2 luglio 2026Aggiornato il Fathy Shalaby10 min di lettura
Learning velocity: perché la velocità di apprendimento batte la velocità di rilascio
L’IA ha reso più veloce il costruire. Non ha reso più veloce il sapere cosa costruire. La learning velocity, la velocità che va dalla domanda a una decisione supportata da prove, è il vantaggio che si accumula.
La learning velocity è la rapidità con cui un team di prodotto trasforma una domanda aperta in una decisione supportata da prove: da «pensiamo che i clienti vogliano X» a «l’abbiamo testato, ed ecco cosa faremo». Conta più della velocità di rilascio perché la maggior parte delle idee di prodotto fallisce, quindi il team che scarta più in fretta le idee sbagliate e conferma più in fretta quelle giuste accumula vantaggio.
Punti chiave
La maggior parte delle idee non funziona. In Microsoft, solo circa un terzo delle idee testate in esperimenti controllati ha migliorato la metrica che doveva migliorare, e circa un terzo l’ha peggiorata (Kohavi et al., 2009).
Costruire è diventato più veloce. Nello studio controllato di GitHub del 2022 su 95 sviluppatori, chi usava Copilot ha completato un compito il 55% più in fretta (GitHub, 2022). L’apprendimento non è diventato più veloce da solo.
Le metriche di delivery si fermano al deployment. Il change lead time di DORA va dal commit alla produzione (DORA); niente in esso misura se il cambiamento ha funzionato.
Le aziende che imparano molto testano in grandi volumi: Booking.com esegue circa 25.000 test all’anno (HBR, 2020).
Puoi misurarla con quattro numeri: tempo del ciclo di apprendimento, decisioni al mese, quota di scommesse rilasciate che vengono riviste e punti di contatto settimanali con i clienti.
Che cos’è la learning velocity?
È il ritmo con cui un team produce decisioni validate: scelte di costruire, cambiare o fermare qualcosa, basate su prove raccolte a quello scopo. È la versione di prodotto dell’idea di Eric Ries secondo cui «l’unità di progresso per le Lean Startup è l’apprendimento validato» (The Lean Startup). Ries sostiene che ogni processo di una startup dovrebbe accelerare il ciclo Build-Measure-Learn.
Due cose la distinguono dalla velocità di rilascio:
Conta decisioni, non release. Una funzionalità rilasciata e mai misurata aggiunge zero apprendimento. Un test di due giorni che uccide una cattiva idea ne aggiunge molto.
Include la parte lenta dopo il lancio. Il ciclo non è chiuso finché qualcuno non verifica se la scommessa ha funzionato e cambia il piano.
In che cosa differisce dalla delivery velocity?
Delivery velocity
Velocità di apprendimento
Misura
Quanto in fretta il codice arriva in produzione
Quanto in fretta le domande diventano decisioni basate su prove
Metrica tipica
Change lead time DORA, frequenza di deployment
Tempo del ciclo di apprendimento, decisioni validate al mese
L’orologio parte
Il codice viene committato
L’ipotesi viene scritta
L’orologio si ferma
Il cambiamento viene distribuito
Si prende la decisione sul risultato
Modalità di fallimento
Release lente e rischiose
Release rapide di cose che nessuno voleva
Entrambe contano. Ma un team può essere di élite nella delivery e imparare comunque lentamente; il nostro articolo sull’illusione della velocità di prodotto lo approfondisce.
Perché la velocità di apprendimento è un vantaggio competitivo nel 2026?
Si combinano tre fatti.
1. La maggior parte delle idee fallisce, quindi conta la velocità con cui le scarti. Il team di Kohavi in Microsoft ha scoperto che solo circa un terzo delle idee migliorava la metrica obiettivo, un terzo restava neutro e circa un terzo la peggiorava (Kohavi et al., 2009). Notano che anche il tasso di successo di Amazon era inferiore al 50%. Se due scommesse su tre non ripagano, il team che lo scopre in una settimana batte quello che lo scopre in un trimestre.
2. I vincitori sono grandi e difficili da prevedere. Un esperimento di Bing, una modifica a come venivano mostrati i titoli degli annunci, ha aumentato i ricavi del 12%, per un valore di oltre 100 milioni di dollari l’anno solo negli Stati Uniti (HBR, 2017). Richiedeva solo pochi giorni di ingegneria, eppure è rimasto non realizzato per più di sei mesi perché era stato etichettato come bassa priorità. Vincitori così si trovano testando più idee, non indovinando meglio.
3. Costruire non è più il collo di bottiglia. Gli assistenti di programmazione hanno ridotto drasticamente i tempi dei compiti negli studi controllati; in quello di GitHub, 1 ora e 11 minuti con Copilot contro 2 ore e 41 senza. Quando costruire costa meno, anche rilasciare funzionalità non validate costa meno, e la scoperta di Pendo secondo cui l’80% delle funzionalità di un prodotto medio viene usato raramente o mai (Pendo, 2019) diventa più facile da ripetere. Ciò che resta scarso è sapere quali funzionalità meritano di esistere.
