3 novembre 2026Aggiornato il Fathy Shalaby17 min di lettura
Sviluppo di prodotto con l'IA: il workflow in 7 passi dal problema al rilascio
Un workflow di sviluppo di prodotto con l'IA in sette passi per founder, PM e product engineer: testare un problema reale degli utenti, decidere dove l'IA ha senso, definire i limiti, valutare compiti reali e imparare dal rollout.
Un workflow di sviluppo di prodotto con l'IA è il processo ripetibile con cui un team porta un problema reale degli utenti a una funzionalità di IA testata e circoscritta, e poi a un rilascio misurato. Il ciclo utile non è «fai un prompt, fai un prototipo, rilascia». Sono sette passi: trovare evidenze, decidere se l'IA aiuta, fare il test più piccolo, specificare il comportamento, fissare i limiti, valutare compiti reali e rilasciare misurando il risultato per l'utente.
Punti chiave
Costruire è diventato più veloce; decidere no. In un sondaggio del 2026 su 309 responsabili di prodotto, l'88% ha dichiarato che la propria organizzazione usa assistenti di coding con IA, ma solo il 36% ha detto che l'IA stava rafforzando il loro modo di lavorare (Product Institute, 2026).
Metà di quei responsabili ha giudicato alto l'impatto dell'IA sull'ingegneria, contro il 17% per strategia e roadmap. Il workflow qui sotto concentra lo sforzo dove l'IA aiuta meno.
Verifica se l'IA è lo strumento giusto prima di costruire. La prima regola del machine learning secondo Google è non aver paura di lanciare senza (Google).
Gartner prevede che oltre il 40% dei progetti di IA agentica verrà cancellato entro la fine del 2027, citando costi in crescita, valore di business poco chiaro o controlli del rischio inadeguati (Gartner, 2025). I passi 2, 5 e 7 affrontano direttamente queste tre cause.
Parti con la minore autonomia che porti valore e amplia solo sulla base di evidenze.
Che cos'è un workflow di sviluppo di prodotto con l'IA?
È il processo con cui un team decide se una funzionalità di IA debba esistere, ne plasma il comportamento, verifica rischi e qualità e capisce se migliora il compito di un cliente. Combina product discovery, progettazione tecnica, valutazione e misurazione dopo il rilascio. L'IA può accelerare l'implementazione; il workflow tiene il team concentrato sulla domanda se l'implementazione risolva il problema giusto.
Questa distinzione conta di più man mano che costruire diventa più veloce. Nel sondaggio 2026 del Product Institute su 309 responsabili di prodotto in 40 paesi, l'88% ha detto che la propria organizzazione usa assistenti di coding con IA e il 70% aveva rilasciato funzionalità basate sull'IA. Eppure solo il 36% ha detto che l'IA stava rafforzando il modo di lavorare della propria organizzazione; il 23% ha detto che stava facendo emergere debolezze esistenti e il 6% che stava peggiorando le cose. Gli intervistati hanno giudicato alto l'impatto dell'IA per l'ingegneria (50%) e il design (45%), ma solo il 17% per strategia e roadmap e il 9% per la collaborazione tra team (). Il sondaggio è auto-selezionato e il report lo definisce indicativo, non rappresentativo, ma lo schema è chiaro: l'IA accelera la parte del lavoro di prodotto che era già la più rapida.
La ricerca DORA di Google arriva a una conclusione simile per la consegna del software: l'IA agisce da amplificatore, ingigantendo i punti di forza e di debolezza già presenti in un'organizzazione (DORA, 2025). Un team con un collegamento debole tra le evidenze dei clienti e ciò che viene costruito costruirà semplicemente più in fretta la cosa sbagliata.
Per il modello operativo di team che tiene collegati evidenze dei clienti, agenti di coding, decisioni di prodotto e apprendimento dai rilasci, consulta la nostra guida al product management nativo per l'IA nei team piccoli.
Quali sono i 7 passi del processo di sviluppo di prodotto con l'IA?
I primi tre passi sono la product discovery con l'IA: individuare un bisogno ricorrente dell'utente, verificare se l'IA può servirlo meglio e testare l'ipotesi più rischiosa prima di impegnarsi a costruire. I passi da 4 a 7 sono consegna e apprendimento.
