Sapere quando usare l'AI in un prodotto si riduce a quattro verifiche. Usa un modello quando l'input è davvero disordinato o variabile, quando un modello batte una regola più semplice su un risultato che interessa agli utenti, quando gli errori sono economici o facili da intercettare e quando puoi testarlo su esempi reali. Se una risposta è no, parti da una regola, una query o una persona.
Punti chiave
Le Rules of Machine Learning di Google si aprono con la Rule #1: non aver paura di lanciare un prodotto senza machine learning (Google).
Il consiglio di Anthropic per le app LLM è trovare la soluzione più semplice che funzioni, il che «può significare non costruire affatto sistemi agentici» (Anthropic, 2024).
La fiducia non è scontata: il 46% degli sviluppatori dice di non fidarsi dell'accuratezza degli strumenti di AI e il 33% si fida, e il 66% è frustrato da risposte quasi giuste ma non del tutto (Stack Overflow, 2025).
La People + AI Guidebook di Google elenca i casi in cui l'AI probabilmente non è migliore: quando conta la prevedibilità, gli errori sono costosi o serve piena trasparenza (Google PAIR).
Scrivi un brief di una pagina per la funzionalità AI prima del prompt: utente, evidenze, confine, percorso di errore, valutazione e responsabile.
Quando una funzionalità di prodotto dovrebbe usare l'AI?
Parti dal lavoro dell'utente, non dal modello. L'AI tende ad aiutare quando un'attività coinvolge testo libero, immagini, contesto incompleto o molti casi leggermente diversi che oggi una persona interpreta a mano, e quando l'output può essere verificato in sicurezza. Una regola stabile può essere più semplice. Una decisione ad alto impatto può richiedere che sia una persona a tenere il controllo.
Il team PAIR di Google, che ha scritto la People + AI Guidebook, lo dice senza giri di parole: in molti casi una soluzione più semplice funziona altrettanto bene di una versione con AI, ed è più facile da costruire, spiegare, fare debug e mantenere. La sua guida suggerisce di sostituire «Possiamo usare l'AI per fare X?» con «Come potremmo risolvere X?», e poi di chiedersi se l'AI lo risolve in un modo unico.
La guida elenca situazioni in cui l'AI è probabilmente migliore delle regole:
una personalizzazione che migliora l'esperienza, come un termostato che impara le abitudini
comprensione del linguaggio naturale
riconoscere una classe generale di cose, come gli oggetti nelle foto
rilevare eventi rari che cambiano nel tempo, come le frodi
Lo stesso capitolo elenca dove l'AI probabilmente non è migliore: mantenere la prevedibilità (un pulsante Annulla deve restare dov'è), informazioni statiche o limitate come un modulo di pagamento con carta, ridurre al minimo gli errori costosi, la trasparenza completa, ottimizzare per velocità e basso costo prima di ogni altra cosa, e attività che le persone dicono di non voler automatizzare.
Come decidi quando usare l'AI in un prodotto?
Per decidere quando usare l'AI in un prodotto, rispondi a queste quattro domande in ordine insieme a chi è responsabile del problema: un product manager, un fondatore, un product engineer o la persona che fa il brief a un agente di coding AI.
1. Il problema dell'utente è davvero variabile?
Scrivi l'input e la decisione che la funzionalità deve prendere. Guarda esempi reali dal workflow: richieste recenti al supporto, note di interviste, moduli inviati o altri segnali rappresentativi.
Se l'input è strutturato e la corrispondenza è stabile, parti da una baseline deterministica, come una regola, una query o un normale workflow. Se le persone devono interpretare testo libero, immagini o contesto incompleto, un modello può aiutare con la variabilità.
Questo è un test, non un divieto dell'AI sui dati strutturati. La Rule #3 di Zinkevich dice di scegliere il machine learning invece di un'euristica complessa una volta che hai i dati, perché un'euristica semplice si rilascia in fretta, ma una complessa diventa ingestibile. Il punto è nominare che cosa il modello aggiunge che un approccio più semplice non dà.
2. L'AI migliora il risultato rispetto a un'opzione più semplice?
Nomina il miglioramento dal punto di vista dell'utente. Potrebbe ridurre lo smistamento manuale ripetuto, rendere più facile la revisione di un grande insieme di evidenze o permettere a un utente di descrivere un'attività in linguaggio naturale. «Usa l'AI» non è un risultato.