I concorrenti possono copiare una funzionalità in poche settimane. Non possono copiare il registro accumulato di ciò che hai testato, di ciò che hanno fatto i tuoi clienti e del perché hai deciso ciò che hai deciso.
Come si misura la learning velocity?
Non esiste una formula standard di settore. Queste sono le quattro metriche che consigliamo; insieme resistono alle manipolazioni.
Metrica
Definizione
Come raccoglierla
Direzione sana
Tempo del ciclo di apprendimento
Giorni mediani da quando un’ipotesi viene scritta a quando si decide su di essa
Registro delle ipotesi o delle decisioni con due date
In calo
Decisioni validate al mese
Decisioni di costruire, cambiare o fermare che citano prove raccolte per quella domanda
Contare le voci del registro delle decisioni con prove allegate
In crescita
Scommesse rilasciate riviste
Quota di lanci con un risultato registrato rispetto alla metrica obiettivo entro 6 settimane
Confrontare l’elenco dei lanci con le revisioni post-lancio
In crescita, obiettivo 80%+
Punti di contatto con i clienti a settimana
Conversazioni, test o osservazioni che coinvolgono il team che costruisce il prodotto
Calendario o registro della ricerca
Almeno 1, secondo Torres
L’ultima viene da Teresa Torres, che definisce la continuous discovery come punti di contatto settimanali con i clienti da parte del team che costruisce il prodotto, in vista di un risultato desiderato (Product Talk).
Esempio svolto: quanto vale imparare tre volte più in fretta (illustrativo)
Supponi che un team di prodotto di 5 persone prenda 3 decisioni validate al mese, con un tempo mediano del ciclo di apprendimento di 41 giorni. Usa il tasso di base di Microsoft: circa 1 idea testata su 3 migliora la propria metrica obiettivo.
Prima: 3 decisioni × 1/3 di successo = circa 1 cambiamento vincente al mese, cioè 12 all’anno.
Dopo aver portato il tempo di ciclo a 12 giorni con test più piccoli e una revisione settimanale: 9 decisioni al mese × 1/3 = circa 3 cambiamenti vincenti al mese, cioè 36 all’anno.
Il team ferma inoltre circa 6 idee perdenti al mese prima, prima che consumino settimane di ingegneria.
Il punto è il rapporto: il team non è più bravo a indovinare di prima. È tre volte più veloce a scoprirlo.
Come aiuti un team di prodotto a imparare più in fretta? Un metodo in 7 passi
Scrivi la domanda prima della soluzione. Per ogni scommessa, registra l’ipotesi, la decisione che informerà e la metrica che la risolverebbe. Un’ipotesi non testata senza una decisione collegata è solo un’opinione.
Scegli il test più economico che potrebbe farti cambiare idea. Interviste, fake door, test concierge e prototipi spesso rispondono in pochi giorni a ciò a cui una build completa risponde in mesi. La nostra guida a come scegliere un esperimento di prodotto abbina 55 metodi alla domanda a cui devi rispondere.
Stabilisci in anticipo la regola decisionale. «Se meno del 15% degli utenti in prova clicca sul pulsante di importazione in 2 settimane, lo scartiamo». Impegnarsi in anticipo impedisce di reinterpretare i risultati per farli combaciare con il piano.
Parla con i clienti ogni settimana. Il ritmo settimanale di Torres mantiene un flusso costante di prove, così i test partono da problemi reali. Il nostro articolo sulla continuous discovery spiega come pianificarla senza che prenda il sopravvento sulla roadmap.
Vai veloce sulle decisioni reversibili. Jeff Bezos sostiene che la maggior parte delle decisioni dovrebbe essere presa con circa il 70% delle informazioni che vorresti avere, e chiama le decisioni reversibili porte a doppio senso, che meritano un processo leggero (Amazon, 2017). Il suo obiettivo: «decisioni di alta qualità e ad alta velocità». Riserva la revisione lenta e pesante alle decisioni che non puoi annullare.
Chiudi il ciclo dopo il lancio. Fissa la revisione quando rilasci: controlla la metrica obiettivo a 2 e a 6 settimane, registra il risultato e decidi se mantenere, iterare o rimuovere.
Rendi l’apprendimento condiviso. Scrivi ogni decisione, le sue prove e il suo risultato in un registro delle decisioni di prodotto. L’apprendimento che sta nella testa di una sola persona non si accumula quando quella persona se ne va o dimentica.
Che cosa rallenta l’apprendimento di un team di prodotto?
La maggior parte dei team è lenta per ragioni strutturali, non per mancanza di impegno:
Batch grandi. Un progetto lungo un trimestre restituisce una risposta a trimestre. Dividerlo in 3-4 fette testabili restituisce 3-4 risposte.
Roadmap che promettono funzionalità a data fissa. Una funzionalità con una data diventa un impegno, quindi le prove contrarie vengono ignorate. Una roadmap basata sugli outcome tiene fisso il risultato e lascia cambiare le scommesse.