Passo
Domanda chiave
Output
Funzione del NIST AI RMF
1. Osservare il problema
Chi è in difficoltà, quando, e quanto gli costa?
Enunciato del problema con evidenze
Map
2. Decidere se l'IA è adatta
L'IA è meglio di una regola, di una ricerca o di nessun cambiamento?
Go/no-go con un'alternativa più semplice indicata
Map
3. Fare il test più piccolo
Cosa potrebbe invalidare questa idea più in fretta?
Risultato del test che cambia una decisione
Measure
4. Specificare il comportamento
Cosa deve fare, e cosa fa quando non può aiutare?
Brief con criteri di accettazione verificabili
Map, Measure
5. Fissare i limiti
Cosa può leggere, modificare o attivare?
Regole di permessi e di recupero
Govern, Manage
6. Valutare compiti reali
Supera i casi rappresentativi e quelli di fallimento?
Set di valutazione versionato e soglia di rilascio
Measure
7. Rilasciare e misurare
Ha aiutato l'utente target, a un costo accettabile?
Decisione: ampliare, cambiare, sospendere o fermare
Manage
L'ultima colonna associa ogni passo al NIST AI Risk Management Framework, un framework volontario pubblicato a gennaio 2023 il cui nucleo ha quattro funzioni: Govern, Map, Measure e Manage (NIST). Non serve adottare il framework per usare il workflow, ma la corrispondenza aiuta se un cliente, un investitore o un auditor ti chiede come gestisci il rischio dell'IA.
1. Parti da un problema dell'utente che puoi osservare
Annota chi incontra il problema, quando succede, cosa fa oggi e quanto gli costa la soluzione di ripiego attuale. Chiedi di un caso recente, non se la tua idea piace.
Un buon brief del problema è:
Quando si verifica [situazione specifica], [utente specifico] fa fatica a [compito]. Oggi [soluzione di ripiego], il che porta a [conseguenza osservabile]. Crediamo che [piccola modifica] possa migliorare [risultato per l'utente]. Dobbiamo ancora capire [incognita importante].
Usa evidenze come una richiesta al supporto, un'intervista a un cliente, un flusso di lavoro ripetuto o un comportamento nelle analytics di prodotto. Separa ciò che hai osservato da ciò che hai dedotto. Se l'enunciato del problema nomina la funzionalità di IA che hai in mente prima del compito dell'utente, riscrivilo. Il nostro template per l'enunciato del problema ha una versione da copiare con campi per evidenze, ipotesi e incognite.
2. Decidi se l'IA è la soluzione giusta
Confronta un approccio basato sull'IA con un flusso a regole, una ricerca o un filtro, un processo assistito da persone o nessun cambiamento. Le Rules of Machine Learning di Google si aprono esattamente così: la regola 1 è non aver paura di lanciare un prodotto senza machine learning, la regola 2 è progettare e implementare prima le metriche (Google). Anthropic dà lo stesso consiglio per le funzionalità basate su LLM: trovare la soluzione più semplice possibile e aggiungere complessità solo quando serve, il che può significare non costruire affatto un agente (Anthropic, 2024).
La People + AI Guidebook di Google elenca 8 situazioni in cui l'IA è probabilmente meglio di un approccio a regole e 6 in cui probabilmente non lo è (Google PAIR):
L'IA è probabilmente meglio quando…
L'IA probabilmente non è meglio quando…
Utenti diversi hanno bisogno di contenuti diversi, o i contenuti dinamici battono un'interfaccia fissa
Il valore centrale è la prevedibilità (un pulsante Annulla che resta al suo posto)
Devi prevedere eventi futuri
Le informazioni sono statiche o limitate
La personalizzazione migliora l'esperienza
Gli errori sono costosi e pesano più del guadagno
L'input è linguaggio naturale
Gli utenti hanno bisogno di trasparenza totale
Devi riconoscere un'intera classe di cose, o eventi rari che cambiano nel tempo
Velocità e costi bassi contano più della sfumatura
Un agente o bot specifico di un dominio si adatta al compito
Il compito ha alto valore e le persone vogliono svolgerlo da sole
Prima di fare prototipi, rispondi a quattro domande:
Quale risultato per l'utente migliora se l'IA funziona?
