Il 24 luglio 2026 Nate Parrott, il designer di prodotto che ha costruito Claude Design per Anthropic, ha raccontato sul blog ufficiale dell’azienda come usa il proprio strumento per esplorare idee visive prima ancora di realizzarle.
È un pezzo pieno di entusiasmo autentico, scritto da chi ha vissuto la nascita di un prodotto dall’interno. Ma tra i consigli pratici, quasi di sfuggita, Parrott ammette una cosa scomoda: lasciato senza indicazioni precise, il suo strumento tende a scegliere sempre la stessa estetica, così riconoscibile da rimandare il lettore a un’inchiesta uscita poche settimane prima, dedicata proprio a come quello stile fosse diventato il nuovo cliché visivo di internet. In questa piccola contraddizione, tenuta insieme dentro un solo articolo, si nasconde una delle domande più urgenti sul futuro della creatività: quando eseguire non costa più nulla, che cosa distingue davvero chi crea da chi si limita a premere invio?
Indice degli argomenti
Una confessione dentro l’entusiasmo
Nate Parrott è un product designer che, nell’autunno del 2025, si è trovato da solo sulla nuova interfaccia di Claude Code per Visual Studio Code, mentre i due ingegneri con cui lavorava spedivano funzionalità a un ritmo che lui non riusciva a reggere. Quando a novembre è arrivato il modello Opus 4.5, il divario si è allargato ancora di più.
Parrott ha risolto il problema per vie traverse. Ha scoperto che Claude è sorprendentemente bravo con l’HTML: un mezzo visivo a tutto tondo, capace di produrre qualunque cosa si faccia con una slide, un video o un PDF, ben oltre il ruolo di semplice linguaggio per siti web. Ha distillato il brand di Anthropic, font, colori, principi, dentro un prompt, ha costruito un piccolo prototipo interno e lo ha condiviso con il team. È bastata una sessione informale durante un evento di Anthropic Labs, con colleghi che assemblavano slide al volo mentre aspettavano il proprio turno di parlare, perché quel prototipo diventasse un progetto vero. Il 17 aprile 2026 è nato così Claude Design, alimentato dal modello Opus 4.7, pensato per dare a chiunque, designer o meno, uno spazio dove esplorare idee prima di costruirle davvero.
È una storia di origine gradevole, raccontata con un’onestà intellettuale non scontata in un pezzo aziendale. Ed è proprio dentro questa onestà che si nasconde il punto più interessante. Tra i dieci consigli pratici che Parrott condivide per usare al meglio lo strumento, il secondo recita che bisogna dire a Claude che aspetto deve avere il risultato, perché lasciato a sé sceglie sempre una delle sue estetiche preferite, probabilmente già riconoscibili al lettore. Il link che accompagna quella frase porta dritto a un’inchiesta del New Yorker uscita un mese prima, che quella stessa estetica l’aveva già raccontata, catalogata e messa alla berlina.
È una contraddizione che vale la pena prendere sul serio, perché riguarda una domanda ben più ampia di un semplice dettaglio di prodotto: la domanda più scomoda che l’intelligenza artificiale pone oggi a chiunque crei per mestiere. Se eseguire un’idea non costa più nulla, in tempo e in fatica, l’unica cosa che resta scarsa, e dunque preziosa, è avere quell’idea prima ancora di aprire la finestra di dialogo.
L’appiattimento ha smesso di essere un’opinione
Matt Ström-Awn è un designer indipendente che lavora soprattutto con startup alle prime armi. Nel giugno 2026 ha raccontato a Kyle Chayka, che sul New Yorker cura la rubrica “Infinite Scroll” dedicata alla cultura digitale, un episodio capitatogli con due clienti diversi. Entrambi gli avevano mostrato con orgoglio i propri pitch deck: prima slide colorata con la mission in tre punti elenco, seconda slide con quattro rettangoli a rappresentare “il campo di gioco” competitivo, terza slide con una riga centrale che annunciava “la nostra mossa”. Il logo cambiava. Il resto no. Entrambi i deck erano stati generati con Claude Design, e secondo Ström-Awn lo strumento “restituisce di default la stessa estetica a chiunque lo utilizzi”.