Nessuna metrica di successo concordata. Se nessuno ha concordato che cosa significa «ha funzionato», ogni risultato è discutibile. Una north star chiara con metriche di input lo risolve in anticipo.
Prove sparse tra gli strumenti. Interviste in un posto, ticket in un altro e analytics in un terzo significa che ogni decisione inizia con un progetto di archeologia.
Nessuna strategia contro cui testare. Senza una scommessa dichiarata, i test sono casuali. Un canvas strategico di una pagina nomina le ipotesi più rischiose da testare per prime.
Errori comuni e limiti
Contare gli esperimenti invece delle decisioni. Un team che esegue 40 test al mese e non cambia nulla ha attività, non apprendimento. Tieni traccia delle decisioni prese sui risultati.
Velocità senza rigore. L’articolo di Kohavi mette in guardia contro gli esperimenti sequenziali non controllati, come confrontare questa settimana con la scorsa invece di eseguire un gruppo di controllo nello stesso periodo, perché molto spesso fuorviano. Veloce e sbagliato è peggio che lento e giusto.
Credere di aver bisogno di test A/B. Gli esperimenti controllati richiedono traffico. Un prodotto con 200 utenti settimanali non può rilevare effetti piccoli. Sotto quella scala, l’apprendimento rapido viene da interviste, test di usabilità, fake door e offerte concierge, non dalla statistica.
Teatro dell’apprendimento. La ricerca che non cambia mai una decisione è teatro. Se gli ultimi 10 studi non hanno cambiato nulla nella roadmap, chiediti se la roadmap fosse già decisa.
Ignorare le decisioni irreversibili. Cambi di prezzo, migrazioni di dati e impegni pubblici sono porte a senso unico. Meritano la via lenta, anche in un team che impara in fretta.
Dove si inserisce Specky
Le parti più lente del ciclo sono di solito la raccolta delle prove e la chiusura del ciclo dopo il lancio, ed è lì che Specky aiuta. Legge chiamate con i clienti, feedback, Slack, Jira e analytics in un Product Graph, così una nuova domanda parte da ciò che già sai. Alex, il suo agente di ricerca basato sull’IA, conduce interviste ai clienti da un link condivisibile, quindi la ricerca non aspetta i calendari. Dopo un lancio, verifica se la scommessa ha spostato il suo obiettivo, e il Decision Log conserva la traccia. Per le organizzazioni più grandi, lo stesso ciclo su molti squad fa parte del modello operativo di prodotto per i team in crescita.
Domande frequenti
Che cos’è la learning velocity nel product management?
La learning velocity è la velocità con cui un team di prodotto trasforma le ipotesi in decisioni supportate da prove. Si misura dal momento in cui una domanda viene scritta al momento in cui si prende, sul risultato, una decisione di costruire, cambiare o fermare. Si distingue dalla delivery velocity, che misura quanto in fretta il codice arriva in produzione, indipendentemente dal fatto che funzioni.
Come si misura la learning velocity?
Tieni traccia di quattro numeri: il tempo mediano del ciclo di apprendimento (giorni dall’ipotesi alla decisione), le decisioni validate al mese, la quota di scommesse rilasciate riviste rispetto alla metrica obiettivo entro circa 6 settimane e i punti di contatto con i clienti a settimana. Usali insieme, perché ciascuno da solo può essere manipolato, per esempio eseguendo molti esperimenti banali.
La velocità di apprendimento è la stessa cosa della velocità di sperimentazione?
No. La velocità di sperimentazione conta i test eseguiti; la velocità di apprendimento conta le decisioni cambiate o confermate dalle prove. Un team può eseguire molti esperimenti e imparare poco se i test sono banali o i risultati non incidono mai sulla roadmap. La velocità di sperimentazione è un input utile, ma l’output che conta sono decisioni migliori prese prima.
Una piccola startup può imparare più in fretta senza test A/B?
Sì. La maggior parte dell’apprendimento nelle fasi iniziali viene da metodi qualitativi e a basso traffico: interviste ai clienti, test di usabilità, test fake door, offerte concierge e conversazioni sui prezzi. Possono rispondere a una domanda in 2-10 giorni. I test A/B diventano utili solo quando hai abbastanza traffico per rilevare le dimensioni dell’effetto che ti interessano, cosa che la maggior parte dei prodotti con meno di qualche migliaio di utenti settimanali non ha.
Perché la velocità di apprendimento conta di più ora che l’IA scrive codice?
Perché l’IA abbassa il costo del costruire, ma non quello di costruire la cosa sbagliata. Lo studio di GitHub del 2022 ha rilevato che gli sviluppatori completavano un compito il 55% più in fretta con Copilot. Quando le funzionalità costano poco da costruire, la competenza scarsa diventa sapere quali costruire, e il team che valida le idee più in fretta spreca meno della sua nuova capacità.
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