Cosa può andare storto se la risposta è sbagliata, incompleta o in ritardo?
L'utente può riconoscere un cattivo risultato e rimediare?
Con quale alternativa più semplice farai il confronto?
3. Fai il test più piccolo che possa cambiare la tua decisione
Costruisci solo quanto basta per capire se l'utente può ottenerne valore. Può essere un prototipo cliccabile, un flusso manuale in stile concierge, un modello in shadow mode che non influisce sulla produzione o un feature flag limitato. Scegli il test in base all'incognita più rischiosa.
Se testi il problema, osserva il flusso di lavoro attuale prima di mostrare una soluzione. Se testi l'usabilità, dai alle persone un compito realistico e osserva dove esitano. Se testi la qualità del modello, usa esempi rappresentativi e confronta il risultato con un'aspettativa chiara. Se testi la disponibilità all'adozione, chiedi un passo successivo significativo, come collegare dati reali o tornare al flusso di lavoro.
Registra cosa il test può e non può dimostrare. Una demo che produce un risultato impressionante non dimostra che i clienti la useranno ripetutamente. Una lista d'attesa misura l'interesse espresso, non la retention. Per un prototipo di IA in fase iniziale, questo piano di validazione del prodotto in sette giorni aiuta a trasformare una demo funzionante in evidenze osservate.
4. Specifica comportamento e criteri di accettazione prima di rifinire il prompt
Scrivi l'utente, il compito, le informazioni che la funzionalità può usare, l'output atteso, i casi limite importanti e cosa succede quando il sistema non può aiutare. Tieni i criteri di accettazione sul comportamento visibile all'utente, non solo sui dettagli di implementazione.
Per esempio, «usa il contesto cliente più recente» è troppo vago. Un requisito verificabile potrebbe dire: «Quando l'utente chiede un riassunto, mostra i record di origine e le date usati; se non ci sono record rilevanti, dillo e non inventare una risposta». Il team può allora valutare se la funzionalità si comporta così su casi realistici.
Includi problema, evidenze, ambito, non-obiettivi, rischi, esempi e domande aperte in un brief che gli ingegneri possano rivedere. Se a scrivere il brief è un'IA, verifica le sue affermazioni sulle evidenze prima che qualcuno costruisca a partire da esso.
5. Fissa limiti chiari per dati, azioni e recupero
Il confine di prodotto di una funzionalità descrive cosa può leggere, modificare, raccomandare o attivare e cosa resta sotto controllo umano. Decidilo prima di collegare il modello a fonti sensibili o di permettergli di compiere azioni.
Anthropic traccia qui una distinzione utile: i workflow eseguono LLM e strumenti lungo percorsi di codice predefiniti, mentre gli agenti dirigono da soli il proprio processo e l'uso degli strumenti, scambiando latenza e costo con flessibilità (Anthropic, 2024). La maggior parte delle funzionalità di prodotto dovrebbe partire come workflow. Una scala di autonomia pratica:
Livello
Cosa può fare l'IA
Controllo umano tipico
Buon primo impiego per
1. Suggerire
Mostrare una raccomandazione che l'utente può ignorare
Nessuno necessario
Ricerca, ranking, tagging
2. Redigere
Produrre un output che una persona modifica e invia
Revisione prima dell'uso
Riassunti, risposte, specifiche
3. Agire con conferma
Compiere un'azione dopo l'approvazione dell'utente
Conferma esplicita, annullamento
Modifiche in blocco, creazione di ticket
4. Agire in autonomia
Compiere azioni senza approvazione per ciascuna
Monitoraggio, limiti, log di audit
Compiti a basso rischio, reversibili e ad alto volume
Le indicazioni di Google PAIR su automazione contro potenziamento si adattano alla stessa scala: automatizza i compiti noiosi, ripetitivi o pericolosi; potenzia, invece di sostituire, i compiti che le persone amano svolgere, in cui conta la responsabilità personale o in cui la posta in gioco è alta (Google PAIR).