Se negli ultimi mesi hai notato online una certa uniformità visiva, sfondi caldi e sabbiosi, titoli enormi in font Serif, quell’impressione ha un fondamento preciso. Chayka ha scoperto che Anthropic stessa lo ammette nella propria documentazione: il modello avrebbe istinti estetici marcati, con uno stile di default persistente, che ricorda da vicino il branding dell’azienda stessa, fondi color crema, accenti rosso ruggine, caratteri serif e frequenti sottolineature. Chiedere istruzioni generiche come evitare il color crema sposta il modello verso un’altra palette altrettanto fissa, senza aprire una reale varietà. Un portavoce di Anthropic ha replicato che lo strumento dovrebbe poter deviare da uno stile standard quando l’utente lo desidera, ma resta il fatto che la deviazione richiede uno sforzo esplicito, mentre la convergenza è la via di minor resistenza.
Il caso di Ström-Awn si inserisce in un quadro più ampio, confermato da una ricerca indipendente. Nell’aprile 2026 i ricercatori Alwin de Rooij e Michael Mose Biskjaer hanno presentato in preprint una meta-analisi che raccoglie diciannove studi e sessantuno effetti misurati sulla co-creazione uomo-IA, trovando un effetto di omogeneizzazione piccolo ma statisticamente significativo (d = 0,334), piuttosto robusto anche nei contesti reali, almeno in termini statistici, e non soltanto nei laboratori. Gli autori lo accostano ai classici “effetti di fissazione” studiati in psicologia, quelli per cui vedere un esempio limita la capacità di immaginarne altri, amplificati qui dalla scala e dalla sincronia con cui milioni di persone usano lo stesso sistema nello stesso momento. Il filone di ricerca era partito nel 2024, quando Anil Doshi e Oliver Hauser, in uno studio ormai molto citato pubblicato su Science Advances, avevano coinvolto circa trecento scrittori: chi riceveva idee da GPT-4 produceva racconti individualmente più creativi, ma collettivamente più simili tra loro.
Il meccanismo, in fondo, è sempre lo stesso. Un sistema addestrato su enormi quantità di esempi restituisce, con grande efficienza, la versione statisticamente più probabile di ciò che gli viene chiesto. Diventa molto meno efficiente quando gli si chiede di scartarla.
Una fisica che riguarda ogni strumento generativo
Prima di Claude Design, un’altra azienda aveva già toccato con mano lo stesso fenomeno. Nel luglio 2024 Figma dovette disattivare in fretta una funzione appena lanciata, chiamata Make Designs, dopo che un utente le aveva chiesto di progettare un’app meteo e si era visto restituire, prompt dopo prompt, quasi una fotocopia dell’equivalente di Apple. Il fondatore di NotBoring Software, che aveva condotto l’esperimento, arrivò ad accusare Figma di aver addestrato il modello sui design altrui. Il CEO Dylan Field smentì pubblicamente, mentre il CTO Kris Rasmussen spiegò che i modelli usati erano di terze parti: il sistema di design interno che li guidava era semplicemente troppo povero di variabilità per restituire soluzioni davvero differenti tra loro.
Due aziende diverse, due anni di distanza, lo stesso sintomo strutturale, comune a ogni sistema che apprende da grandi quantità di esempi. Un modello generativo restituisce, quando non viene guidato con precisione, la versione statisticamente più plausibile di ciò che gli si chiede, con la stessa logica per cui un motore di raccomandazione finisce sempre per suggerire i contenuti già più popolari.
Il fenomeno si estende ben oltre il design, fino al linguaggio scritto. Nell’aprile 2025 Dhruv Agarwal, Mor Naaman e Aditya Vashistha hanno presentato al CHI, la principale conferenza mondiale sull’interazione uomo-computer, un esperimento condotto su 118 partecipanti tra India e Stati Uniti, chiamati a svolgere compiti di scrittura radicati nella propria cultura, con e senza suggerimenti di un modello linguistico addestrato prevalentemente su dati occidentali. I risultati mostrano due cose insieme. La prima: l’IA offre guadagni di efficienza maggiori agli scrittori americani rispetto a quelli indiani. La seconda, più inquietante: i suggerimenti spingono i partecipanti indiani ad adottare stili di scrittura occidentali, cambiando il contenuto e la forma di ciò che scrivono. La somiglianza tra i testi delle due culture, misurata statisticamente, cresce in modo significativo quando l’IA entra in gioco, con un effetto (Cohen’s d = 0,44) più marcato di quello osservato all’interno di ciascuna cultura presa singolarmente. Gli autori hanno verificato che questo scostamento va oltre semplici correzioni grammaticali o l’omissione di riferimenti culturali, toccando la voce stessa di chi scrive.
