AIX | AI Product Language
Un approccio strutturato per ridurre ambiguità, inferenze implicite e rischio informativo nei sistemi AI.
Sempre più persone utilizzano l’AI per capire se un prodotto è adatto alle proprie esigenze.
Il problema non è la mancanza di informazioni, ma il modo in cui queste vengono fornite: contenuti pensati per la lettura umana costringono i modelli a colmare vuoti, fare deduzioni e prendere decisioni implicite.
Questo progetto esplora come la sola strutturazione semantica dei dati possa cambiare radicalmente il tipo di risposte generate, rendendo il sistema più coerente, trasparente e governabile.
Problema
Sempre più persone cercano conferme in questo modo, senza passare dai vari touchpoint aziendali. Questo sposta una parte del controllo dell’informazione fuori dai canali ufficiali.
La risposta spesso è corretta, ma non sempre è quella che avreste dato voi. A quel punto nasce una domanda scomoda: chi sta controllando quell’informazione?
Molte aziende danno per scontato che, se i contenuti sul sito sono corretti, anche le risposte dell’AI lo saranno.
Il problema è che i contenuti web sono progettati per la lettura umana e per la SEO, non per un’interpretazione semantica strutturata e le informazioni presenti sono spesso distribuite, implicite, mescolate a linguaggio commerciale.
Quando un modello analizza una pagina prodotto, deve inferire caratteristiche, contesto, benefici e limiti da testo libero.
Questa inferenza introduce ambiguità, anche quando i dati sono tecnicamente corretti.
Il punto quindi non è la mancanza di informazioni, ma la mancanza di una struttura che renda esplicito ciò che l’AI può o non può dire sul prodotto.
Durante i test è emerso un aspetto non immediatamente evidente:
quando le informazioni ufficiali non sono strutturate in modo leggibile per un’AI, il modello tende ad attingere a fonti esterne per completare il quadro informativo.
Comparatori, marketplace, recensioni e siti terzi diventano così, di fatto, fonti operative per rispondere alle domande degli utenti.
In un contesto in cui l’AI diventa un intermediario informativo primario, la mancanza di una fonte canonica AI-readable equivale a delegare ad altri l’autorità sul proprio prodotto.
Ipotesi
Il primo passo è stato chiedermi come dovrebbe essere descritto un prodotto affinché un’AI possa rispondere in modo affidabile
Ho smesso di pensare al prodotto come a una pagina e ho iniziato a trattarlo come un insieme di informazioni esplicite: caratteristiche, contesti d’uso, benefici, limiti e rischi.
Per questo ho strutturato le informazioni in schede semanticamente ordinate, usando l’AI come supporto per trasformare input non strutturati in dati leggibili dal modello.
Ogni area di conoscenza del prodotto è stata organizzata in macro-domini (MD), a loro volta composti da dati semantici (SD), in modo da rendere chiaro non solo cosa il prodotto fa, ma quando, per chi e con quali limiti.
Ad esempio, un dominio come MD08 – Limiti e Rischi esplicita ciò che spesso nei contenuti marketing rimane implicito:
SD01 – not_recommended_for
…
Questo tipo di informazione esiste quasi sempre, ma raramente è resa leggibile e interrogabile da un sistema AI.
Esperimenti
Ho condotto una serie di test esplorativi su prodotti diversi per osservare come cambia il comportamento dei modelli linguistici quando le stesse informazioni vengono fornite in forma strutturata.
Dai test è emerso che la trasformazione delle informazioni in un formato semantico categorizzato riduce significativamente lo sforzo inferenziale richiesto al modello per interpretarla seppur non aumentando la quantità di informazione disponibile.
L’ultimo test è stato condotto in due fasi: Fase uno
Ho convertito le informazioni presenti sul sito ufficiale del prodotto (macchinetta del caffè) in una scheda “AI-ready”, mantenendo invariato il contenuto ma rendendo espliciti domini, limiti e relazioni.
Successivamente ho sottoposto una serie di domande ricorrenti a più modelli linguistici:
una prima volta utilizzando esclusivamente il contenuto del sito
una seconda volta utilizzando la scheda strutturata derivata dalle stesse informazioni
Il confronto ha mostrato che la sola strutturazione semantica:
- riduce la necessità di deduzioni implicite
- aumenta la coerenza delle risposte
- rende più stabili i limiti e le esclusioni pur non introducendo nuove informazioni.
In altre parole, la scheda riduce il lavoro cognitivo che l’AI deve fare per usare correttamente informazioni già esistenti.
Fase due
Nel secondo step ho arricchito la scheda prodotto con le informazioni presenti nel manuale d’uso, chiedendo al sistema non solo di integrarle, ma di confrontarle con quelle già esistenti.
L’obiettivo non era “aggiungere più dati”, ma osservare cosa succede quando fonti diverse vengono messe in relazione in modo strutturato.
A partire da questo set informativo, il sistema ha generato inferenze logiche con due funzioni precise:
- confermare la coerenza tra le fonti
- segnalare eventuali contraddizioni o zone di ambiguità
Il risultato non è una verità “più completa”, ma un’informazione di natura diversa.
Il sistema ora è in grado di:
- distinguere chiaramente tra fatti dichiarati e deduzioni
- individuare contraddizioni tra fonti
- segnalare aree di rischio informativo
- rendere possibile un intervento umano informato
- permettere di decidere cosa può essere considerato canonico e cosa no
Riduzione
del rischio
Le incoerenze non vengono nascoste o risolte arbitrariamente dall’AI
Riduzione del lavoro umano a valle
L’umano non deve più cercare le discrepanze, ma solo valutarle
Scalabilità
Lo stesso processo può essere applicato a più prodotti e più fonti
Esempio finale
Quando la rassicurazione diventa un rischio
Vorrei fare un regalo a tutta la famiglia, dove facciamo colazione spesso la stanza è molto fredda (anche 4 gradi a volte) quindi abbiamo bisogno di una macchinetta che sia veloce a prepararci il caffè al mattino, è veloce questa? me la consigli?
Risposta classica
Risposta con scheda
A sinistra l’obiettivo è rassicurare,
a destra l’obiettivo è evitare un errore.
La differenza non è nel tono,
è nella gestione del rischio informativo.
Scopri come ho trasformato altri progetti
Un esperienza
che riduce
gli abbandoni
Guarda come un analisi UX ha ridotto gli abbandoni e aumentato le conversioni.
UX Engine
Un sito che
raddoppia
l'engagement
Guarda come l’esperienza UX ha triplicato il valore percepito.