Rendi visibile al team e all'utente quanto segue:
A quali fonti di dati la funzionalità può accedere e quali deve ignorare.
Se può solo suggerire, o anche scrivere, inviare, eliminare, acquistare o pubblicare.
Quali azioni richiedono la revisione o la conferma di una persona.
Come gli utenti possono correggere, annullare o segnalare un cattivo risultato.
Cosa fa il prodotto quando la confidenza è bassa, manca una fonte o uno strumento fallisce.
Le 18 Guidelines for Human-AI Interaction di Microsoft sono organizzate proprio attorno a questi momenti: cosa dovrebbe fare il sistema all'inizio, durante l'interazione, quando sbaglia e nel tempo (Microsoft Research, 2019). «Quando sbaglia» è la fase che i team progettano per ultima e che gli utenti incontrano per prima. La guida sulle decisioni dell'IA circoscritte nei workflow di prodotto tratta questo compromesso più in dettaglio.
6. Valuta compiti realistici, compresi i fallimenti
Crea un piccolo set di valutazione rappresentativo a partire da compiti reali degli utenti e casi limite noti. Per ogni esempio, registra il comportamento atteso e perché conta. Includi casi ordinari, contesto mancante, richieste ambigue, fonti in conflitto e casi in cui il sistema dovrebbe rifiutarsi o fare una domanda.
Usa più di un controllo:
Qualità del compito: il risultato ha aiutato l'utente a portare a termine il lavoro?
Grounding: un revisore può ricondurre le affermazioni importanti alla fonte giusta?
Completezza: ha coperto le parti richieste senza aggiungere dettagli non supportati?
Gestione dei fallimenti: ha dichiarato l'incertezza, si è astenuto o ha passato la mano quando serviva?
Adeguatezza operativa: latenza e costo sono accettabili rispetto al valore fornito?
I controlli automatici individuano i fallimenti ripetibili, ma la revisione umana resta utile per i giudizi che richiedono contesto. Confronta le modifiche di modello o di prompt sugli stessi casi, in modo che una nuova versione non migliori un esempio rompendone un altro. Evita un tasso di superamento universale inventato: fissa i criteri di rilascio in base all'impatto sull'utente e al costo del fallimento. Il nostro framework di valutazione dell'IA per i team di prodotto ha un piano riutilizzabile, e la checklist di accettazione per il codice generato dall'IA spiega come rivedere il codice della funzionalità quando l'ha scritto un agente.
7. Rilascia gradualmente e misura il risultato per l'utente
Usa un rollout limitato o un feature flag quando rischio e prodotto lo consentono. Monitora sia il risultato dell'utente sia il comportamento del sistema di IA. A seconda del compito, i segnali utili includono completamento riuscito del compito, tempo per ottenere un risultato utile, tasso di correzione o rifiuto, uso ripetuto, segnalazioni al supporto, frequenza dei ripieghi, latenza e costo per compito completato.
Scegli un risultato primario per l'utente prima del rilascio. Tieni le misure di affidabilità e di costo come soglie di sicurezza. Una funzionalità può avere un alto tasso di clic e produrre poco valore; può anche essere utile a un gruppo ristretto anche se la media complessiva sembra modesta. Scomponi i risultati per segmento di clientela e flusso di lavoro, e parla sia con chi ha usato la funzionalità sia con chi ha smesso.
Alla fine del rollout, prendi una decisione esplicita: ampliare, cambiare il problema o la soluzione, tenere la funzionalità in sospeso per ulteriori evidenze o fermarla. Le tre cause che Gartner prevede per i progetti di IA agentica cancellati (costi in crescita, valore di business poco chiaro, controlli del rischio inadeguati) sono esattamente ciò che questa decisione dovrebbe verificare (Gartner, 2025). Conserva insieme evidenze e motivo della decisione, così il prossimo builder non dovrà ricostruire il contesto da ticket e messaggi in chat.
Che aspetto ha il workflow su una funzionalità reale?
Esempio illustrativo (un team fittizio, non un risultato di un cliente). Supponiamo che a un team SaaS B2B di 6 persone vengano chiesti «riassunti delle chiamate con IA» per i propri account manager.
