Blog
AI Design – Oltre le mode e i luoghi comuni, dentro il processo UX UI
Scarica l’ebook gratis
Indice
Introduzione
A chi si rivolge questa guida
Come usare questo ebook
Capitolo 1: Il nuovo paradigma
L’AI non è uno strumento, è un approccio
Cosa stiamo davvero ottimizzando?
Capitolo 2: Discovery e ricerca
Quando l’AI legge al posto nostro
Tool: Otter.ai, Fireflies.ai, Dovetail, Claude
La critica: delegare la comprensione
Best practices
Capitolo 3: Sintesi e strategia
Personas, journey maps e il problema della media statistica
Tool: Miro AI, FigJam AI, Notion AI, Gamma, Beautiful.ai
La critica: l’archetipo vs la persona reale
Capitolo 4: La grande controversia
Utenti sintetici vs utenti reali
Il campo del “mai”
Il campo del “dipende”
La nostra posizione
Il test decisivo
Capitolo 5: Ideazione e concept design
La creatività assistita o appiattita?
Tool: ChatGPT, Claude, Jasper, Copy.ai, Uizard, Galileo AI, V0
La critica: addestrato sul passato, non sul futuro
Best practices
Capitolo 6: Prototipazione
Velocità vs profondità
Tool: Framer AI, Dora AI, Builder.io, Figma AI, Anima, UX Pilot AI
La critica: meno attrito = meno riflessione
Best practices
Capitolo 7: Delivery
Asset, documentazione e design system auto-generati
Tool: Midjourney, DALL-E, Stable Diffusion, Adobe Firefly
La critica: tutti bellissimi, tutti uguali
Best practices
Capitolo 8: Testing e analisi
L’analisi che non dorme mai
Tool: Maze, UserTesting, Hotjar AI
La critica: quantità vs qualità
Best practices
Capitolo 9: Sviluppo
Pair programming con una macchina
Tool: GitHub Copilot, Cursor, Replit Ghostwriter
La critica: codice che funziona vs buon codice
Best practices
Capitolo 10: Framework per l’AI consapevole
Le 5 regole fondamentali
La regola del 70/30
Come documentare le scelte
Capitolo 11: Tool Kit completo
Stack consigliato per ogni fase
Come scegliere i tool giusti
Appendice
Linkografia completa: tutti i tool citati
Glossario
Introduzione
A chi si rivolge questa guida
Questo ebook è per CEO, Manager, Startupper, Designer, Developer e tutti coloro che si trovano a navigare la trasformazione AI senza una bussola chiara.
Non è un manifesto pro o contro l’AI. È una mappa pratica del territorio, con indicazioni precise su dove l’AI aiuta davvero e dove rischia di farci perdere strada.
Come usare questo ebook
Puoi leggerlo linearmente dall’inizio alla fine, oppure saltare direttamente ai capitoli che riguardano la fase su cui stai lavorando. Ogni capitolo è strutturato così:
– Contesto: cosa succede in questa fase
– Tool: strumenti concreti con link diretti
– Critica: rischi e limiti
Best practices: come usare l’AI in modo consapevole
La Linkografia finale contiene tutti gli URL dei tool citati per accesso rapido.
Capitolo 1: Il nuovo paradigma
L’AI non è uno strumento, è un approccio
C’è una domanda che ci stiamo facendo tutti: “In quale fase del processo progettuale usi l’AI?“. Ma forse è la domanda sbagliata. O meglio: è una domanda che presuppone che l’AI sia uno strumento da “inserire” nel processo, come si inseriva Photoshop o Figma nella cassetta degli attrezzi.
La verità è più complessa. L’AI non è uno strumento che usi in una fase specifica. È uno strato che attraversa ogni fase del processo e lo ridefinisce dalle fondamenta.
E questo ci mette di fronte a una scelta: cavalchiamo questa trasformazione con consapevolezza critica, o ci limitiamo a sostituire vecchie abitudini con nuove dipendenze?
Cosa stiamo davvero ottimizzando?
L’AI ci rende più veloci. Indiscutibilmente. Ma più veloci verso dove?
Se usiamo l’AI per fare più progetti in meno tempo, stiamo ottimizzando per volume. Se la usiamo per ridurre il lavoro noioso e investire quel tempo in ricerca più profonda, strategia più accurata, sperimentazione più radicale, stiamo ottimizzando per qualità.
