Il gusto è il tuo vantaggio: come l’AI e il Design Thinking plasmano il futuro della creazione di prodotti

Cos’è il gusto nel contesto del product design?

Il gusto, nel contesto del design e del prodotto, si riferisce alla capacità coltivata di riconoscere la qualità, fare scelte estetiche intenzionali e mantenere coerenza lungo tutta l’esperienza di prodotto. Non si tratta solo di preferenza soggettiva—è giudizio disciplinato, informato dalla comprensione dei principi di gerarchia visiva, tipografia, spaziatura, teoria del colore, psicologia dell’utente e dal contesto più ampio che rende un prodotto curato e intenzionale. Il gusto è ciò che separa un prodotto che sembra accuratamente realizzato da uno che pare assemblato da componenti. È la differenza tra un design che funziona e uno che incanta. Nella storia della tecnologia, il gusto è stato una caratteristica distintiva delle aziende che hanno avuto successo duraturo. L’ossessiva attenzione ai dettagli di Apple, l’eleganza minimalista delle prime interfacce Google e le interazioni studiate in prodotti come Figma stesso—tutte espressioni di gusto su larga scala. Il gusto si manifesta in migliaia di piccole decisioni: la sfumatura precisa di grigio per un testo secondario, la tempistica esatta di un’animazione, il margine bianco attorno a un pulsante, la gerarchia informativa di una pagina. Ogni decisione, quando presa con intenzione e coerenza, contribuisce a una percezione generale di qualità che l’utente magari non nota consapevolmente, ma sicuramente percepisce. Ecco perché il gusto conta—è l’effetto cumulativo di scelte intenzionali che crea prodotti che le persone amano usare.

Perché il gusto diventa più prezioso man mano che l’AI si evolve

Il senso comune potrebbe suggerire che, a mano a mano che l’AI migliora nel generare design, il bisogno di gusto umano diminuisca. In realtà accade il contrario. Più gli strumenti AI sono in grado di produrre rapidamente opzioni progettuali valide, più il collo di bottiglia si sposta dalla generazione alla selezione e al raffinamento. Quando i designer dovevano creare manualmente ogni mockup, ogni iterazione, ogni variante, il limite era la capacità produttiva. Ora, con l’AI capace di generare decine di opzioni in pochi secondi, il limite diventa il giudizio—la capacità di riconoscere quali opzioni vale la pena approfondire, quali direzioni sono in linea con la visione del prodotto e quali scelte produrranno un’esperienza coerente e coinvolgente. Questo cambiamento trasforma radicalmente il lavoro del designer. Più che passare tempo sulla produzione meccanica, oggi i designer dedicano tempo alla valutazione, al raffinamento e all’impostazione strategica della direzione. Qui il gusto diventa impagabile. Un designer con gusto sviluppato può osservare dieci layout generati dall’AI e riconoscere subito quale ha il giusto equilibrio, quale serve meglio l’utente e quale è coerente con il linguaggio progettuale del prodotto. Può poi rifinire quell’opzione, spingersi oltre e assicurarsi che rispetti gli standard di qualità che definiscono il prodotto. In questo senso, l’AI non sostituisce il gusto—lo amplifica. Permette ai designer di applicare il proprio gusto su uno spazio progettuale molto più ampio, esplorando più possibilità e spingendosi oltre rispetto a quanto avrebbero potuto fare manualmente. Le aziende che vinceranno nell’era AI saranno quelle che avranno compreso questa dinamica: useranno l’AI per ampliare lo spazio delle possibilità e il gusto per navigarlo con coerenza e intenzione.

Comprendere il percorso dell’AI: dal machine learning classico alle scaling laws

Per capire perché oggi l’AI è in grado di aiutare concretamente nel design, è importante comprendere il percorso che ci ha portato fin qui. La storia dell’AI nello sviluppo prodotto si estende su decenni, ma l’accelerazione recente nasce da un’intuizione precisa: le scaling laws. Il concetto di scaling laws—il principio secondo cui modelli più grandi, addestrati su più dati e maggior potenza di calcolo, diventano esponenzialmente più capaci—rappresenta un cambio di paradigma nel funzionamento dei sistemi AI. Nei primi tempi del machine learning, l’attenzione era su algoritmi ingegnosi e feature engineering. I team passavano mesi a progettare le giuste feature da dare in pasto al modello, ottimizzando ogni parametro e sperando in piccoli miglioramenti. Questo approccio aveva limiti rigidi. Per quanto fosse sofisticato l’algoritmo, c’era un soffitto invalicabile. La svolta è arrivata con la consapevolezza che, semplicemente rendendo i modelli più grandi, addestrandoli su più dati e fornendo più compute, potevano emergere capacità non programmate esplicitamente, ma frutto della scala. Questa intuizione, confermata da ricerche di OpenAI e altri, ha cambiato tutto. GPT-3, lanciato nel 2020, è stato uno spartiacque. Ha dimostrato che un modello linguistico addestrato su larga scala poteva svolgere task mai esplicitamente programmati: scrivere codice, rispondere a domande, generare contenuti creativi e molto altro. Il salto da GPT-3 ai modelli precedenti non è stato incrementale—è stato esponenziale. Questa realizzazione, che qualcosa di fondamentale era cambiato nelle capacità dell’AI, ha aperto nuove possibilità in ogni ambito, incluso il design. Il principio delle scaling laws significa che man mano che i modelli crescono e aumentano i dati di training, le capacità migliorano esponenzialmente, non linearmente. Questo ha profonde implicazioni per gli strumenti di design: l’AI può ora comprendere il contesto, dedurre l’intento dai prompt in linguaggio naturale, riconoscere pattern nei sistemi di design e generare opzioni coerenti in linea col linguaggio visivo del prodotto. Queste capacità erano impensabili con modelli più piccoli o approcci ML classici. Sono nate dalla scala.

L’evoluzione dell’approccio di Figma all’AI: dall’immaginazione alla realtà

Il percorso di Figma con l’AI dura da oltre un decennio, anche se l’azienda non è partita dall’AI generativa. La missione originale—colmare il divario tra immaginazione e realtà—era aiutare i designer a tradurre le idee in forma digitale. All’inizio, questo significava costruire strumenti collaborativi, funzionalità multiplayer in tempo reale e una piattaforma per lavorare insieme senza interruzioni. Ma già allora i fondatori pensavano a come l’AI potesse potenziare la creazione. Nei primi anni 2010, esplorando il machine learning, il team Figma era affascinato dalla ricerca emergente su fotografia computazionale e fotoritocco. Venivano pubblicati articoli su come usare dati su scala Internet per completare scene, in pratica facendo content-aware fill ma potenziato dal web anziché da algoritmi locali. Altri studi esploravano la conversione di immagini 2D in scene 3D tramite tecniche come fotogrammetria e stima della profondità. Concetti affascinanti, ma non ancora maturi. La tecnologia arrivava all’85%, non al 100%. Solo con la maturità del deep learning queste soluzioni sono diventate praticabili. L’intuizione chiave era che dovesse esserci un modo per facilitare la creazione in molti ambiti, non uno solo. Questo ha portato alla visione di “idea to reality”—non “idea to design” o “idea to prototype”, ma l’idea che l’AI possa aiutare a passare dal concepimento all’esecuzione in molti tipi di creazione. Oggi, Figma Make rappresenta la maturità di questa visione. Non è solo un generatore di design—è uno strumento che comprende l’intento progettuale, deduce informazioni dai sistemi di design esistenti e aiuta a esplorare lo spazio progettuale in modo più efficace. Il percorso da quelle prime discussioni su reti neurali e fotografia computazionale a un prodotto usato ogni giorno da milioni di designer mostra quanto tempo occorra perché l’AI diventi uno strumento pratico e utile.

Figma Make: collegare design, specifiche e codice

Uno degli aspetti più interessanti di Figma Make è come si posizioni all’intersezione di tre domini tradizionalmente separati: design, specifiche e codice. Nello sviluppo software classico, queste erano fasi distinte con precisi passaggi di consegne. Un product manager scriveva le specifiche, un designer creava i mockup in base a quelle specifiche, un ingegnere implementava il design in codice. Ogni fase aveva strumenti, linguaggio e vincoli propri. Questo processo a cascata funzionava, ma era lento e introduceva attriti ad ogni passaggio. La domanda che Figma esplora è: e se queste tre rappresentazioni dell’intento potessero essere più fluide? Se un design ad alta fedeltà potesse fungere da specifica? Se un prototipo potesse sostituire un PRD? Se il codice potesse essere generato dal design? La risposta è che tutte e tre—spec, design e codice—sono semplicemente modi diversi di esprimere la stessa intenzione. Sono modi diversi di dire cosa dovrebbe fare un prodotto e come dovrebbe apparire. Man mano che l’AI migliora nel tradurre tra queste rappresentazioni, i confini si sfumano. Figma Make opera proprio in questo spazio sfumato. Puoi descrivere ciò che vuoi in linguaggio naturale e ottenere un design. Quel design è abbastanza preciso da fungere da specifica per gli sviluppatori. Il design può essere collegato al codice tramite gli strumenti developer di Figma. Il codice può essere analizzato per comprendere l’intento progettuale e suggerire miglioramenti. Questa fluidità è potente perché consente a team e progetti diversi di lavorare nel modo a loro più congeniale. Alcuni team possono partire da un design dettagliato, altri da un prototipo, altri ancora dal codice raffinato tramite gli strumenti di design. La chiave è che ora tutte queste modalità sono possibili su una sola piattaforma, e l’AI agevola la traduzione tra esse.

Il linguaggio naturale come interfaccia allo spazio latente

Una delle osservazioni più provocatorie di Dylan Field è che siamo nell’“era MS-DOS dell’AI”—che il prompting in linguaggio naturale che tutti fanno oggi sembrerà presto primitivo come le interfacce a riga di comando. Questa prospettiva è importante perché suggerisce che il linguaggio naturale non è il punto di arrivo dell’interazione con l’AI, ma solo l’inizio. I prompt in linguaggio naturale sono un modo per esplorare quello che i ricercatori chiamano “spazio latente”—lo spazio ad alta dimensionalità delle possibilità che un modello ha appreso. Quando fornisci un prompt a un modello AI, lo spingi in direzioni diverse all’interno di questo spazio, esplorando regioni di possibilità. Il linguaggio naturale è utile perché è il modo naturale con cui gli umani esprimono l’intento. Ma non è l’unico modo, e forse non sarà il migliore in tutti i casi. Con la maturazione degli strumenti AI, vedremo probabilmente una moltiplicazione di interfacce per esplorare lo spazio latente. Alcune saranno più visive—slider e controlli che permettono di regolare dimensioni dello spazio progettuale. Altre più strutturate—interfacce che guidano attraverso scelte predefinite. Altre ancora più ludiche—che incoraggiano sperimentazione e serendipità. L’intuizione chiave è che i vincoli possono sbloccare la creatività. Un designer che lavora entro interfacce vincolate può scoprire possibilità che non avrebbe trovato con prompt illimitati. Ecco perché il futuro del design assistito dall’AI non riguarda solo modelli linguistici migliori—ma interfacce migliori per esplorare lo spazio progettuale. Figma Make si muove già in questa direzione. Supporta sì i prompt in linguaggio naturale, ma comprende anche il contesto dai design esistenti, deduce l’intento dal sistema di design costruito e suggerisce opzioni in base ai pattern riconosciuti. È qualcosa di più sofisticato del semplice prompting—si tratta di comprendere l’intento progettuale a un livello più profondo e aiutare a esplorare il design space in modo più efficace.

Il ruolo dei sistemi di design nel design assistito dall’AI

I sistemi di design sono sempre più importanti nello sviluppo prodotto moderno. Sono la codifica del linguaggio visivo di un prodotto, i pattern e i principi che assicurano coerenza su tutti i touchpoint. Un sistema di design comprende scale tipografiche, palette colori, regole di spaziatura, librerie di componenti e i principi che guidano l’uso combinato di questi elementi. Nel design assistito dall’AI, i sistemi di design sono ancora più preziosi. Sono le barriere che aiutano l’AI a capire come deve apparire il tuo prodotto. Quando Figma Make può dedurre informazioni dal tuo design system, può generare opzioni già allineate al brand, alle regole di spaziatura, alla tipografia e alla component library. Questo riduce drasticamente la necessità di rifinitura manuale. Invece di generare un design generico che richiede grandi personalizzazioni, l’AI può produrre opzioni già all’80% pronte per la produzione. Qui la combinazione AI + sistemi di design è potente. L’AI si occupa della generazione e dell’esplorazione delle opzioni. Il sistema di design garantisce coerenza e allineamento. Il gusto umano determina quali opzioni approfondire e come raffinarle. Questo sistema a tre elementi—AI per la generazione, sistemi di design per la coerenza, gusto umano per la selezione—rappresenta il futuro dei workflow di design. Non si tratta di sostituire i designer con l’AI, ma di dare loro strumenti migliori per esplorare più possibilità mantenendo coerenza e intenzionalità.

Come FlowHunt applica questi principi ai workflow di contenuti e design

I principi espressi da Dylan Field su gusto, AI e sistemi di design si applicano anche alla creazione di contenuti e all’automazione dei workflow. FlowHunt nasce dalla stessa filosofia: usare l’AI per espandere lo spazio delle possibilità, ma mantenere giudizio umano e gusto come filtro per ciò che viene effettivamente spedito. Nei workflow di contenuti, questo significa usare l’AI per generare molte opzioni—diversi titoli, angolazioni, strutture—e poi usare il giudizio umano per selezionare e rifinire le migliori. Nei workflow di design, significa generare opzioni di layout e varianti di componenti con l’AI, ma affidarsi ai designer per valutarle rispetto al design system e alla visione estetica del prodotto. FlowHunt integra queste capacità in una piattaforma unificata dove content creator, designer e team di prodotto possono collaborare su workflow AI-assistiti. La piattaforma capisce che il gusto non è qualcosa che si può automatizzare—va supportato e amplificato. Fornendo strumenti per generare opzioni, confrontarle, rifinirle e mantenere coerenza su sistemi di design o librerie di contenuti, FlowHunt aiuta i team ad applicare il proprio gusto su scala. Questo è particolarmente prezioso per i team che devono produrre grandi volumi di contenuti o design: invece di creare tutto manualmente, possono generare opzioni con l’AI e applicare poi il proprio gusto per curare e rifinire. Il risultato è output di qualità superiore, produzione più veloce e maggiore coerenza su tutti i touchpoint.

La sfumatura dei ruoli e la democratizzazione della creazione

Una delle implicazioni più rilevanti degli strumenti di design AI-assistiti è la sfumatura dei ruoli tradizionali. Storicamente, le distinzioni erano nette: i product manager scrivevano specifiche, i designer creavano mockup, gli ingegneri implementavano. Questi ruoli richiedevano competenze e strumenti diversi. Con l’avanzare degli strumenti AI, questi confini si sfumano. Un product manager può oggi realizzare un prototipo senza essere designer. Un designer può generare codice senza essere sviluppatore. Un ingegnere può creare design senza essere designer. Questa democratizzazione della creazione è potente, ma solleva domande importanti. Se chiunque può generare un design con l’AI, che valore ha il ruolo del designer? La risposta è il gusto. Il valore di un designer non sta nell’abilità di usare strumenti, ma nella capacità di riconoscere la qualità, fare scelte intenzionali e mantenere coerenza. Queste skill diventano più preziose, non meno, man mano che l’AI rende più facile generare design. I designer che prospereranno in questo contesto sono quelli che capiranno che il proprio ruolo sta evolvendo da “creatore di design” a “curatore e raffinatore di design”. Useranno l’AI per esplorare più possibilità di quante ne potrebbero creare manualmente, e poi applicheranno il proprio gusto per selezionare e rifinire le migliori. È una competenza diversa dal design tradizionale, ma sempre più importante. Allo stesso modo, i product manager che comprendono i principi del design possono ora creare prototipi più fedeli per comunicare la propria visione. Gli sviluppatori che comprendono il design possono contribuire in modo più rilevante alle decisioni progettuali. Il risultato è più collaborazione, più iterazione e prodotti migliori. La chiave è che il gusto—la capacità di riconoscere la qualità e fare scelte intenzionali—rimane prezioso in tutti questi ruoli. Non conta il titolo, ma il giudizio e la visione.

Scaling laws e miglioramento esponenziale delle capacità AI

Comprendere le scaling laws è essenziale per capire perché l’AI oggi possa aiutare concretamente nel design. Per decenni la ricerca AI ha seguito miglioramenti incrementali. Nuovi algoritmi, tecniche, approcci portavano a piccoli passi avanti nelle performance. Il progresso era reale ma lento. La svolta è arrivata con la consapevolezza che, semplicemente ingrandendo i modelli—addestrandoli su più dati e maggiore compute—si ottenevano miglioramenti esponenziali nelle capacità. Questa intuizione, formalizzata nella ricerca sulle scaling laws, ha cambiato la traiettoria dello sviluppo AI. Le implicazioni sono profonde: significa che, continuando a scalare modelli e dati, dobbiamo aspettarci continui miglioramenti esponenziali. Significa anche che chi ha accesso a più compute e dati avrà vantaggi rilevanti. Per gli strumenti di design, questo implica che man mano che i modelli linguistici e multimodali si espandono, miglioreranno nella comprensione dell’intento progettuale, nell’inferenza di pattern dai sistemi di design e nella generazione di opzioni coerenti. Le capacità che vediamo oggi in Figma Make ci sembreranno primitive tra pochi anni. Questo è sia entusiasmante che umiliante. Entusiasmante perché le possibilità dell’AI nella creazione sono ancora tutte da esplorare. Umiliante perché i vantaggi competitivi di oggi potrebbero non durare se basati solo sulle capacità dell’AI. Il vero vantaggio competitivo viene dal gusto—dalla capacità di usare queste potenzialità guidati da una visione e un’estetica chiara. Le aziende che sapranno combinare strumenti AI potenti con gusto e principi di design forti saranno quelle che creeranno prodotti amati dalle persone.

Il futuro della creazione: espandere lo spazio delle opzioni

La visione che Dylan Field articola è quella in cui l’AI aiuta le persone a esplorare uno spazio di possibilità molto più ampio di quanto possano fare manualmente. Invece di essere limitati a ciò che un singolo designer o team può produrre, si possono esplorare centinaia o migliaia di possibilità. Il ruolo del designer diventa meno quello di creatore e più quello di navigatore di questo spazio espanso—riconoscendo quali direzioni vale la pena seguire, quali opzioni sono in linea con la visione, quali scelte produrranno l’esperienza più coerente e coinvolgente. Questo cambiamento ha profonde implicazioni per il modo in cui si costruiscono i prodotti. Significa più iterazione, più esplorazione e prodotti più intenzionali. Invece di fermarsi al primo design funzionante, i team possono esplorare molte direzioni e scegliere quella che serve meglio utenti e visione. Il gusto diventa il fattore limitante, non la capacità produttiva. I team che vinceranno sono quelli con gusto forte e disciplina nell’applicarlo. Ecco perché Figma Make è così significativo. Non è solo uno strumento per generare design più velocemente, ma per espandere lo spazio delle possibilità e aiutare i designer a navigarlo in modo intenzionale. È uno strumento che riconosce che il gusto è il vero vantaggio competitivo, e che il ruolo dell’AI è amplificare il gusto rendendo possibile esplorare più opzioni e rifinirle a fondo. Il futuro della creazione non è sostituire il giudizio umano con l’AI, ma usare l’AI per ampliare lo spazio delle possibilità e poi navigarlo con giudizio e coerenza. Questa è la promessa di strumenti come Figma Make, ed è il motivo per cui il gusto rimarrà il vantaggio definitivo in un mondo potenziato dall’AI.

Conclusione

La convergenza tra le capacità dell’AI e gli strumenti di design rappresenta un cambiamento radicale nel modo in cui vengono creati i prodotti. Come spiega Dylan Field, il gusto—la capacità coltivata di riconoscere la qualità, fare scelte intenzionali e mantenere coerenza—diventa il vero vantaggio competitivo proprio perché l’AI diventa sempre più brava negli aspetti meccanici del design. Il percorso dagli esperimenti di machine learning ai giorni di Figma Make mostra quanto tempo occorra perché le capacità dell’AI diventino strumenti pratici, e quanto sia importante mantenere una visione chiara dei problemi da risolvere. La sfumatura dei ruoli tra designer, product manager e sviluppatori, resa possibile dagli strumenti AI, democratizza la creazione rendendo al contempo più prezioso il gusto. I sistemi di design sono i binari che aiutano l’AI a generare opzioni coerenti con la visione del prodotto. Il linguaggio naturale è solo l’inizio dell’interazione con l’AI—le interfacce future offriranno modi sempre più sofisticati per esplorare lo spazio progettuale. Le scaling laws che alimentano i sistemi AI moderni suggeriscono che le capacità continueranno a migliorare esponenzialmente, ma il vantaggio competitivo non deriverà dall’avere la migliore AI, bensì dal gusto e dalla visione con cui la si usa al servizio di un’estetica chiara. I team che combinano strumenti AI potenti con principi di design rigorosi, visione chiara e gusto disciplinato creeranno prodotti che si distinguono. Il futuro della creazione non è sostituire il giudizio umano—ma amplificarlo, espandere lo spazio delle possibilità e dare ai creatori strumenti per esplorare più a fondo e rifinire con più intenzione che mai.