Problema. Interviste a 7 account manager mostrano che 5 saltano la scrittura delle note delle chiamate dopo le giornate intense e riascoltano le registrazioni prima dei rinnovi. Questo è il comportamento osservato; «vogliono riassunti con IA» non lo è.
Adeguatezza. L'input è una conversazione lunga e non strutturata, cioè lavoro sul linguaggio naturale dove l'IA è plausibilmente meglio. L'alternativa più semplice, un template di note più la ricerca nelle trascrizioni, entra nel confronto.
Test più piccolo. Per 2 settimane il PM scrive a mano i riassunti di 10 chiamate (un test concierge). 4 dei 5 account manager li usano prima degli incontri di rinnovo; l'alternativa del template viene usata una volta.
Comportamento. Ogni riassunto deve citare i timestamp della trascrizione per ogni impegno e dire «Nessun impegno trovato» invece di inventarne uno. Le chiamate sotto i 2 minuti non ricevono un riassunto.
Limiti. Livello 2 della scala di autonomia: accesso in sola lettura alle trascrizioni, nessuna scrittura nel CRM, e l'account manager modifica prima di condividere.
Valutazione. 40 chiamate reali, tra cui 8 casi difficili (due lingue, voci sovrapposte, un rinnovo annullato). Soglia di rilascio: zero impegni inventati e almeno 34 riassunti su 40 giudicati utili da due account manager.
Rilascio. 2 dei 6 account manager per 3 settimane. Risultato primario: quota di chiamate con note registrate entro 24 ore. Soglie di sicurezza: tasso di modifica, latenza e costo per riassunto. Decisione al giorno 21.
Ogni numero qui è una decisione del team, non un benchmark. Il punto è che ogni passo produce qualcosa che il successivo può usare.
Un brief da copiare per una funzionalità di IA
Usa questo breve brief per collegare il pensiero di prodotto all'implementazione:
Campo
Cosa scrivere
Utente target e situazione
Chi ha il problema, e quando compare?
Evidenze
Cosa hanno fatto, detto o aggirato gli utenti? Cosa è ancora un'ipotesi?
Risultato per l'utente
Cosa dovrebbe diventare più facile, veloce, sicuro o affidabile?
Perché l'IA
Cosa rende possibile l'IA che un'alternativa più semplice non permette?
Input e output
Cosa può usare la funzionalità, e cosa deve ricevere l'utente?
Livello di autonomia
Suggerire, redigere, agire con conferma o agire in autonomia?
Limiti
A cosa può accedere o cosa può modificare? Quando deve chiedere, astenersi o passare la mano?
Casi di valutazione
Quali compiti reali e casi di fallimento deve superare?
Soglie di sicurezza del rilascio
Quali segnali di qualità, sicurezza, latenza e costo vanno monitorati?
Decisione dopo il lancio
Quali evidenze porterebbero il team ad ampliare, cambiare o fermare?
Tratta il brief come uno strumento per decidere, non come un altro rito di documentazione. Se un campo non aiuta nessuno a prendere o rivedere una decisione di prodotto, semplificalo.
Quali sono gli errori più comuni nello sviluppo di prodotto con l'IA?
Partire dal modello. «Abbiamo accesso a un nuovo modello, cosa possiamo costruire?» salta il passo 1. Parti da un compito con cui qualcuno è già in difficoltà.
Saltare l'alternativa più semplice. Se non hai mai confrontato l'IA con una regola, un template o una ricerca, non sai se l'IA si sia meritata il suo costo.
Fiducia guidata dalla demo. Un ottimo output su 5 esempi scelti a mano dice poco sui 40 casi disordinati che porteranno gli utenti.
Lanciare a un livello di autonomia troppo alto. Parti da «redigere» e sali solo quando i tassi di correzione mostrano che le persone si fidano dell'output.
Nessun risultato primario. Senza, ogni lancio sembra un successo perché qualche metrica è salita.
Perdere il ragionamento. Sei mesi dopo nessuno ricorda perché il limite sia stato fissato lì. Registra la decisione insieme alle evidenze.
