15 ottobre 2026Aggiornato il Fathy Shalaby12 min di lettura
L'AI ha creato un nuovo carico di lavoro di prodotto: come lo dividono PM e ingegneri
L'AI non ha eliminato il lavoro di prodotto: ha spostato il collo di bottiglia su giudizio, review e responsabilità. Ecco i dati, un contratto PM–ingegneria a tre corsie e un controllo della capacità di review.
L'AI non ha eliminato il lavoro di prodotto: l'ha spostato. Produrre bozze, prototipi e codice è diventato economico, mentre decidere cosa merita attenzione, rivedere ciò che è stato prodotto e rispondere di ciò che arriva agli utenti è diventato più costoso. È il nuovo carico di lavoro di prodotto legato all'AI. I team con alta adozione dell'AI uniscono il 98% in più di pull request, ma il tempo di review sale del 91%. La soluzione è un contratto chiaro su chi prepara, chi decide e chi risponde della produzione.
Punti chiave
Su oltre 10.000 sviluppatori, i team con alta adozione dell'AI hanno completato il 21% in più di attività e unito il 98% in più di PR, ma il tempo di review delle PR è salito del 91% e la loro dimensione del 154%, senza alcun miglioramento misurabile a livello aziendale (Faros AI, 2025).
La ricerca DORA 2025 ha rilevato che l'AI ora aumenta il throughput di rilascio ma continua ad abbassare la stabilità, perché un maggior volume di modifiche sovraccarica i controlli deboli.
Il 27% del lavoro assistito dall'AI in Anthropic consisteva in attività che altrimenti non sarebbero state svolte. Creare costa meno, quindi c'è di più da valutare.
La quota dei PM nelle assunzioni tech è passata dal 16% del 2021 al 21% del 2026, mentre le assunzioni di ingegneri software negli USA sono scese a meno della metà del picco del 2022.
Dividi il lavoro in tre corsie: automatizza la preparazione del PM, mantieni umano il giudizio di prodotto e condividi con l'ingegneria la responsabilità della produzione.
Quale nuovo carico di lavoro ha creato l'AI per i team di prodotto?
Il nuovo carico è la valutazione. Quando creare costa poco, un team può produrre più lavoro candidato di quanto riesca a giudicarne. La misurazione più chiara viene dallo studio di telemetria di Faros AI del 2025 su oltre 10.000 sviluppatori in 1.255 team (Faros AI, 2025). Nei team con alta adozione dell'AI:
gli sviluppatori hanno completato il 21% in più di attività e unito il 98% in più di pull request.
la dimensione media delle PR è cresciuta del 154%.
il tempo di review delle PR è cresciuto del 91%, che Faros indica come il principale collo di bottiglia.
i bug per sviluppatore sono saliti del 9%.
il rilascio a livello aziendale non ha mostrato alcun miglioramento significativo.
Il programma DORA di Google ha trovato lo stesso schema a livello di sistema. Il suo rapporto 2025, basato su quasi 5.000 professionisti tech, ha rilevato che l'adozione dell'AI è ora positivamente legata al throughput di rilascio, invertendo il risultato del 2024, ma ancora negativamente legata alla stabilità. Gli autori lo attribuiscono al maggior volume di modifiche che sovraccarica controlli deboli come i test automatizzati e i cicli di feedback (Google Cloud, 2025).
Crea anche lavoro del tutto nuovo. Lo studio di Anthropic sul proprio personale ha rilevato che il 27% del lavoro assistito dall'AI consisteva in attività che senza l'AI non sarebbero state svolte (Anthropic, 2025). Parte di questo ha valore. Per tutto, qualcuno deve decidere se debba esistere.
Dove si è spostato il lavoro
Attività
Prima degli strumenti di coding AI
Con gli strumenti di coding AI
Scrivere una prima bozza (spec, codice, prototipo)
Lento, scarso
Veloce, abbondante
Scegliere quale bozza perseguire
Implicito, perché ce n'erano poche
Decisione esplicita e frequente
Rivedere le modifiche
Proporzionale alla dimensione del team
Cresce più in fretta del team
Mantenere stabile la produzione
Dimensioni di modifica familiari
Modifiche più grandi e frequenti
Collegare il lavoro alle evidenze dei clienti
Spesso saltato
Saltato a un costo più alto
Imparare da ciò che è stato rilasciato
Mensile, nel migliore dei casi
Necessario ogni settimana per stare al passo
Chi assorbe il nuovo carico di lavoro di prodotto?