Il rischio è diventare esecutori seriali: brief ➡️AI ➡️deliverable. Velocissimo, efficiente, indistinguibile.
L’opportunità è diventare partner strategici più profondi: liberi dal lavoro meccanico, possiamo investire tempo nel capire davvero il problema, nel mettere in discussione il brief, nel proporre direzioni che il cliente non ha considerato.
Capitolo 2: Discovery e ricerca
Quando l’AI legge al posto nostro
Un progetto di ricerca utente genera ore di interviste, trascrizioni infinite, note sparse, insight nascosti in mezzo a conversazioni apparentemente banali. Tradizionalmente, questa fase richiedeva giorni di analisi manuale: leggere, rileggere, sottolineare, aggregare pattern, cercare quello che le persone non dicono esplicitamente.
Gli strumenti
Otter.ai e Fireflies.ai non si limitano a trascrivere: analizzano il sentiment, identificano temi ricorrenti, estraggono action items. Dovetail va oltre: permette di taggare insight, aggregare evidenze da fonti diverse, generare report automatici.
Claude può analizzare trascrizioni lunghe, identificare pattern nelle risposte, suggerire aree di approfondimento. ChatGPT con Advanced Data Analysis può processare centinaia di pagine di note e restituire cluster tematici.
La critica: delegare la comprensione
Ma c’è un rischio enorme: delegare la comprensione.
Quando un’AI ti restituisce una sintesi di 10 interviste in 3 elenchi puntati, cosa stai perdendo? Le esitazioni, i silenzi, il modo in cui una persona cerca le parole per esprimere una frustrazione che nemmeno lei sa di avere. Quelle micro-sfumature che fanno la differenza tra un insight generico e una rivelazione.
L’AI può processare volume. Non può (ancora) processare sottotesto emotivo con la profondità di un ricercatore esperto che ha fatto quella specifica domanda, in quel momento specifico, notando quella specifica reazione.
Best practices
✅ Prima passata con AI – Usa l’AI per identificare pattern macroscopici, temi ricorrenti, sentiment generale.
✅ Poi immersione nei raw data – Ascolta le registrazioni. Leggi le trascrizioni integrali. L’insight vero emerge dall’attrito tra ciò che l’AI vede e ciò che tu comprendi.
✅ Triangolazione – Se l’AI identifica un pattern, cercalo manualmente. Se lo confermi, è solido. Se non lo trovi, forse l’AI ha allucinato.
❌ Mai: prendere decisioni strategiche solo sui report AI senza aver toccato i dati grezzi.
Capitolo 3: Sintesi e strategia
Personas, journey maps e il problema della media statistica
La fase di sintesi è quella dove l’AI brilla di più. E dove rischiamo di più.
Gli strumenti
Miro AI e FigJam AI possono aggregare post-it da workshop, raggruppare concetti simili, generare journey map preliminari. Notion AI può trasformare note sparse in report strutturati. Gamma e Beautiful.ai creano presentazioni partendo da elenchi puntati.
ChatGPT e Claude possono generare personas dettagliate basandosi sui dati di ricerca. Ti danno nome, età, background, frustrazioni, obiettivi, citazioni. In 30 secondi hai una persona che sembra reale.
La critica: l’archetipo vs la persona reale
Troppo reale, forse. Una persona creata dall’AI è una media statistica vestita da individuo.
Le personas sono utili come strumento di sintesi, ma sono pericolose quando diventano realtà assolute. “Marco, 34 anni, manager, frustrato dalla complessità” non è Marco. È un costrutto che aggrega pattern. Il vero Marco potrebbe avere quella frustrazione per ragioni completamente diverse da quelle che abbiamo ipotizzato.
E qui emerge il paradosso: più l’AI è brava a creare personas convincenti, più rischiamo di crederci troppo. Di progettare per un archetipo invece che per persone reali con contraddizioni, irrazionalità, contesti specifici.
Best practices
✅ Draft veloce – Genera personas e journey map con l’AI per comunicazione interna e allineamento team.
✅ Validazione reale – Testa ogni affermazione della persona con ricerca vera. “La persona dice X” deve diventare “3 utenti su 5 hanno confermato X”.
✅ Reminder continuo – Metti disclaimer sulle personas: “Basato su 12 interviste, validità limitata a contesto Y”.
❌ Mai: dire “la nostra persona Marco dice che…” come fosse una verità assoluta.