Confronta la funzionalità proposta con un'alternativa realistica: il workflow attuale, una versione basata su regole o una persona che svolge l'attività. Annota i trade-off in termini di latenza, costo, prevedibilità, accessibilità e manutenzione. Anthropic osserva che i sistemi agentici spesso barattano latenza e costo con prestazioni migliori sul compito, e che i compiti ben definiti sono di solito meglio serviti da workflow prevedibili. Se la versione AI non migliora un risultato significativo per l'utente, tieni quella più semplice.
Zinkevich aggiunge un avvertimento sui dati: un modello preso in prestito da un altro problema e ritoccato per il tuo prodotto probabilmente renderà meno di semplici euristiche. Nessun dato di solito significa nessun modello, per ora.
3. Cosa succede quando il modello sbaglia?
Elenca i modi di fallimento plausibili e quanto costa ciascuno all'utente. Un riassunto in bozza da rivedere comporta un rischio diverso da quello di un modello che cambia gli accessi, calcola una fattura o invia un messaggio a nome di qualcuno.
I quasi-successi sono i più costosi. Nel sondaggio Stack Overflow 2025, la frustrazione principale, citata dal 66% degli sviluppatori, era l'output dell'AI quasi giusto, e il 45% ha detto che fare debug del codice generato dall'AI richiede più tempo. Una risposta sbagliata che sembra giusta costa tempo di revisione; una risposta sbagliata data con sicurezza che nessuno rivede costa fiducia.
Scegli il controllo in base alla conseguenza:
Mantieni l'output come suggerimento quando una persona può rivederlo.
Mostra le evidenze o gli input dietro una raccomandazione dove aiuta l'utente a giudicare.
Prevedi un'alternativa chiara o un modo semplice per correggere il risultato.
Indirizza a una persona i casi incerti o con conseguenze importanti.
Rendi reversibili le azioni automatizzate e registra cosa ha fatto il sistema.
Le Guidelines for Human-AI Interaction di Microsoft, validate in un articolo del CHI 2019, coprono come dovrebbe comportarsi un sistema al primo utilizzo, durante l'uso regolare, nel tempo e quando inevitabilmente sbaglia (Microsoft Research). Per le decisioni ad alto impatto serve anche una revisione specifica del dominio; una checklist generica sull'AI non sostituisce la revisione legale, di sicurezza o di esperti della materia. La guida sulle decisioni AI con confini mostra come scrivere il passaggio di consegne.
4. Il team può valutarlo con esempi rappresentativi?
Prima del rilascio, metti insieme esempi che riflettano gli input attesi, i casi limite importanti e i modi in cui gli utenti formulano o combinano le richieste. Etichetta il risultato atteso o i criteri che userà un revisore. Confronta il comportamento dell'AI con la baseline più semplice sugli stessi casi.
Definisci un gate di rilascio prima di vedere i risultati: quali errori sono inaccettabili, quali output richiedono revisione umana e quale qualità è sufficiente per un rollout limitato. Dopo il lancio, monitora correzioni, uso dell'alternativa, segnalazioni di errori, latenza, costo e il risultato che la funzionalità doveva migliorare.
Non esiste un numero universale di esempi che renda sicura una funzionalità. L'insieme dovrebbe essere abbastanza ampio e vario per la decisione in corso, con le lacune scritte. Il framework di valutazione dell'AI per team di prodotto copre passo dopo passo dataset, rubriche e valutatori.
AI, regole o una persona: cosa scegliere?
Situazione
Buona prima opzione
Cosa verificare
Input stabile e una regola nota e ripetibile
Regola o workflow
La regola copre i casi reali e ha un responsabile chiaro
Esiste una regola, ma è cresciuta fino a decine di eccezioni
Modello, una volta che hai i dati
Il modello batte la regola sugli stessi casi etichettati
Input disordinato; una persona può rivedere una bozza utile
Assistenza AI
Gli utenti possono correggerla e la bozza fa risparmiare lavoro senza nascondere le fonti
Un modello può compiere un'azione limitata e reversibile
Automazione con confini
Ambito, permessi, alternativa, logging e rollback sono definiti
Compito aperto, in più passaggi, con passaggi imprevedibili
Agente, se latenza e costo sono accettabili
Ogni passaggio è osservabile e una persona può fermare l'esecuzione
Il problema dell'utente o le evidenze di valutazione non sono chiari
Discovery o prototipo
Impara da utenti reali prima di impegnarti nell'automazione in produzione
Questa tabella inquadra la decisione; non la prende al posto del team. Una funzionalità AI dovrebbe avere un utente con un nome, un lavoro reale, una baseline più semplice e un modo per accorgersi quando non funziona.
L'AI dovrebbe automatizzare il compito o potenziare la persona?