Ogni ruolo si fa carico di una parte diversa.
Ruolo
Nuovo lavoro creato dall'AI
Cosa smettere di fare
Product manager
Scegliere tra molte bozze e prototipi; scrivere brief che gli agenti possano seguire; verificare che ciò che è stato rilasciato corrisponda alla decisione
Scrivere a mano report di stato e prime bozze di spec
Ingegnere
Rivedere modifiche più grandi e frequenti; presidiare architettura, sicurezza e affidabilità; mantenere il contesto degli agenti
Digitare codice boilerplate
Engineering manager
Dimensionare la capacità di review; mantenere piccoli i batch; definire la policy di uso dell'AI
Contare righe, commit o suggerimenti accettati
Founder o head of product
Dire di no più spesso, perché il sì ora costa poco
Trattare la velocità di una demo come evidenza
I dati sulle assunzioni riflettono questo spostamento. I dati di TrueUp e Live Data Technologies analizzati da Lenny Rachitsky mostrano che il product management è stato l'unico ruolo centrale la cui quota di assunzioni è cresciuta, dal 16% del 2021 al 21% di fine 2026, mentre le aziende USA hanno assunto circa 113.000 ingegneri software nell'anno fino ad aprile 2026, contro i 239.000 del picco del 2022 (Lenny's Newsletter, 2026). Meno ingegneri per PM significa che ogni PM è più vicino a più output. Il nostro pezzo sul rapporto PM–ingegneri nell'era dell'AI esamina cosa questo fa al ruolo.
Che cos'è il contratto PM–ingegneria a tre corsie?
Un contratto rende esplicita la divisione prima che il lavoro inizi, così nessuno scopre il vuoto in produzione.
Corsia 1: automatizza il lavoro meccanico del PM
Usa l'AI dove l'input esiste, la trasformazione si ripete e una persona può ispezionare l'output. Buoni candidati:
Raggruppare e deduplicare il feedback
Estrarre temi da chiamate e conversazioni di supporto
Un primo riassunto di ricerca con link alle fonti
Una bozza di brief da evidenze approvate
Ticket candidati da un brief rivisto
Release note, aggiornamenti per gli stakeholder e voci del registro delle decisioni
Verificare che un artefatto contenga le sue evidenze e i criteri di accettazione
Il PM resta responsabile di quale problema merita attenzione, di chi sia quel problema, di quali evidenze siano abbastanza solide, di quale compromesso stia facendo il team, di cosa preveda l'ipotesi, di cosa conterà come apprendimento e di cosa non vada costruito. L'AI può mettere in discussione un'impostazione e trovare evidenze mancanti. Non dovrebbe trasformare in silenzio uno schema plausibile in un impegno di roadmap. Li elenchiamo in cosa i product manager non dovrebbero mai delegare all'AI.
Corsia 3: condividi il contratto di produzione con l'ingegneria
PM e ingegneria concordano insieme su:
Architettura e confini del sistema
Sicurezza, privacy e conservazione dei dati
Affidabilità, prestazioni e costi operativi
Valutazione e comportamento di ripiego per le funzionalità AI
Permessi e azioni irreversibili
Rollout, osservabilità e rollback
Il PM porta l'utente, il problema, le evidenze e il risultato desiderato. L'ingegneria porta i vincoli del sistema, le modalità di guasto e il costo di mantenere vera la promessa in produzione. La descrizione dell'agentic engineering di Martin Fowler del 2026 lo dice chiaramente: gli esseri umani restano responsabili di ciò che il software fa, e capire il dominio del problema conta di più, non di meno (Fowler, 2026).
Corsia
Il PM possiede
L'ingegneria possiede
Artefatto condiviso
1. Automatizzare la preparazione
Regole, review delle eccezioni
Tooling e accesso ai dati
Bozze con link alle fonti
2. Giudizio di prodotto
Problema, evidenze, compromesso, risultato
Input sulla fattibilità
Registro della decisione
3. Contratto di produzione
Impatto sull'utente, criteri di accettazione
Architettura, sicurezza, affidabilità
Brief con guardrail e piano di rollback
I product manager dovrebbero diventare builder?
Sì, se «PM builder» indica un PM che costruisce quanto basta per migliorare una decisione di prodotto. No, se indica un PM che possiede sistemi di produzione senza le competenze di ingegneria, la review e la responsabilità per gestirli in sicurezza.
Un PM builder può rendere tangibile un'interazione, far emergere l'ambiguità di un requisito, testare un workflow con gli utenti, esplorare una domanda con i dati, creare un prototipo usa e getta e automatizzare il proprio lavoro di coordinamento. Un PM builder non dovrebbe usare l'AI per aggirare la review di architettura, rilasciare modifiche sensibili senza review di sicurezza o trasformare per errore un esperimento in una promessa di produzione.
Una definizione operativa: un PM builder costruisce quanto basta per migliorare la decisione, non per evitare di prenderla. Il nostro pezzo più lungo su se i product manager dovrebbero diventare builder tratta le competenze coinvolte.
Come devono gestire oggi i PM ingegneri e builder AI?
Il compito del manager non è massimizzare l'output generato. È rendere il sistema abbastanza affidabile perché l'output generato possa scorrere in sicurezza. Otto regole operative:
Preferisci batch piccoli. Modifiche più piccole sono più facili da rivedere, testare e annullare. DORA elenca il lavoro in batch piccoli tra le sette capacità che amplificano i benefici dell'AI (Google Cloud, 2025).
Tieni i criteri di accettazione vicini alle evidenze. Gli ingegneri devono vedere perché il lavoro esiste, non solo cosa dice il ticket.
Migliora il contesto disponibile agli strumenti. Il modello DORA indica i dati interni accessibili all'AI e gli ecosistemi di dati sani come capacità a sé stanti. La nostra guida su come dare contesto di prodotto agli agenti di coding AI mostra cosa includere.
Pubblica una policy di uso dell'AI. La prima capacità DORA è una posizione chiara e comunicata sull'AI: quali strumenti sono consentiti, quali dati possono vedere e quali azioni richiedono approvazione.
Il modello operativo conta più della scelta degli strumenti. Il sondaggio 2026 di Product Institute su 309 product leader ha rilevato che il 47% delle organizzazioni con un modello operativo maturo dice che l'AI sta rafforzando il modo di lavorare, contro il 29% di quelle con un modello immaturo. Tra le organizzazioni con un modello debole, il 42% dice che l'AI sta facendo emergere debolezze o peggiorando le cose (Product Institute, 2026).
Come verifichi se la capacità di review regge il passo?
Misura la coda, non l'output. Un semplice controllo settimanale:
Conta le modifiche aperte questa settimana e quelle riviste.
Annota la mediana delle ore dall'apertura alla prima review.
Annota la dimensione mediana delle modifiche in righe o file.
Se le aperte superano le riviste per due settimane di fila, o se il tempo mediano di review raddoppia, limita il lavoro in corso prima di aggiungere altre attività per gli agenti.
Esempio con i numeri (illustrativo)
Mettiamo che un team di cinque ingegneri e un PM unisse 20 modifiche a settimana prima degli strumenti di coding AI, con una mediana di 150 righe ciascuna e la prima review entro quattro ore. Sei settimane dopo l'adozione degli agenti, il team apre 40 modifiche a settimana con una mediana di 380 righe. Le review ora impiegano 11 ore per iniziare e a fine settimana restano in attesa 12 modifiche.
Il team fissa un limite di tre modifiche aperte generate da agenti per ingegnere, chiede agli agenti di spezzare qualsiasi modifica oltre le 200 righe e fa verificare al PM ogni modifica rispetto ai criteri di accettazione del suo brief prima della review di ingegneria. In tre settimane la coda scende a tre modifiche e la prima review torna a cinque ore. L'output si assesta su circa 30 modifiche unite a settimana: meno del picco, più di prima, e rivedibile. I tuoi numeri saranno diversi; il punto è il metodo.
Modello: review settimanale del carico di lavoro AI
Copialo nelle note della riunione settimanale del tuo team.
Modifiche aperte / riviste / unite questa settimana:
Tempo mediano alla prima review:
Dimensione mediana delle modifiche:
Modifiche generate da agenti ancora aperte:
Prototipi creati / promossi in roadmap / ritirati:
Lavoro generato non collegato a una decisione:
Dove l'AI ha tolto attrito?
Dove ha aggiunto carico di review o operativo?
Cosa fermiamo, riduciamo o annulliamo?
La riga sul lavoro non collegato è la più utile. Tutto ciò che viene generato senza una decisione alle spalle è il nuovo carico di lavoro nella sua forma più pura.
Quali sono gli errori comuni?
Celebrare l'output. Un aumento del 98% delle PR unite significa poco se salgono anche il tempo di review e i bug. Osserva il sistema, non il singolo.
Lasciare la review a chi è libero. La review è ora la capacità più scarsa del team. Pianificala come qualsiasi altra capacità.
Fare del PM un ingegnere part-time. Costruire per imparare è bene. Rilasciare in produzione senza review di ingegneria sposta il rischio, non lo elimina.
Ignorare il punto di vista degli sviluppatori. Il sondaggio Atlassian 2025 su 3.500 sviluppatori e manager ha rilevato che gli sviluppatori dedicano il 16% del tempo a programmare e che il 63% dice che i leader non capiscono i loro punti dolenti (Atlassian, 2025). Chiedi agli ingegneri dove si trova il nuovo carico prima di decidere.
Pianificare l'organico senza gli agenti. Il Work Trend Index 2025 di Microsoft propone un rapporto umano-agente come metrica di pianificazione e ha rilevato che il 36% dei leader si aspetta che gestire agenti faccia parte del proprio lavoro entro cinque anni (Microsoft, 2025). Qualcuno deve dirigere e rivedere quegli agenti; metti a budget il suo tempo.
Dove si inserisce Specky
Specky è costruito attorno a questo contratto. Porta chiamate con i clienti, feedback, Slack, Jira e analytics in un Product Graph, così un brief o un ticket reca citazioni inline alle evidenze che lo sostengono. Il suo server MCP dà agli agenti di coding lo stesso contesto di prodotto, in modo che l'ingegneria parta dal motivo, non solo dalla richiesta. Dopo il rilascio, Specky verifica se la scommessa ha funzionato. Il PM mantiene il giudizio; l'ingegneria mantiene la produzione; nessuno perde il filo tra i due.
Domande frequenti
I PM dovrebbero imparare a costruire con l'AI?
Sì, quando costruire li aiuta a testare una domanda di prodotto, chiarire un requisito o togliersi di dosso lavoro meccanico ripetuto. I prototipi sono un modo rapido per mostrare a un utente o a un ingegnere cosa intendi. I PM dovrebbero comunque coinvolgere l'ingegneria per architettura di produzione, sicurezza, affidabilità e operazioni, perché il codice generato che raggiunge gli utenti diventa responsabilità dell'ingegneria.
Come devono gestire i PM gli ingegneri che usano strumenti di coding AI?
Stabilisci un contratto decisionale chiaro, tieni il lavoro in batch piccoli, chiedi agli agenti di documentare assunzioni e test, definisci i confini di dati e permessi e misura i risultati di prodotto e di rilascio invece del volume generato. Tieni d'occhio ogni settimana tempo di review e dimensione delle modifiche; sono i primi segnali che l'output sta superando la capacità del team di verificarlo.
Perché l'AI ha aumentato il nostro carico di lavoro invece di ridurlo?
Perché creare è diventato più economico più in fretta di quanto lo sia diventato valutare. Faros AI ha rilevato che i team con molta AI univano il 98% in più di PR mentre il tempo di review saliva del 91%. Anthropic ha rilevato che il 27% del lavoro assistito dall'AI altrimenti non sarebbe stato fatto. Più bozze, prototipi e modifiche richiedono tutti che qualcuno decida se debbano esistere e se funzionino.
Qual è il ruolo giusto per un PM builder?
Un acceleratore di decisioni. Un PM builder crea quanto basta per imparare e allineare, con prototipi, esplorazione dei dati e coordinamento automatizzato, poi lavora con l'ingegneria per trasformare una direzione validata in software sicuro e manutenibile. Il test è se costruire ha migliorato una decisione, non se il PM ha rilasciato codice.
L'AI sostituirà i product manager?
I dati dicono di no. La quota dei PM nelle assunzioni tech è cresciuta dal 2021, mentre l'AI assorbe attività come sintesi, documentazione e report di stato. Scegliere i problemi, fare compromessi e rispondere dei risultati richiede ancora una persona. Leggi la nostra rassegna dei dati del 2026 sulla possibilità che l'AI sostituisca i product manager.
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