Co-concezione e intelligenza artificiale: artefatti generati non valgono comprensione

Nota rivista il 25 maggio 2026. Articolo inizialmente pubblicato nel gennaio 2026 — riscrittura integrale.

L'apparizione di strumenti alimentati da modelli generativi capaci di produrre mockup, wireframe e varianti di interfacce in pochi istanti pone una domanda apparentemente semplice: a cosa serve ancora un approccio di co-concezione costoso in tempo e in workshop, quando la produzione degli artefatti si è massicciamente accelerata?

La risposta merita di essere posta chiaramente. L'intelligenza artificiale produce artefatti. La co-concezione costruisce la comprensione dei bisogni a partire dai quali un prodotto o un servizio possono essere pertinenti. Queste due attività non sono sostituibili. Confondere la velocità di produzione con la qualità della concezione è l'errore operativo più frequente che le équipe design osservano da due anni.

Questa nota espone la distinzione, qualifica ciò che gli strumenti di generazione assorbono realmente, identifica le zone in cui la pratica umana resta strutturante, e propone un quadro che rende l'articolazione operativa.

Ciò che gli strumenti di generazione assorbono effettivamente

Le capacità degli strumenti alimentati da modelli generativi sulle attività di design sono reali e meritano di essere riconosciute chiaramente, piuttosto che minimizzate per difesa professionale.

La produzione rapida di wireframe anzitutto. A partire da una descrizione testuale, gli strumenti producono ormai mockup strutturati e sfruttabili in pochissimo tempo. Questa capacità cambia la fase esplorativa di un progetto: ciò che richiedeva classicamente diversi giorni di produzione manuale può ormai trattarsi su un orizzonte nettamente più corto.

La generazione di varianti poi. Là dove un'équipe produceva classicamente tre varianti per un test A/B, gli strumenti permettono ormai di produrne facilmente un numero sostanzialmente più elevato. Questa pluralità cambia la qualità dell'esplorazione: le équipe non sono più vincolate dalla propria capacità di produzione a prevedere solo un numero ristretto di opzioni.

L'analisi di repertori completa l'elenco dei punti di forza. Esaminare centinaia di interfacce esistenti per identificare i pattern ricorrenti, le convenzioni settoriali, gli approcci che sono emersi su un dato tipo di prodotto, richiede ormai pochi minuti piuttosto che diversi giorni di analisi manuale. Questa accelerazione nutre la fase di ispirazione senza sostituirla.

La prototipazione interattiva chiude l'elenco. Gli strumenti producono ormai interfacce interattive — non soltanto immagini statiche — che permettono di testare un percorso utente in condizioni vicine al prodotto finale. Questa capacità accorcia sostanzialmente il tempo tra l'idea e il primo test concreto.

Per una PMI svizzera con un budget design vincolato, queste capacità costituiscono un acceleratore reale. Non dispensano tuttavia dalle attività che seguono.

Tre zone in cui la pratica umana resta strutturante

Oltre gli artefatti prodotti, tre zone restano ampiamente estranee a ciò che gli strumenti generativi assorbono, ed è su queste zone che il valore duraturo della co-concezione si costruisce.

L'empatia e l'ascolto attivo anzitutto. La co-concezione inizia con un ascolto che supera il verbale. Un praticante esperto coglie le esitazioni, le contraddizioni, le emozioni non verbalizzate di un utente in situazione. Percepisce che un cliente dice «va bene» aggrottando leggermente le sopracciglia, e approfondisce questa dissonanza. Questa capacità di osservazione incarnata non è riprodotta dai sistemi alimentati da modelli, che lavorano a partire da dati testuali o strutturati, non a partire dal linguaggio del corpo o dal contesto emotivo di uno scambio.

Il contesto culturale locale poi. Il mercato svizzero — e ancor più la Svizzera romanda nelle sue specificità — ha caratteristiche che i modelli addestrati maggioritariamente su dati anglosassoni non colgono per difetto. Il rapporto con la discrezione, il valore accordato alla qualità piuttosto che al volume, la sensibilità al multilinguismo francese-tedesco-inglese, le attese di conformità elevate sugli argomenti di protezione dei dati, plasmano i bisogni degli utenti locali. Un workshop di co-concezione con clienti a Ginevra e un workshop equivalente a Zurigo rivelano differenze sottili ma decisive nelle attese di esperienza che i pattern visivi generici non catturano.

I bisogni non espressi completano l'elenco. I bisogni più strutturanti per un percorso di prodotto sono spesso quelli che gli utenti non esprimono — sia perché li considerano ovvi, sia perché non sanno che una soluzione esiste. La co-concezione fa emergere questi bisogni latenti attraverso l'osservazione delle pratiche reali, attraverso esercizi creativi che superano la formulazione verbale, attraverso il confronto con prototipi che rivelano preferenze che l'intervista diretta non fa apparire. I modelli generativi lavorano sui pattern presenti nei loro dati di addestramento; non rivelano ciò che non vi figura.

Un'articolazione in quattro fasi

La pratica osservabile delle équipe che riescono nella propria articolazione tra co-concezione umana e accelerazione da modelli generativi si dispiega tipicamente in quattro fasi distinte, ciascuna con un dosaggio diverso tra le due.

La ricerca utente anzitutto — fase interamente umana. Questa fase consiste nel condurre interviste, osservazioni sul campo, workshop di co-concezione con gli utenti obiettivo, nel documentare gli insight, le frustrazioni, i bisogni espressi e non espressi. Nessuno strumento alimentato da modello sostituisce questo confronto diretto al reale. Le équipe che tentano l'economia di questa fase producono artefatti visivamente convincenti che non risolvono i problemi giusti.

La generazione di concetti poi — fase che combina umano e modelli. A partire dagli insight raccolti in fase uno, gli strumenti accelerano la produzione di varianti e di direzioni visive che l'équipe seleziona, combina, devia. Questa fase di ideazione trae un beneficio tangibile dall'accelerazione, a condizione che gli insight della prima fase la nutrano realmente.

Il test e l'iterazione completano la sequenza — fase a dominante umana. I concetti sono presentati agli utenti in sessioni di test in cui l'osservazione diretta delle reazioni, delle esitazioni, delle preferenze inattese, costituisce il materiale del miglioramento. Questo confronto al reale non si sostituisce ad alcuna metrica algoritmica, perché le metriche quantificano ciò che possono quantificare, non necessariamente ciò che conta per la pertinenza del prodotto.

La rifinitura chiude la sequenza — fase che combina umano e modelli. Sui concetti validati dal test, gli strumenti permettono di iterare rapidamente sulle micro-interazioni, sulle variazioni di percorso, sulle ottimizzazioni di dettaglio. Il designer umano supervisiona e arbitra; il modello esegue le variazioni.

Il quadro di supervisione umana

Integrare gli strumenti generativi in un approccio di co-concezione esige un quadro di governance esplicito, senza il quale i bias dei modelli si propagano silenziosamente nei prodotti finali. Tre principi strutturano questo quadro.

La validazione sistematica prima dell'esposizione anzitutto. Ciascun deliverable prodotto da un modello — mockup, percorso, contenuto visivo — passa per una revisione umana prima di essere presentato agli utenti. Lo strumento propone, il designer dispone. Questa disciplina non è una formalità amministrativa; costituisce il meccanismo che impedisce alle scelte di default dei modelli di diventare le scelte dell'impresa per negligenza.

La tracciabilità delle decisioni poi. Documentare quali parti del design provengono da una generazione automatizzata e quali parti risultano dalla ricerca utente facilita il debug ulteriore dell'esperienza, e prepara l'organizzazione alle esigenze di trasparenza che si precisano nel quadro regolamentare europeo. Questa tracciabilità non richiede un'infrastruttura pesante — qualche annotazione metodica basta.

La primazia del ritorno utente sulla raccomandazione algoritmica completa l'elenco. Durante le sessioni di test, i ritorni degli utenti primano sempre sulle raccomandazioni prodotte dagli strumenti. Se un sistema suggerisce un percorso ottimizzato da metriche di engagement, ma i tester trovano questo percorso disorientante, è il sentito umano che ha la meglio. Questa gerarchia evita la deriva verso un'ottimizzazione delle metriche a detrimento della soddisfazione reale.

Questo quadro è particolarmente pertinente nel contesto svizzero, in cui la Legge federale sulla protezione dei dati^[1] impone una trasparenza accresciuta sull'utilizzo dei sistemi automatizzati nei processi che colpiscono gli utenti.

Ciò che la pratica permette di osservare nel mercato svizzero

Tre constatazioni emergono dalla pratica osservabile nel mercato svizzero.

Le interfacce co-concepite con gli utenti reali presentano una qualità d'uso che le interfacce prodotte esclusivamente da modelli non raggiungono. Questa qualità non si misura soltanto attraverso le metriche di engagement, che possono essere soddisfacenti in entrambi i casi; si misura nel tempo attraverso la ritenzione, le raccomandazioni spontanee, la fedeltà del cliente che riconosce nell'interfaccia un'attenzione al proprio contesto.

La co-concezione diventa un vantaggio concorrenziale relativo in un mercato in cui la produzione di artefatti visivi si è democratizzata. Quando ciascun concorrente può produrre interfacce visivamente soddisfacenti in qualche giorno, la differenza si fa sulla qualità della comprensione dei bisogni — precisamente ciò che la co-concezione costruisce e che gli strumenti non riproducono.

L'accessibilità della pratica alle PMI si allarga grazie all'accelerazione della fase di produzione. Uno sprint di co-concezione breve — tipicamente qualche giorno, che articola una fase di ricerca sul campo, una fase di generazione assistita, e una fase di test e iterazione — diventa ormai accessibile a organizzazioni che non potevano, fino a poco fa, mobilitare un'équipe design per più settimane. Questa democratizzazione giova alle imprese che accettano di investire nella fase di ricerca utente, e lascia da parte quelle che si limitano alla fase di produzione automatizzata.

La disciplina che distingue la pratica seria

L'intelligenza artificiale generativa non sostituisce la co-concezione. Modifica il dosaggio tra le fasi dell'approccio, assorbendo sostanzialmente la produzione degli artefatti e liberando tempo per le attività in cui il valore umano resta insostituibile.

Per un'impresa svizzera che adotta questa articolazione, tre orientamenti distinguono l'uso duraturo dall'effetto di moda.

L'investimento nella fase di ricerca utente anzitutto. La tentazione di accorciare questa fase perché gli strumenti producono ormai artefatti così rapidamente è la principale fonte di fallimento osservabile. Questa fase resta la fondazione di tutto il resto, e il suo accorciamento costa più di quanto risparmia.

La formazione alla supervisione poi. Utilizzare gli strumenti di generazione con discernimento richiede una competenza che si costruisce nella pratica sostenuta, non nella lettura di manuali di istruzioni. Questa crescita di competenza merita di essere integrata nel piano di sviluppo delle équipe design.

La messa in atto del quadro di governance completa l'elenco. Senza validazione sistematica, tracciabilità delle decisioni e primazia del ritorno utente, l'uso degli strumenti deriva verso un'omogeneizzazione che i clienti percepiscono, talvolta inconsciamente, e che erode progressivamente la differenziazione che l'impresa si sforzava di costruire.

La co-concezione umana e l'accelerazione da modelli generativi non si oppongono. Si articolano. Questa articolazione distingue, anche qui, le organizzazioni che consolidano la propria capacità di prodotto nel tempo da quelle che si lasciano trascinare dalla facilità apparente degli strumenti del momento.

Sources

[1] Legge federale sulla protezione dei dati (LPD), revisione del 25 settembre 2020, entrata in vigore il 1° settembre 2023. www.fedlex.admin.ch/eli/cc/2022/491/it [↩]

Jérôme Deshaie è CEO di MCVA Consulting SA, studio svizzero di consulenza strategica in intelligenza artificiale, con sede in Vallese.