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. 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.
L’aspettativa è però in contrasto con il funzionamento reale della chat. Usarla efficacemente richiede competenze che non si acquisiscono spontaneamente: scrivere buoni prompt, verificare gli output, gestire il contesto. È l’articulation barrier descritto da Jakob Nielsen: la difficoltà di tradurre un bisogno in una richiesta efficace. Non è una barriera di nicchia: secondo l’indagine OCSE PIAAC 2023 (pubblicata a dicembre 2024) circa il 26% degli adulti nei paesi OCSE si colloca al livello più basso di alfabetizzazione (Level 1 o inferiore), e il 18% è sotto il livello base in tutti i domini misurati — con forti differenze tra paesi. La sensazione di non dover imparare nulla non corrisponde a un’interazione più semplice: lo conferma il dato sul 19,1% di utenti che usa strategie di prompting (si veda La ricerca diventa conversazione).
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) 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 che già abbiamo in gestione, non i chatbot da costruire: la nostra applicazione, il nostro portale, il nostro gestionale 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.
Effetto per le professionalità
- Information Architect — È qui che serve affiancare all’architettura dell’informazione un’architettura dell’intento. La distinzione, in breve: l’architettura dell’informazione organizza i contenuti secondo la logica del dominio — categorie, gerarchie, tassonomie — e risponde alla domanda “dove si trova questa cosa?”; l’architettura dell’intento parte dagli obiettivi che l’utente vuole raggiungere e li mappa in punti di accesso diretti e azionabili, rispondendo a “come faccio a ottenere X?”. In pratica si costruisce in quattro passaggi. (1) Raccogliere gli intenti reali dalle fonti che già esistono in azienda: query del motore di ricerca interno, ticket di supporto, trascrizioni del call center, log dell’assistente se c’è. Non dalle categorie del business. (2) Normalizzarli in una lista finita di obiettivi espressi con le parole dell’utente — “disdire l’abbonamento”, “cambiare l’IBAN”, “capire perché mi è stato addebitato questo importo” — non con quelle interne (“Gestione anagrafica”, “Area dispositiva”). (3) Dare a ciascun intento un punto di accesso diretto: una CTA in evidenza, una scorciatoia in home, un deep link, una risposta in cima alla pagina — raggiungibile senza attraversare la gerarchia. (4) Far convivere i due livelli: la struttura resta per chi esplora e per chi non sa ancora cosa cerca; l’accesso per intento serve chi sa già cosa vuole ed è la maggioranza dei ritorni. Esempio: un sito bancario che archivia le domiciliazioni sotto “Prodotti › Conti › Servizi accessori › Domiciliazioni” non è sbagliato — è solo inutilizzabile per chi arriva pensando “devo domiciliare la bolletta della luce”. L’architettura dell’intento affianca quella voce come punto d’ingresso di primo livello, senza smontare la tassonomia. Nota di governance: gli intenti cambiano più rapidamente delle tassonomie e vanno revisionati periodicamente sui dati di ricerca interna e di supporto, altrimenti l’accesso diretto invecchia peggio della struttura. → Risorsa utile: Rethinking Jobs-to-be-Done for the AI Era — Momentum Design Lab
- Product Manager — 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.
- UX Writer / Copywriter — 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 — 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
- Interaction Designer — 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 — 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; Influencing Human-AI Interaction by Priming Beliefs about AI (Nature Machine Intelligence)