Appiattimento estetico e appiattimento linguistico nascono dalla stessa radice: modelli addestrati su raccolte di dati nelle quali lingue, riferimenti e pratiche culturali occidentali risultano spesso sovrarappresentati possono restituire tali convenzioni come default implicito.
Sarebbe però un errore altrettanto grave liquidare la faccenda come un verdetto contro l’intelligenza artificiale nel design. Lo stesso Figma, nel report “State of the Designer 2026” pubblicato a febbraio, ha rilevato che il 91% dei designer intervistati considera gli strumenti di IA un miglioramento concreto per il proprio lavoro. La vera tensione corre tra chi lascia che sia lo strumento a decidere al posto proprio, e chi lo costringe a eseguire una decisione già presa altrove, nella propria testa, prima ancora di scrivere la prima riga di prompt.
Il mestiere si sposta: dal disegnare al decidere prima
Se lo strumento tende sempre verso la stessa risposta, cosa resta allora da fare a chi dovrebbe guidarlo con criterio? È qui che il racconto di Parrott, letto per intero, smette di essere ingenuo e diventa quasi un manuale involontario di autodifesa professionale.
Il rapporto “AI in Design” pubblicato nel 2026 da Designer Fund e Foundation Capital, basato su un sondaggio condotto tra designer di prodotto e di brand nel primo trimestre dell’anno, restituisce un quadro coerente. Il 76% degli intervistati ha già usato uno strumento di IA per scrivere codice, percentuale che sale all’85% includendo i costruttori di app come Lovable o Replit, e la metà ha portato in produzione codice generato dall’IA. Per circa l’80% dei rispondenti, però, l’IA assiste senza sostituire il proprio metro di giudizio sulla qualità, la rifinitura visiva finale, la direzione creativa. Tra il 60 e il 70% continua ad affidarsi al proprio giudizio per capire i bisogni degli utenti, definire il problema, costruire una narrazione, pensare all’architettura complessiva di un sistema.
Karri Saarinen, cofondatore e amministratore delegato di Linear, l’ha condensata in una frase diventata quasi un mantra tra chi lavora nel settore: “la parte difficile del design non è quasi mai generare la forma“. Il resto, aggiunge, sta nel capire abbastanza a fondo il problema da sapere se, cosa e come qualcosa dovrebbe esistere davvero.
Katie Dill, a capo del design di Stripe, propone un test più pratico per distinguere un buon uso dello strumento da un cedimento alla scorciatoia: chiedersi se si sarebbe orgogliosi di un risultato ottenuto in pochi minuti quanto lo si sarebbe se fosse costato una settimana di lavoro. Se la risposta è no, avverte, vale la pena insistere con altri tentativi prima di accontentarsi. È una versione aggiornata di un’abitudine antica quanto il mestiere, il controllo di qualità, applicata a un contesto in cui la tentazione di fermarsi al primo risultato plausibile è più forte che mai.
È esattamente ciò che i consigli pratici di Parrott, se letti con attenzione, finiscono per dimostrare. Fare tutto il lavoro di pensiero prima di scrivere il prompt. Specificare colori e font con precisione, oppure fornire una moodboard, invece di lasciare campo libero al default. Chiedere dieci varianti e poi remixarle, invece di accontentarsi della prima. Sono i mestieri più antichi del progettare, applicati in un punto diverso del processo: avere gusto, saper scartare, riconoscere quando qualcosa non funziona ancora. Semplicemente, si esercitano in un momento diverso, più a monte, prima ancora di aprire la finestra di dialogo.