Capitolo 4: La grande controversia
Utenti sintetici vs utenti reali: la frattura del settore
Ed è qui che si accende il dibattito più acceso nel nostro settore. Una frattura che sta dividendo la comunità del d esign in due campi netti.
Il campo del “mai”
Da una parte ci sono i puristi della ricerca – e hanno argomenti solidi. Nielsen Norman Group, IDEO, buona parte della comunità UX europea sostengono una posizione netta: l’AI non può e non deve mai sostituire gli utenti reali nella ricerca.
Le ragioni sono concrete:
1. Le allucinazioni sono un fatto, non un’opinione
L’AI genera risposte che suonano plausibili ma sono inventate. “Chiedi a ChatGPT di fare role-playing, cioè immedesimarsi e ragionare come “Maria, 45 anni, manager che usa la tua app” e ti risponderà. Ma quella risposta è una proiezione statistica di come le persone mediamente parlano, non come Maria specificamente pensa.
Jake Knapp (inventore del Design Sprint) lo ha detto chiaramente: “Se usi personas generate dall’AI per prendere decisioni di prodotto, stai basando il tuo lavoro su una fan fiction statistica”.
2. Gli umani sono gloriosamente irrazionali
Le persone a volte mentono nei sondaggi (non per cattiveria, per desiderabilità sociale). Dicono una cosa e ne fanno un’altra. Hanno bias cognitivi, contraddizioni, comportamenti contestuali che nessun modello può predire.
Una utente reale ti dice “non userei mai una funzione così” e poi, nel test di usabilità, è la prima cosa che clicca. Una utente sintetica AI ti dà risposte coerenti, logiche, statisticamente corrette. E completamente inutili.
3. Il contesto è tutto
Quando fai un’intervista vera, noti che la persona esita prima di rispondere. Noti lo sguardo che va in alto a sinistra (forse sta ricordando) o in basso a destra (forse sta inventando). Noti l’emozione quando parla di una frustrazione specifica.
Un utente sintetico ti darà: “Trovo frustrante quando l’app si blocca durante il checkout”.
Un utente reale ti dirà: “Guarda, l’altra sera ero in metropolitana, stavo comprando i biglietti del cinema, l’app si è bloccata proprio mentre stavo inserendo la carta, ho perso la promozione e alla fine non ci sono più andato. Tre giorni dopo l’app mi manda una notifica ‘completa il tuo acquisto’. Voglio dire, ma davvero?”
Vedi la differenza? La seconda è ricerca. La prima è letteratura.
4. I margini, gli outlier, le eccezioni
L’AI è addestrata sulla media. Ma l’innovazione spesso viene dai margini. Quella utente che usa il prodotto in un modo completamente imprevisto? Quella è oro. Un utente sintetico non farà mai niente di imprevisto per definizione.
Il campo del “dipende”
Dall’altra parte ci sono i pragmatici – e anche loro hanno punti validi.
Erika Hall (Just Enough Research) riconosce il rischio ma fa un distinguo: “Il problema non è l’AI. È la ricerca fatta male. E la ricerca fatta male con persone reali non è meglio della ricerca fatta male con AI”.
Gli argomenti dei possibilisti:
1. La ricerca tradizionale ha i suoi problemi
Quante volte abbiamo fatto ricerca con 5 utenti (tutti amici del product manager), tutti della stessa demografia, tutti nello stesso contesto urbano? E poi abbiamo spacciato quello per “ricerca rappresentativa”?
2. L’AI come ponte, non come sostituto
Quando hai budget zero, tempo zero, e l’alternativa è “nessuna ricerca” vs “ricerca con utenti sintetici”, cosa scegli?
Alcuni team usano l’AI per generare ipotesi iniziali, poi le validano con ricerca vera. “L’AI ci suggerisce 10 possibili frustrazioni degli utenti. Andiamo a verificare le prime 3 con interviste reali”. È un uso legittimo?
3. Alcuni contesti sono meno critici
Testing di grammatica, coerenza terminologica, orientamento basico – forse l’AI può dare feedback utile. Non è ricerca strategica, è controllo di qualità linguistica.
La nostra posizione
Eccoci. È il momento di prendere posizione.
La nostra posizione è netta: l’AI non può sostituire gli utenti reali nella ricerca strategica. Mai.
Perché? Perché ogni decisione di design presa su utenti sintetici è una decisione presa su presupposti non validati. E quando scopri che quei presupposti erano sbagliati (e lo scoprirai), hai perso tempo, budget, e fiducia.