La PAIR Guidebook traccia una seconda linea che le quattro domande non coprono: se le persone vogliono davvero che il compito sia fatto al loro posto. Suggerisce di automatizzare i compiti difficili, spiacevoli o che richiedono scala, idealmente dove le persone che oggi li svolgono concordano sulla risposta corretta. Suggerisce di potenziare (augment) i compiti che le persone apprezzano, che portano capitale sociale o su cui le persone non sono d'accordo su cosa sia «corretto».
Automatizzare
Potenziare
Il compito sembra
Noioso, ripetitivo, ad alto volume
Creativo, ricco di giudizio, apprezzato personalmente
Risposta corretta
Condivisa da chi lo fa oggi
Contesa o personale
Il successo somiglia a
Meno tempo speso, meno errori
Più controllo, output migliore, più fiducia
Esempio nel lavoro di prodotto
Deduplicare il feedback, taggare i ticket
Scegliere cosa costruire, scrivere il posizionamento
I team di prodotto tendono ad automatizzare troppo la seconda colonna. Prioritizzazione, posizionamento e l'ultima parola su una spec sono compiti da potenziare. L'elenco di cosa i product manager non dovrebbero mai delegare all'AI li passa in rassegna uno per uno.
Un esempio svolto: organizzare il feedback dei clienti
Questo è un workflow illustrativo, non un caso cliente di Specky né un risultato riportato. Diciamo che un team di 5 persone riceve circa 400 feedback in testo libero al mese tramite supporto, chiamate di vendita e un widget in-app. Oggi una persona dedica circa 6 ore al mese a taggarli, e il team vuole trovare temi ricorrenti e decidere cosa approfondire.
Applica le quattro domande:
Variabile? In parte. Circa il 70% degli elementi cita per nome un'area di prodotto nota, che una regola a parole chiave può taggare. Il resto descrive i problemi con le parole del cliente.
Meglio del più semplice? Solo per il restante 30%. Un modello può suggerire temi e allegare gli estratti originali che li sostengono. I conteggi esatti per i tag noti restano normali query.
Costo dell'errore? Basso, se una persona rivede i temi suggeriti prima che diventino decisioni di roadmap e può unirli, rinominarli o rifiutarli.
Valutabile? Sì. Il team etichetta a mano 100 elementi passati e verifica se i temi del modello mantengono differenze importanti, come «l'esportazione è lenta» contro «all'esportazione manca un formato».
Il risultato è un ibrido: una regola per il 70%, suggerimenti dell'AI per il 30% e una persona che decide cosa conta. Il modello organizza il linguaggio ambiguo; non decide cosa costruisce il team. Il team poi monitora il tempo di revisione rispetto alla baseline di 6 ore e quanto spesso i revisori correggono un tema. Se le correzioni restano sopra, diciamo, 1 su 4 dopo un mese, torna al tagging manuale per quella fetta. Il template di sintesi delle interviste ai clienti descrive più a fondo il passaggio di revisione.
Brief di funzionalità AI da copiare
Usa questo breve brief prima di scrivere un prompt o di passare il lavoro a un agente di coding AI:
Utente e lavoro: chi sta cercando di fare cosa?
Evidenze: quali esempi reali mostrano che questo problema esiste?
Compito per l'AI: quale input riceve il modello e quale output può restituire?
Perché l'AI: cosa migliora il modello rispetto alla baseline utile più semplice?
Confine: cosa non deve mai decidere o fare il modello?
Percorso di errore: come si accorgerà l'utente di un risultato sbagliato, lo correggerà o si riprenderà?
Valutazione: quali esempi e casi limite useranno i revisori?
Gate di rilascio: cosa deve essere vero prima del rollout e cosa fa scattare una pausa?
Misura del successo: quale risultato per l'utente deve migliorare e quali trade-off verranno monitorati?
Responsabile: chi rivede la funzionalità dopo il rilascio?
Per chi costruisce con strumenti di coding AI, tieni separati il problema dell'utente e il comportamento dalle scelte di implementazione. Lo Spec Kit di GitHub, per esempio, porta una specifica di funzionalità attraverso pianificazione e implementazione e include un processo per decidere se un'idea meriti persino un investimento (GitHub Spec Kit). Una spec rende l'intento più facile da rivedere; non dimostra che il codice generato o l'output del modello sia corretto. La guida al PRD copre il resto del documento.
