un file Markdown nella radice del tuo sito che dà agli agenti contesto conciso e link a pagine Markdown pulite
Proposto da Jeremy Howard il 3 set. 2024; v2 ad agosto 2026
D1
Descrizione OpenAPI
Descrizione leggibile dalle macchine della tua API REST
Standard di settore
D1, D3
RFC 9457 problem details
Formato di errore JSON standard per le API HTTP
IETF, luglio 2023 (sostituisce la RFC 7807)
D2, D3
Chiavi di idempotenza
Chiave fornita dal client che rende sicure le ripetizioni
Pratica comune nelle API (es. Stripe)
D3
MCP è oggi supportato da assistenti come Claude e ChatGPT e da strumenti come VS Code e Cursor (MCP). I server espongono tre tipi di funzionalità: risorse (contesto e dati), prompt (modelli) e tool (funzioni che il modello può chiamare) (specifica MCP). La proposta llms.txt afferma che migliaia di siti pubblicano ormai il file e che Lighthouse di Chrome ne cerca uno nei suoi audit di navigazione agentica (llms.txt). Se ti interessa come gli assistenti AI descrivono il tuo prodotto, e non come gli agenti lo usano, è un problema diverso, trattato in visibilità nella ricerca AI.
Che aspetto ha un audit di prontezza per gli agenti? Un esempio svolto
Esempio illustrativo. Diciamo che un'azienda di 40 persone fa passare 600 note spese al mese nel tuo prodotto e che il suo responsabile finanziario voglia che un agente approvi quelle di routine. Assegna a ogni domanda di audit 0 (fallisce), 1 (in parte) o 2 (superata).
Domanda
Riscontro
Punti
1. Percorso leggibile dalle macchine
Note e totali sono nell'API; la soglia di 2.000 € per fornitore sta solo in un tooltip
1
2. Tutele strutturali
Le approvazioni oltre la soglia fanno comparire un modale; l'API le accetta in silenzio
0
3. Risultati coerenti
L'approvazione restituisce un payload diverso per le note multivaluta; niente chiave di idempotenza, quindi un nuovo tentativo dopo un timeout può approvare due volte
0
4. Responsabilità
Il log di audit registra l'utente, non l'agente né la regola applicata
1
Totale
2 / 8
Le correzioni sono piccole: esporre la soglia come campo, rifiutare nell'API le approvazioni oltre la soglia con un errore problem details, restituire un'unica forma di payload e accettare una chiave di idempotenza, e registrare l'agente che agisce accanto all'utente che delega. Rivalutata dopo queste modifiche, la funzionalità arriva a 8/8 senza cambiare la schermata per gli umani.
Considera un punteggio inferiore a 6 come motivo per tenere gli agenti in modalità solo bozza per quel workflow. Quella soglia è un punto di partenza, non un benchmark.
Checklist di prontezza per gli agenti (copiala)
Ogni valore mostrato a schermo è disponibile come campo con nome nell'API o nell'export.
Ogni azione ha un endpoint API o un tool MCP con uno schema di input e di output dichiarato.
Le regole di business (limiti, soglie, permessi) sono applicate sul server, non nell'interfaccia.
Gli errori restituiscono un motivo leggibile dalle macchine (RFC 9457 o un formato stabile equivalente).
Le operazioni di scrittura accettano una chiave di idempotenza o si possono ripetere senza rischi.
Le risposte mantengono la stessa forma tra stati dell'account, valute e casi limite.
Le azioni distruttive o ad alto impatto richiedono approvazione umana o partono come bozze.
I log registrano l'agente, l'utente che delega e l'input dietro ogni azione.
La documentazione esiste in Markdown pulito, con un file llms.txt che vi rimanda.
Ogni workflow ha un responsabile indicato per nome per gli incidenti legati agli agenti.
Cosa non significa
Non è un argomento per ricostruire dall'oggi al domani il tuo prodotto come piattaforma API-first, né per abbandonare l'interfaccia umana. La maggior parte dei prodotti avrà ancora per anni una persona come pubblico principale; il cambiamento è additivo. Né è una ragione per rincorrere ogni framework per agenti visto in una pagina di lancio. La lezione è più circoscritta: verifica la tua superficie esistente alla ricerca di presupposti che funzionano solo se a leggere è un umano.
Quali errori commettono i team quando progettano per gli agenti AI?