Ma – e questo è importante – c’è una differenza tra “sostituire” e “integrare”.
Usi legittimi dell’AI nella ricerca
✅ Analisi di ricerca già esistente – Hai 50 interviste vere fatte. L’AI può aiutarti a identificare pattern, categorizzare temi, generare report. I dati sono veri, l’AI è solo un processore.
✅ Generazione di ipotesi da testare – L’AI suggerisce 20 possibili criticità. Tu selezioni i 5 più plausibili e vai a validarle con utenti veri. L’AI fa brainstorming, non validazione.
✅ Simulazione di scenari per allineamento interno – Prima di andare in campo, usi utenti sintetici per allineare il team su cosa cercare. “Se gli utenti rispondono X, significa Y. Se rispondono Z, cambiamo approccio”. È preparazione, non ricerca.
✅ Testing di assunzioni ovvie – “Secondo l’AI, gli utenti si aspettano che il pulsante salva sia verde”. Poi vai a testare e scopri che nel tuo settore specifico, il verde significa “pericoloso” per motivi culturali. Ma almeno hai evitato l’errore più grossolano.
Usi NON legittimi
❌ Prendere decisioni di prodotto basate su utenti sintetici – “L’AI dice che gli utenti vogliono X, quindi lo sviluppiamo”. No.
❌ Usare utenti sintetici al posto di usability test – “Abbiamo fatto testare il prototipo a ChatGPT in modalità utente”. No.
❌ Generare personas come fonte di verità – “La nostra persona Marco dice che…” quando Marco non esiste. No.
❌ Role-playing AI per decisioni UX critiche – “Ho chiesto all’AI di comportarsi come un utente daltonico e mi ha detto che l’interfaccia va bene”. No, no, no.
Il test decisivo
Ecco una regola semplice: se stai per prendere una decisione basata su dati AI, chiediti: “Sarei disposto a difendere questa scelta di fronte a un utente reale che mi dice che ho sbagliato?”
Se la risposta è “beh, l’AI ha detto che…”, hai un problema.
Se la risposta è “ho parlato con 12 utenti che mi hanno confermato che…”, sei al sicuro.
L’AI può suggerire. Solo gli umani possono confermare.
Capitolo 5: Ideazione e concept design
La creatività assistita (o appiattita?)
Questa è la fase più controversa. Brainstorming con l’AI. UX writing generato automaticamente. Wireframe prodotti in minuti invece che ore.
Gli strumenti
ChatGPT per brainstorming è ormai mainstream: “dammi 50 idee per…” e ottieni 50 idee. Alcune banali, alcune interessanti, alcune completamente fuori contesto. Claude può analizzare brief complessi e suggerire direzioni creative.
Per l’UX Writing: Jasper, Copy.ai, Anyword generano copy ottimizzato per ottenere conversioni. Comfy per la generazione di testi per interfacce.
Per i wireframe rapidi: Uizard trasforma sketch a mano in wireframe digitali, Galileo AI genera interfacce complete da prompt testuali.
Figma AI (Figma Make) sta integrando funzionalità di generazione automatica di layout. V0 by Vercel crea componenti React funzionanti da descrizioni testuali.
Bolt per prototipazione rapida e Lovable per iterazioni di design assistita da AI.
La critica: addestrato sul passato, non sul futuro
Ecco il problema: l’AI è addestrata sul passato. Non può inventare il futuro.
Quando chiedi a ChatGPT “idee innovative per un’app di fitness”, ti restituisce variazioni di cose che già esistono. Perché è addestrato su tutto ciò che è già stato fatto. L’innovazione vera – quella che viene da connessioni inaspettate, da contaminazioni laterali, da intuizioni controverse – non è nel dataset.
E l’UX writing generato dall’AI? È statisticamente corretto. Ma è umano? “Aggiungi al carrello” converte meglio di “Procedi all’acquisto” perché i dati lo dicono. Ma quante volte un copy “sbagliato” secondo i dati si è rivelato memorabile, distintivo, capace di creare connessione emotiva?
Best practices
✅ Volume + Curatela – Lascia che l’AI generi volume (50 idee invece di 10) ma la selezione, la curatela, la contaminazione è umana.
✅ AI come co-pilot – L’AI suggerisce variazioni, ma la visione resta tua. Usa l’AI come sparring partner, non come decisore.
✅ Riscrittura post-AI – Per l’UX writing: genera con l’AI, poi riscrivilo con la tua voce. O meglio: con la voce del brand.
❌ Mai: usare copy AI tale e quale senza revisione umana che aggiunga personalità e contesto.
Capitolo 6: Prototipazione
Velocità vs profondità
Generare prototipi interattivi è sempre stato il collo di bottiglia. Non più.
Gli strumenti
Framer AI genera siti completi da descrizioni testuali. Dora AI crea esperienze 3D interattive. Builder.io trasforma design in codice di produzione. Galileo AI va da wireframe a prototipo hi-fi in minuti.
Figma sta integrando sempre più intelligenza: auto-layout suggeriti, spacing consistente, varianti generate automaticamente. Anima trasforma design Figma in React/Vue/HTML funzionante.
UX Pilot AI per generare prototipi e UI rapidamente, flussi e framework, UX research analysis e insight generation. Google Stitch trasforma prompt in schermate UI per App e Web Desktop, oltre a scrivere i testi.
Runway per video prototyping e interactive experiences.
La critica: meno attrito = meno riflessione
La velocità è fantastica. Ma c’è un trade-off nascosto: meno attrito = meno riflessione.
Quando ci volevano ore per creare un prototipo, quel tempo forzava decisioni. “Davvero serve questa schermata? Non possiamo semplificare?” La fatica era un filtro qualitativo.
Ora possiamo generare 10 varianti in un’ora. Le testiamo tutte? O scegliamo la prima che “sembra ok”? La sovrabbondanza di opzioni non ci rende più sicuri: ci paralizza o ci porta a scelte superficiali.
E c’è un altro rischio: i prototipi generati dall’AI tendono verso pattern consolidati. Navigation drawer, card layout, bottom sheets. Tutto corretto, tutto usabile, tutto già visto.
Best practices
✅ Velocità per iterazioni – Usa l’AI per prototipare velocemente variazioni di un concept consolidato.
✅ Lentezza per esplorazioni – Per sperimentazioni radicali, torna al metodo lento. Sketch a mano. Wireframe volutamente “brutti” che forzano a concentrarsi sul flusso.
✅ Test sempre – Ogni prototipo, generato da AI o da umano, va testato con utenti reali.
❌ Mai: scegliere il primo prototipo AI che “sembra ok” senza esplorare alternative.
Capitolo 7: Delivery
Asset, documentazione e il design system che si auto-genera
Nella fase di consegna, l’AI fa davvero la differenza.
Gli strumenti
Midjourney, DALL-E, Stable Diffusion per asset grafici. Adobe Firefly integrato direttamente in Photoshop e Illustrator. Khroma per palette colore basate su preferenze. Fontjoy per abbinamenti tipografici.
Relume genera intere librerie di componenti per siti web. CopyDoc scrive automaticamente documentazione tecnica da codice. Zeroheight e Supernova possono estrarre pattern da design system esistenti e generare documentazione.
Suno per audio e sound design generativo.
La critica: tutti bellissimi, tutti uguali
Asset generati dall’AI: bellissimi, velocissimi, tutti uguali.
Vai su Dribbble o Behance oggi. Quanti progetti riconosci come “fatti con Midjourney”? C’è un’estetica AI riconoscibilissima: quella perfezione un po’ artificiale, quei colori troppo armoniosi, quella composizione statisticamente bilanciata.
Va bene per placeholder, per mockup veloci, per esplorazioni iniziali. Ma se tutto il tuo progetto è generato da AI, cosa ti distingue? La creatività non è eliminare imperfezioni – è scegliere quali imperfezioni hanno significato.
Best practices
✅ Velocità, non identità – Usa l’AI per generare asset velocemente, ma poi personalizza, contamina, rompi.
✅ Combo human+AI – Un’illustrazione AI + intervento umano > un’illustrazione AI usata tale e quale.
✅ Documentazione automatica – Lascia che l’AI scriva specifiche tecniche, style guide, component docs. Liberati dal noioso.
❌ Mai: usare asset AI senza nessun intervento umano per progetti dove l’identità visiva è critica.
Capitolo 8: Testing e analisi
L’analisi che non dorme mai
Analizzare test di usabilità è pesante. Ore di video, appunti sparsi, pattern da identificare manualmente.
Gli strumenti
Maze integra AI per analisi automatica di test quantitativi. UserTesting ha funzioni di sentiment analysis. Hotjar AI analizza sessioni registrate e identifica pattern di frustrazione.