Errori comuni nel decidere di usare l'AI
Partire dalla tecnologia. Le interviste di RAND a 65 professionisti dell'AI hanno indicato la concentrazione sull'ultima tecnologia invece che sui problemi reali degli utenti come una delle cinque cause profonde del fallimento dei progetti di AI (RAND, 2024). La nostra analisi di perché il dato del 95% sui pilot di AI è fuorviante copre il resto.
Saltare la baseline. Se nessuno ha cronometrato il processo manuale, nessuno può dire che la versione AI sia migliore.
Trattare gli esempi sintetici come prova. I casi di test generati ampliano la copertura; non dimostrano che gli utenti reali ne trarranno beneficio.
Nascondere l'incertezza. Una risposta sicura e senza fonti insegna agli utenti o a fidarsi troppo o a ignorare la funzionalità.
Nessun piano di uscita. Ogni funzionalità AI ha bisogno di un responsabile con nome e di una condizione in cui viene riportata alla versione più semplice.
Anche un buon test ha dei limiti. Alcune funzionalità sembrano marginali in un pilot e diventano preziose solo quando l'uso accumula i dati di cui un modello ha bisogno, lo schema che descrive la Rule #3 di Zinkevich. Registralo come motivo per rivedere la questione, non come motivo per rilasciare adesso.
Come gestisci il rischio di una funzionalità AI dopo il lancio?
La decisione di usare l'AI non è conclusa quando la funzionalità supera una valutazione pre-lancio. Input, comportamento degli utenti, modelli e workflow circostante cambiano. Dai a qualcuno la responsabilità di rivedere qualità ed errori dopo il rilascio e rivaluta la baseline più semplice quando la funzionalità cambia o le evidenze non sostengono più il suo valore.
Il NIST AI Risk Management Framework, rilasciato il 26 gennaio 2023 e pensato per l'uso volontario, aiuta i team a organizzare le domande sull'affidabilità lungo progettazione, sviluppo, uso e valutazione (NIST). Il NIST ha aggiunto un Generative AI Profile, NIST-AI-600-1, il 26 luglio 2024. Nessuno dei due certifica una funzionalità né sostituisce la valutazione specifica del prodotto.
Dove si inserisce Specky
Il brief qui sopra dipende dalle evidenze: esempi reali, una baseline e una traccia del perché il team ha scelto l'AI. Specky legge chiamate con i clienti, feedback, Slack, Jira e analytics in un Product Graph e redige spec con quelle evidenze citate inline, così il motivo per usare un modello viaggia con la spec. Puoi iniziare senza: il generatore di PRD gratuito trasforma il brief in una prima bozza.
Domande frequenti
Quando una funzionalità di prodotto dovrebbe usare l'AI?
La regola breve per sapere quando usare l'AI in un prodotto: usala quando il compito ha una variabilità reale, come testo libero o immagini, quando un modello batte una baseline più semplice su un risultato per l'utente, quando gli errori sono economici o rivedibili e quando puoi testarlo su esempi rappresentativi. Usa un workflow deterministico quando la logica è stabile e più facile da spiegare o mantenere.
Quando non dovresti usare l'AI in un prodotto?
Evita l'AI dove la prevedibilità conta di più, dove le informazioni sono statiche, dove gli errori sono molto costosi, dove serve piena trasparenza o dove gli utenti dicono di non voler automatizzare il compito. La People + AI Guidebook di Google elenca questi casi, e le sue Rules of Machine Learning raccomandano di lanciare senza machine learning quando mancano i dati.
Come valutano i team di prodotto una funzionalità AI?
Usa esempi rappresentativi, definisci i criteri di revisione prima di testare, confronta il modello con il workflow attuale o basato su regole e controlla i casi limite importanti. Dopo il lancio, monitora correzioni, errori, latenza, costo e il risultato per l'utente. Tieni i casi ad alto rischio sotto revisione umana finché le evidenze non sostengono più automazione.
Un agente di coding AI dovrebbe decidere se una funzionalità ha bisogno dell'AI?
No. Un agente di coding può aiutare a esplorare opzioni o a redigere un piano di implementazione, ma il team di prodotto dovrebbe possedere il problema dell'utente, le evidenze, i confini di rischio e la decisione di rilascio. Dai all'agente un brief in cui quelle decisioni sono già prese, così implementa il comportamento concordato invece di inventarne uno.
E se non ci sono ancora abbastanza dati reali?
Tratta le evidenze mancanti come un compito di discovery. Intervista gli utenti, osserva il workflow attuale o prototipa l'esperienza con limiti chiari. Non presentare esempi sintetici come prova che la funzionalità funzionerà per utenti reali. Lanciare con una regola semplice e raccogliere dati è spesso la via più rapida verso un modello utile.
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