# La nuova aspettativa di una curva di apprendimento nulla

> Cresce l'aspettativa che sia l'interfaccia a imparare l'utente, senza una fase di apprendimento e nella sua lingua.

Nella UI tradizionale l'utente impara l'interfaccia: navigazione, tassonomia, posizione delle funzioni. La curva di apprendimento è sempre stata considerata inevitabile, e su questo assunto si fondano molte euristiche UX.
Con l'AI il pattern si rovescia: cresce l'aspettativa che sia l'interfaccia a imparare l'utente (chi è, cosa vuole, in quale contesto si trova), senza una fase di apprendimento e nella sua lingua.

Questa aspettativa ha un'origine nota in UX: la *[Jakob's Law](https://lawsofux.com/jakobs-law/)*, formulata da Jakob Nielsen nel 2000 — le persone passano la maggior parte del tempo su altri prodotti, e si aspettano che quello in uso funzioni allo stesso modo. È il principio su cui poggia il design per convenzione degli ultimi vent'anni. Quello che cambia è il prodotto di riferimento da cui l'utente importa il modello mentale: non più altri siti dello stesso settore con la stessa struttura a menu, ma la chat AI, con la sua promessa implicita di comprensione immediata.

L'aspettativa è però in contrasto con il funzionamento reale della chat: usarla efficacemente richiede competenze che una parte rilevante della popolazione non possiede spontaneamente — l'indagine OCSE PIAAC misura livelli di alfabetizzazione bassi in una quota significativa di adulti (si veda [Fiducia, AI literacy e calibrazione](https://www.shaped-by-ai.com/it/impacts/fenomeni-osservati/temi-trasversali/fiducia-ai-literacy-e-calibrazione/) per il dato completo). La sensazione di non dover imparare nulla non corrisponde quindi a un'interazione più semplice.

Un secondo elemento: il modello mentale si forma anche in base a come il sistema viene presentato. Uno studio del MIT Media Lab ([Pataranutaporn et al., *Nature Machine Intelligence*, 2023](https://www.nature.com/articles/s42256-023-00720-7)) mostra che lo stesso identico sistema viene percepito come più affidabile, empatico e performante se presentato come "premuroso" anziché neutro, e che l'interazione successiva rinforza il modello mentale iniziale. Onboarding, naming e framing non sono comunicazione accessoria, ma una leva che determina l'esperienza.

**La conseguenza pratica riguarda i prodotti già in gestione**, non i chatbot da costruire: applicazioni, portali e gestionali vengono ora giudicati da persone che non sono più disposte a investire tempo per impararli. Il budget di apprendimento che l'utente concede si è ridotto, e questo mette sotto pressione tutto ciò che nel prodotto presuppone un addestramento: tutorial, wizard di primo accesso, manuali, tassonomie da memorizzare, funzioni nascoste in menu profondi.

## Effetti e responsabilità per i ruoli

* **[Information Architect](https://www.shaped-by-ai.com/it/impacts/impatto-sui-ruoli/research-ia/)** — La soluzione strutturale è l'**architettura dell'intento**: punti di accesso diretti agli obiettivi dell'utente, affiancati alla gerarchia esistente senza sostituirla. Il metodo in quattro passaggi è descritto in [Interazione basata sull'intento](https://www.shaped-by-ai.com/it/impacts/fenomeni-osservati/la-ricerca-diventa-conversazione/interazione-basata-sull-intento/).
* **[UX Writer / Copywriter](https://www.shaped-by-ai.com/it/impacts/impatto-sui-ruoli/content-editorial/)** — Le label devono essere autoesplicative senza contesto: chi arriva non ha letto niente e non leggerà. Il lessico interno ("area riservata", "posizione", "pratica") va sostituito con il verbo dell'azione. La microcopy diventa il sostituto della documentazione: spiegare nel punto in cui serve, non in una pagina di aiuto.
* **[Content Designer](https://www.shaped-by-ai.com/it/impacts/impatto-sui-ruoli/content-editorial/)** — La guida in linea passa da manuale a supporto contestuale: contenuti brevi, situati nel flusso, esposti al momento del dubbio invece che raccolti in una sezione "Assistenza". Il contenuto deve poter essere composto in base al contesto dell'utente, non essere un blocco fisso uguale per tutti. → Risorsa utile: [Designing for Generative AI Experiences — NN/g](https://www.nngroup.com/articles/designing-generative-ai/)
* **[Interaction Designer](https://www.shaped-by-ai.com/it/impacts/impatto-sui-ruoli/product-design/)** — Ridurre il costo d'ingresso alle funzioni: meno profondità gerarchica, azioni frequenti in superficie, stati di default sensati al posto di configurazioni obbligatorie. Ogni passaggio che chiede di decidere prima di aver capito è un punto di abbandono.
* **[UX Researcher](https://www.shaped-by-ai.com/it/impacts/impatto-sui-ruoli/research-ia/)** — Cambiano le metriche di riferimento. La *learnability* misurata su sessioni ripetute perde peso rispetto al **successo al primo tentativo** e al **tempo al primo risultato utile**. I test vanno condotti senza istruzioni preliminari e con utenti che non hanno mai visto il prodotto — se serve spiegare il task, il dato è già compromesso. Va misurata anche la prima impressione, non solo l'uso a regime: come il prodotto viene presentato condiziona il modello mentale e, di riflesso, soddisfazione e fiducia. Per gli scenari conversazionali esistono primi strumenti validati, tra cui la Chatbot Usability Scale nell'adattamento italiano *Ciao AI* (Springer), ma i metodi classici — task-based testing, card sorting, tree testing — restano lo strumento giusto per i prodotti tradizionali. → Risorse utili: [Mental Model Shifts in Human-LLM Interactions](https://link.springer.com/article/10.1007/s10844-025-00960-6); [Influencing Human-AI Interaction by Priming Beliefs about AI (Nature Machine Intelligence)](https://www.nature.com/articles/s42256-023-00720-7)
* **[Product Manager](https://www.shaped-by-ai.com/it/impacts/impatto-sui-ruoli/leadership-strategy/)** — Cade l'assunto che l'utente si formi. Onboarding lunghi, tour guidati e wizard di primo accesso vanno considerati un costo che l'utente non è più disposto a pagare, non un investimento: la funzione deve essere comprensibile al primo tentativo, o non verrà usata. Da rivedere in roadmap: le funzioni con alto tasso di abbandono in onboarding e quelle che richiedono formazione per essere adottate — in molti casi il problema non è la spiegazione mancante ma la funzione mal esposta.