Claude e ChatGPT possono analizzare trascrizioni di test, identificare problemi di usabilità ricorrenti, generare report categorizzati per severità. Google Notebook LM per organizzare le informazioni.
La critica: quantità vs qualità
Ma l’AI può davvero capire perché qualcuno ha esitato prima di cliccare? Può interpretare un sospiro, un “mah”, un momento di confusione che dura 2 secondi?
La quantità – quanti hanno completato il task, quanto tempo ci hanno messo – l’AI la gestisce benissimo. Ma la qualità – perché hanno faticato, cosa si aspettavano di trovare, quale mental model stavano usando – richiede interpretazione umana.
Best practices
✅ Quantitativo ad AI – Lascia che l’AI processi metriche, completion rate, time on task, click patterns.
✅ Qualitativo a umano – Interpretazione di comportamenti, emozioni, contesto resta umana.
✅ Categorizzazione AI + prioritizzazione umana – L’AI può raggruppare tematiche simili. L’umano decide quali sono critiche.
❌ Mai: basare decisioni UX solo su metriche AI senza aver visto sessioni registrate.
Capitolo 9: Sviluppo
Pair programming con una macchina
Il coding assistito da AI è forse l’applicazione più matura.
Gli strumenti
GitHub Copilot è ormai standard. Cursor va oltre: capisce il contesto dell’intero progetto. Replit Ghostwriter per ambiente di sviluppo completo. Tabnine, Codeium per completamento di codice intelligente.
ChatGPT e Claude per debugging, refactoring, code review. Puoi incollare un bug e ricevere spiegazioni + fix. v0 by Vercel genera componenti React pronti per la produzione.
Gemini (Google) per generazione di codice e Llama (Meta) per sviluppo in locale.
Perplexity per ricerca di soluzioni e documentazione tecnica.
La critica: codice che funziona vs buon codice
Il codice generato dall’AI funziona. Ma è buon codice?
Spesso è verboso, ridondante, usa pattern obsoleti perché addestrato su codebase vecchie. Genera codice che “passa i test” ma non è manutenibile, scalabile, elegante.
E c’è il rischio della comprensione superficiale: se l’AI scrive il 70% del codice, quanto davvero capisci di cosa stai rilasciando? Quando qualcosa si rompe in produzione, sai dove guardare?
Best practices
✅ Boilerplate automation – Usa l’AI per setup iniziale, configurazioni, task ripetitivi.
✅ Code review umana sempre – Ogni pezzo di codice AI va rivisto. Refactoring manuale. Test coverage verificato.
✅ Comprensione prima di uso – Se non capisci cosa fa il codice generato, non usarlo. L’AI amplifica competenza, non la sostituisce.
❌ Mai: andare in produzione con codice AI non compreso e non testato.
Capitolo 10: Framework per l’AI consapevole
Le 5 regole fondamentali
1. Identifica cosa NON vuoi delegare
Prima di decidere dove usare l’AI, decidi dove non usarla mai. Per noi potrebbe essere: la conversazione con gli utenti, la sintesi strategica finale, la scelta della direzione creativa principale.
Scrivi la tua lista di “no-AI zones” e rispettala.
2. Usa l’AI per amplificare, non per sostituire
L’AI deve renderti un designer migliore, non un designer più veloce ma meno capace. Se ti accorgi che stai perdendo competenze (non sai più scrivere un brief senza ChatGPT, non sai più fare wireframe senza Galileo), fermati.
Test: riesci ancora a fare il tuo lavoro senza AI? Se la risposta è no, c’è un problema di dipendenza.
3. La regola del 70/30
L’AI può fare il 70% del lavoro meccanico. Il 30% umano – la strategia, la curatela, l’intuizione, la rottura di pattern – è quello che fa la differenza.
Se quel 30% scende sotto il 20%, stai facendo mera esecuzione standardizzata, non design.
Monitora: quanta percentuale del tuo output finale è puramente AI vs quanto è stato toccato, revisionato, migliorato da te?
4. Testa con utenti, non con metriche AI
Un copy che “ChatGPT dice che converte meglio” va testato con persone vere. Un layout che “Galileo AI ha generato ottimizzato” va validato con usability test.
L’AI può predire, ma solo gli umani possono confermare.
5. Documenta le tue scelte
Quando usi l’AI per generare qualcosa, documenta:
- Quale tool hai usato
- Quale prompt hai dato
- Quante varianti hai generato
- Perché hai scelto quella specifica tra le opzioni
- Quali modifiche umane hai fatto post-AI
Questo ti forza a mantenere autonomia creativa invece di accettare passivamente la prima proposta “che sembra ok”.
Quando NON usare l’AI: una checklist
❌ Non usare AI quando:
- La decisione impatta direttamente utenti vulnerabili (accessibilità, minori, salute)
- Stai definendo la strategia di prodotto core
- Stai prendendo decisioni etiche o di privacy
- Non hai modo di validare l’output con dati reali
- Il costo dell’errore è alto (come nei settori medicale, finanziario, legale)
- Stai creando l’identità distintiva del brand
✅ Usa AI quando:
- Hai bisogno di processare grandi volumi di dati
- Devi generare variazioni di un concept consolidato
- Stai facendo task ripetitivi e a basso rischio
- Puoi validare immediatamente l’output
- Il tempo risparmiato viene reinvestito in attività a più alto valore
Capitolo 11: Tool Kit completo
Stack consigliato per ogni fase (Gennaio 2026)
Discovery & Research
- Otter.ai – Trascrizioni + analisi sentiment
- Fireflies.ai – Note automatiche da meeting
- Claude – Analisi qualitativa profonda
- Dovetail – Research repository + insights
- ChatGPT – Processing trascrizioni e sintesi
Sintesi & Strategy
- Miro AI – Workshop e synthesis
- FigJam AI – Collaborative ideation
- ChatGPT-4 – Personas e journey maps draft
- Notion AI – Documentazione e report
- Gamma – Presentazioni da outline
- Beautiful.ai – Deck generation
Ideation & Concept
- ChatGPT – Brainstorming e UX writing
- Claude – Brief analysis e strategic directions
- Gemini – Alternative perspectives
- Jasper – Marketing copy generation
- Copy.ai – Multiple copy variations
- Anyword – Performance-optimized copy
- Comfy – Interface copy generation
- Whimsical AI – Diagrammi e flussi
- Bolt – Rapid prototyping
- Lovable – AI-assisted iterations
Prototyping
- Figma – Con plugin e tool AI (Galileo AI, Magician, Figma Make)
- UX Pilot AI – Wireframe, UI Design, user research
- Google Stitch – UI Design
- Framer AI – Prototipi interattivi completi
- Uizard – Sketch to wireframe
- Galileo AI – Interface generation
- v0 by Vercel – Prompt to React component
- Dora AI – 3D experiences
- Builder.io – Design to code
- Anima – Figma to code (React/Vue/HTML)
- Runway – Video prototyping
Visual & Assets
- Midjourney – Illustrazioni e visual explorations
- DALL-E – Image generation
- Stable Diffusion – Open source image generation
- Adobe Firefly – Integrato in Photoshop/Illustrator
- Khroma – Color palette generation
- Fontjoy – Font pairing
- Suno – Audio e sound design
- Relume – Component libraries
- Nano Banana – Experimental design tools
Testing & Analysis
- Maze – Quantitative testing + AI insights
- UserTesting – Qualitative + sentiment analysis
- Hotjar AI – Session recording analysis
- ChatGPT – Test transcript analysis
- Google Notebook LM – Knowledge organization
- Perplexity – Research e documentazione
Development
- Cursor – AI-first code editor
- GitHub Copilot – Pair programming standard
- Replit Ghostwriter – Complete dev environment
- Tabnine – Code completion
- Codeium – Free AI coding assistant
- ChatGPT – Debugging e code review
- Claude – Code explanation e refactoring
- v0 by Vercel – Production-ready components
- Gemini – Google’s code generation
- Llama – Meta’s local development
Documentation & Knowledge
- Notion AI – Documentation hub
- Zeroheight – Design system docs
- Supernova – DS documentation automation
- CopyDoc – Technical documentation from code
- Google Notebook LM – Research synthesis
Emerging/Experimental
- Synthetic Users – (Controverso – vedi Cap. 4)
- Google Antigravity – Experimental spatial design
- Replit – Full-stack development AI
Come scegliere i tool giusti
Non serve usarli tutti. Ecco un suggerimento per i fondamentali:
Per team piccoli (<5 persone):
- ChatGPT/Claude per versatilità
- Figma + 2-3 plugin AI
- GitHub Copilot
- Notion AI per docs
- Hotjar per analytics
Per team medi (5-20 persone): Aggiungi specializzazione:
- Dovetail per research
- Maze per testing
- Miro AI per collaboration
- Tool specifici per visual (Midjourney o Firefly)
Per team grandi (20+ persone): Stack enterprise:
- Tutti i precedenti
- Design system automation (Supernova/Zeroheight)
- Advanced dev tools (Cursor + Copilot)
- Research platform completa (Dovetail + UserTesting)
Conclusione
Restare umani in un flusso di lavoro potenziato dall’AI
L’AI nel design non è questione di “se“, ma di “come“. Non è una minaccia se la usiamo consapevolmente. Non è la soluzione se la usiamo acriticamente.
La differenza tra un designer mediocre con AI e un designer eccellente con AI non è nella padronanza degli strumenti. È nella capacità di sapere quando usarli e quando fidarsi del proprio giudizio.
L’AI può generare. Non può discernere. L’AI può ottimizzare. Non può inventare. L’AI può accelerare. Non può dare significato.
Il nostro lavoro – quello vero, quello che non verrà automatizzato – non è eseguire task. È fare scelte. Scelte che richiedono comprensione profonda del contesto, empatia con le persone, visione di dove vogliamo arrivare.
L’AI è il pennello più potente che abbiamo mai avuto. Ma il dipinto lo facciamo ancora noi.
Linkografia completa
AI Assistants & General Purpose
ChatGPT – https://chat.openai.com Claude – https://claude.ai Gemini – https://gemini.google.com Llama – https://llama.meta.com Perplexity – https://perplexity.ai
Research & Analysis
Otter.ai – https://otter.ai Fireflies.ai – https://fireflies.ai Dovetail – https://dovetail.com UserTesting – https://usertesting.com Maze – https://maze.co Hotjar AI – https://hotjar.com Google Notebook LM – https://notebooklm.google
Collaboration & Synthesis
Miro AI – https://miro.com FigJam AI – https://figma.com/figjam Notion AI – https://notion.so Gamma – https://gamma.app Beautiful.ai – https://beautiful.ai Whimsical AI – https://whimsical.com
Design & Prototyping
Figma – https://figma.com Figma Make – https://www.figma.com/it-it/make/ UX Pilot AI – https://uxpilot.ai Galileo AI – https://galileo-ai.com Uizard – https://uizard.io Google Stitch – https://stitch.google.com Framer AI – https://framer.com Dora AI – https://dora.run Builder.io – https://builder.io Anima – https://animaapp.com Bolt – https://bolt.new Lovable – https://lovable.dev Runway – https://runwayml.com Nano Banana – https://gemini.google/it/overview/image-generation/?hl=it-IT
Copy & Content
Jasper – https://jasper.ai Copy.ai – https://copy.ai Anyword – https://anyword.com Comfy – https://comfy.ai
Visual Assets
Midjourney – https://midjourney.com DALL-E – https://openai.com/dall-e Stable Diffusion – https://stability.ai Adobe Firefly – https://firefly.adobe.com Khroma – https://khroma.co Fontjoy – https://fontjoy.com Suno – https://suno.ai
Development
GitHub Copilot – https://github.com/features/copilot Cursor – https://cursor.sh Replit Ghostwriter – https://replit.com Tabnine – https://tabnine.com Codeium – https://codeium.com v0 by Vercel – https://v0.dev
Documentation & Design Systems
Zeroheight – https://zeroheight.com Supernova – https://supernova.io CopyDoc – https://copydoc.ai Relume – https://relume.io
Experimental/Emerging
Synthetic Users – (Multiple vendors, vedi controversia Cap. 4) Google Antigravity – https://https://antigravity.google/ (experimental)
Glossario
Allucinazione (AI Hallucination) – Quando un modello AI genera informazioni plausibili ma false, presentandole come fatti.
Co-pilot – Modalità di utilizzo dell’AI come assistente che suggerisce, non come sostituto che decide.
Prompt – L’input testuale dato a un modello AI per generare un output.
Utente sintetico – Persona simulata dall’AI per role-playing o testing, non basata su ricerca reale.
Token – Unità base di testo processata da modelli AI (approssimativamente 4 caratteri).
Few-shot learning – Tecnica dove si danno all’AI pochi esempi per guidare il tipo di output desiderato.
Context window – Quantità di testo che un modello AI può “ricordare” in una conversazione.
Fine-tuning – Processo di addestramento specifico di un modello AI su dataset particolare.
RAG (Retrieval-Augmented Generation) – Tecnica che combina ricerca informazioni con generazione, riducendo allucinazioni.