Due fonti di verità. La dashboard dice «3 elementi da rivedere» mentre l'API ne restituisce 4. I prodotti che gestiscono bene gli agenti generano la spiegazione per l'umano e i dati per la macchina dalla stessa fonte, così nessuno dei due lettori lavora con un quadro parziale.
Fidarsi dei suggerimenti dei tool come se fossero controlli. Un'annotazione destructiveHint: false non impedisce una chiamata distruttiva. La specifica MCP dice ai client di trattare le annotazioni come non attendibili a meno che non provengano da un server affidabile.
Concedere più di quanto serva al compito. Le prime mitigazioni di OWASP sono meno tool, funzioni più ristrette e lo scope OAuth minimo. Un compito di sola lettura dovrebbe ricevere un token di sola lettura.
Misurare le chiamate, non i risultati. Il traffico degli agenti gonfia i numeri d'uso. Controlla se i compiti delegati sono stati completati correttamente, non solo quanti ne sono stati eseguiti. L'uso intenso da parte degli agenti mette anche sotto stress i prezzi per postazione; vedi come fissare i prezzi quando i tuoi utenti sono agenti AI.
Scegli la funzionalità in cui una persona svolge oggi il lavoro più ripetitivo e basato su regole per conto di qualcun altro: approvare richieste, smistare ticket, riconciliare record. Quasi sempre è lì che un agente compare per primo, perché è il workflow che vale di più la pena automatizzare. Fai le quattro domande prima che un agente arrivi senza invito, agendo su presupposti che la tua interfaccia non ha mai dichiarato.
I PM che si portano avanti non sono quelli che costruiscono agenti. Sono quelli che fanno dire al loro prodotto esistente la verità con chiarezza sufficiente perché una macchina che lo legge ottenga la stessa risposta di una persona.
Dove si inserisce Specky
La superficie per agenti di Specky segue il modello a due utenti. Gli agenti di coding e gli assistenti si collegano tramite un server MCP con OAuth, caricano il contesto di prodotto e brief supportati da evidenze prima di pianificare, e creano PRD, ticket e decisioni come bozze. Quelle bozze arrivano nella PM Inbox perché una persona le approvi, e ogni affermazione rimanda all'evidenza di origine nel Product Graph, così umano e agente vedono lo stesso ragionamento. I dettagli sono nella pagina Specky per gli agenti.
Domande frequenti
Che cos'è un prodotto pronto per gli agenti?
Un prodotto pronto per gli agenti è uno che un agente AI può usare per conto di una persona con la stessa affidabilità della persona stessa. Espone dati e azioni tramite un'API o un server MCP, fa rispettare le regole lato server, restituisce forme di risposta coerenti e scritture ripetibili senza rischi, e registra quale agente ha agito sotto l'autorità di chi.
Che cos'è l'agent experience (AX)?
L'agent experience è l'esperienza che un agente AI vive come utente di un prodotto o di una piattaforma, per analogia con la user experience e la developer experience. Mathias Biilmann di Netlify ha introdotto il termine a gennaio 2025. Una buona AX significa che un agente può ottenere l'accesso, capire le capacità del prodotto e portare a termine i compiti senza che un umano gli faccia da interprete.
Mi serve un server MCP per essere pronto per gli agenti?
No. Un'API ben documentata con schemi stabili, errori chiari e scritture idempotenti risponde già alla maggior parte delle quattro domande di audit. Un server MCP rende il tuo prodotto più facile da collegare ad assistenti come Claude, ChatGPT, VS Code e Cursor e aggiunge convenzioni su consenso e descrizione dei tool, quindi vale la pena aggiungerlo quando l'API sottostante è solida.
llms.txt equivale a rendere un prodotto pronto per gli agenti?
No. llms.txt, proposto da Jeremy Howard a settembre 2024, aiuta gli agenti a leggere il tuo sito e la tua documentazione indirizzandoli a Markdown conciso. Risponde alla prima domanda di audit per i contenuti. Non fa nulla per le azioni sicure, le risposte coerenti o la responsabilità, che richiedono modifiche all'API e al prodotto.
Come tieni un umano nel ciclo quando agiscono gli agenti?
Fai in modo che le azioni rischiose partano come bozze o proposte che una persona approva, e fallo rispettare lato server anziché in una finestra di dialogo. La specifica MCP richiede il consenso esplicito dell'utente prima delle chiamate ai tool, e OWASP raccomanda l'approvazione umana per le azioni ad alto impatto. Registra per ogni azione l'agente, l'utente che delega e l'input.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing