Pattern UX per prodotti AI

Chiudiamo con la cassetta degli attrezzi: schemi concreti e ricorrenti per progettare bene con l’IA. Sono l’applicazione dei quattro capitoli precedenti.

Dai modelli agli agenti: la differenza è il loop

Un modello risponde una volta. Un agente ragiona, agisce (con strumenti o sotto-agenti), osserva il risultato e riprova — anche per centinaia di passi, per decine di ore. Un sistema agentico ha un orchestratore, dei worker, degli strumenti, una memoria e un ambiente su cui agire.

Per l’utente, questo cambia l’esperienza da “domanda→risposta” a “delega→sorveglianza”. Il design deve quindi rendere visibile il processo, non solo il risultato: cosa sta facendo l’agente, a che punto è, cosa sta per fare di irreversibile. La checklist di quando un agente è appropriato — complessità alta, valore che giustifica il costo, strumenti disponibili, errori rilevabili e correggibili (Anthropic, «Building Effective Agents», 2024) — è anche una checklist di design.

Due modi di collaborare: Centaur e Cyborg

• Centaur — divisione netta del lavoro: l’umano fa strategia e giudizio, l’IA genera, l’umano rivede e integra. Punti di passaggio chiari. Meglio per deliverable dove serve responsabilità (accountability).
• Cyborg — collaborazione intrecciata frase per frase, iterazione rapida nella stessa sessione. Meglio per lavoro esplorativo e creativo.

Il design deve supportare entrambi e chiarire in quale modalità ci si trova: un’interfaccia “a turni” con revisione (Centaur) è diversa da una “a flusso” (Cyborg). La meta-abilità dell’utente è sapere quando stare in ciascuna; il buon prodotto lo aiuta a capirlo.

Pattern concreti

• Onboarding dell’IA: insegna cosa sa e cosa non sa fare il sistema fin dall’inizio. Comunica la frontiera, non solo le capacità. (L’immagine esplosa di HyperCard docet: una sola figura chiara vale venti pagine di testo.)
• Rivelazione progressiva delle capacità: non mostrare tutte le funzioni AI insieme; svelale quando servono (l’Active Discovery di Tognazzini, applicato all’IA).
• Recupero dagli errori del modello: progetta per l’allucinazione. Rendi ogni output AI facilmente modificabile, rigenerabile, annullabile. Preferisci proporre bozze piuttosto che compiere azioni definitive.
• Confidenza e fonti in linea: vedi capitolo 4 — è un pattern, non un optional.
• Controllo del ritmo (suitable tempo): un’attesa oltre i ~2 secondi va spiegata (cosa sta facendo l’agente), o l’ansia dell’utente riempie il vuoto con la sfiducia.

[!note] Il set di riferimento: le 18 linee guida di Microsoft Per chi vuole andare oltre questi pattern esiste un set consolidato e peer-reviewed: le Guidelines for Human-AI Interaction (Amershi et al., CHI 2019) — 18 linee guida organizzate in quattro momenti. All’inizio: rendi chiaro cosa sa fare il sistema e quanto bene lo sa fare. Durante l’interazione: tempi, contesto, norme sociali. Quando il sistema sbaglia: correzione e rifiuto efficienti, spiegazioni. Nel tempo: memoria, apprendimento dal comportamento, notifica dei cambiamenti. Sono il complemento “ufficiale” dei principi di questa Parte; le trovi integralmente nel HAX Toolkit di Microsoft.

La regola d’oro, aggiornata

Il libro si apre con il forno: un buon prodotto ti fa capire subito cosa fa e come. Con l’IA la regola diventa: un buon prodotto AI ti fa capire subito cosa sa fare, quanto è sicuro di ciò che dice, e come riprenderne il controllo.

🔑 Ponte con le Chiavi: Esplorazione e Mappatura + Flessibilità ed Efficienza. Un prodotto AI ben fatto resta esplorabile (l’utente costruisce una mappa mentale di cosa può e non può fare il sistema) e flessibile (si adatta al principiante che delega e all’esperto che intreccia). Le Chiavi reggono; cambia il terreno.

---