Come si inseriscono product engineer e builder nel workflow?
I product engineer possono contribuire prima dell'implementazione portando i vincoli tecnici nella formulazione del problema, partecipando alla ricerca sugli utenti e verificando se il flusso proposto può funzionare con i dati e i sistemi disponibili. Atlassian descrive il product engineering come eccellenza tecnica più contesto del cliente più risoluzione strategica dei problemi, e indica il contesto del cliente come elemento differenziante (Atlassian, 2026). Il punto pratico: gli ingegneri dovrebbero capire perché un problema è importante, non solo quale codice scrivere.
Founder e product lead restano responsabili della decisione di prodotto: quale utente servire, quale risultato conta, quale rischio è accettabile e se le evidenze giustificano il prossimo investimento. Gli strumenti di coding con IA possono aiutare a redigere, fare prototipi, riassumere e controllare il lavoro. Non stabiliscono che il problema scelto sia importante né che una funzionalità abbia migliorato la vita del cliente.
Dove si inserisce Specky
Specky è costruito attorno alla versione connessa di questo ciclo. Porta chiamate con i clienti, feedback, Slack, Jira e analytics in un Product Graph, redige specifiche e ticket con le evidenze dei clienti citate inline e verifica dopo il lancio se la scommessa ha funzionato, così i passi 1, 4 e 7 condividono un unico registro invece di tre strumenti. Il suo server MCP permette agli agenti di coding di recuperare quel contesto prima di costruire. Se stai confrontando le opzioni, la nostra rassegna degli strumenti di product management con IA mette a confronto le alternative, con i prezzi.
Domande frequenti
Qual è il primo passo di un workflow di sviluppo di prodotto con l'IA?
Parti da un problema specifico dell'utente e dalle evidenze di come le persone lo gestiscono oggi. Poi decidi quale incertezza potrebbe invalidare l'idea prima di scrivere un prompt dettagliato o di costruire un prodotto completo. Se non riesci a descrivere il problema senza nominare la tua funzionalità di IA, non l'hai ancora trovato.
Qual è il modo più efficace di integrare l'IA in un processo di sviluppo di prodotto esistente?
Aggiungi l'IA dove il tuo processo è già solido, non dove è debole. La ricerca DORA descrive l'IA come un amplificatore di punti di forza e di debolezza esistenti. In pratica: mantieni discovery e decision making, aggiungi un controllo «questa funzionalità dovrebbe usare l'IA?» prima di costruire, un set di valutazione prima del rilascio e una verifica dei risultati dopo il lancio.
Come si misura se una funzionalità di IA ha successo?
Misura il risultato del compito centrale dell'utente, poi osserva affidabilità, recupero, latenza, costo e uso ripetuto come soglie di sicurezza. Le misure giuste dipendono dal compito e dall'impatto di un cattivo risultato; non esiste un unico punteggio di qualità universale. Scegli il risultato primario prima del rilascio, in modo che l'esito non possa essere reinterpretato a posteriori.
Ogni funzionalità di IA dovrebbe essere lanciata completamente automatizzata?
No. Parti dal livello di autonomia più basso che aiuti l'utente, di solito suggerire o redigere. Raccomandazioni, bozze e azioni reversibili richiedono meno controlli delle azioni che coinvolgono altre persone, denaro o record importanti. Sali nella scala di autonomia solo quando i tassi di correzione e di errore mostrano che l'output è considerato affidabile.
Un product engineer può guidare la product discovery con l'IA?
Sì. I product engineer possono intervistare utenti, esaminare flussi di lavoro e dare forma ai prototipi insieme a PM e designer. L'importante è preservare le evidenze dirette dei clienti e rendere esplicite le decisioni di prodotto, invece di trattare la velocità di implementazione come prova di valore.
Quanto dura il workflow di sviluppo di prodotto con l'IA?
Per una funzionalità piccola, i passi da 1 a 3 possono richiedere una o due settimane, e un rilascio limitato richiede di solito da due a quattro settimane di uso reale prima della decisione. Il workflow scala con il rischio: una funzionalità di suggerimento a basso rischio richiede un set di valutazione più leggero di una che scrive nei record dei clienti.
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