C’è un rovescio scomodo, ed è bene non nasconderlo. Nello stesso rapporto, alcuni dirigenti intervistati confessano una preoccupazione condivisa: i designer più giovani, cresciuti con l’IA sempre a disposizione, rischiano di non accumulare mai quel tipo di giudizio che si forma sbagliando manualmente, con tempo e ripetizione. Il gusto resta una competenza che si allena. Se smette di essere esercitata perché la scorciatoia è sempre disponibile, l’atrofia diventa un rischio concreto quanto l’appiattimento del risultato finale.
La solitudine del prompt: il costo sociale della velocità
C’è un ultimo effetto collaterale, meno discusso perché riguarda il modo in cui si arriva al prodotto finito, più che la qualità del prodotto in sé. Lo stesso rapporto di Designer Fund e Foundation Capital registra un aumento marcato di chi lavora in isolamento: il 20% dei rispondenti segnala una diminuzione della collaborazione con i colleghi, contro il 5% rilevato appena un anno prima. È come se la solitudine avesse preso il posto dell’energia collaborativa, e l’attesa che l’IA elabori una risposta avesse sostituito lo stato di flusso condiviso che nasce quando più persone pensano ad alta voce nella stessa stanza.
Il punto merita attenzione perché tocca un aspetto del mestiere creativo che i sondaggi sulla produttività raramente catturano. Il giudizio critico, quello che permette di riconoscere quando un’idea non funziona ancora, si forma con l’esercizio diretto, ma anche per contagio: osservando come lavorano i colleghi più esperti, ricevendo critiche su un lavoro ancora imperfetto, discutendo un bivio prima di scioglierlo. Se il confronto si sposta sempre più spesso dentro una conversazione privata con un modello linguistico, quel canale di trasmissione, silenzioso ma decisivo, rischia di assottigliarsi proprio mentre il giudizio che dovrebbe trasmettere diventa più prezioso che mai. Più di un dirigente, nello stesso rapporto, esprime la stessa preoccupazione: i designer più giovani rischiano di ereditare gli strumenti senza ereditare fino in fondo il mestiere.
La stessa storia, dieci anni dopo
C’è un dettaglio biografico che rende questa vicenda ancora più significativa. Kyle Chayka, la firma dietro l’inchiesta del New Yorker, non è nuovo a questo tipo di osservazione. Nel 2016, in un saggio per The Verge diventato un piccolo classico del giornalismo culturale, coniò il termine “AirSpace” per descrivere come bar, spazi di coworking e appartamenti su Airbnb di tutto il mondo avessero iniziato ad assomigliarsi, dalle stesse travi a vista alle stesse lampadine a filamento, come se milioni di proprietari avessero preso, indipendentemente gli uni dagli altri, la stessa identica decisione estetica. Nel 2024 ha allargato quell’intuizione in un libro, Filterworld, dedicato a come gli algoritmi di raccomandazione, dai feed social ai suggerimenti di Netflix, avessero appiattito il gusto collettivo su scala globale. Nel 2026 lo stesso sguardo si è spostato sugli strumenti che progettano le nostre interfacce, trovando in sostanza lo stesso fenomeno sotto un’altra pelle.
Colpisce che la stessa persona torni tre volte sullo stesso fenomeno nel giro di un decennio, cambiando ogni volta il tramite, un caffè, una piattaforma, un modello linguistico, mentre la dinamica di fondo resta identica: qualcosa che promette scelta infinita, e che restituisce invece convergenza.
Parrott, dal canto suo, lo sa bene, ed è per questo che il suo articolo resta un testo onesto nonostante l’entusiasmo. Il problema che lascia intravedere travalica lo strumento specifico che ha contribuito a costruire, e riguarda ogni sistema capace di eseguire al posto nostro. Ormai è scontato che useremo sempre di più questi sistemi. Il vero interrogativo riguarda cosa porteremo noi dentro il prompt, prima ancora che Claude, o qualunque altro modello, cominci a scrivere: un’idea già decisa, un’intenzione precisa, un gusto coltivato per anni. Oppure il vuoto che il modello, fedele alla propria natura statistica, si affretterà a riempire con la risposta più probabile, la stessa che offrirà a chiunque altro non si sia posto la domanda prima di noi.
Partecipa alla community