Esiste un momento preciso in cui il nostro team di ricerca e design capisce che qualcosa è cambiato davvero. Per noi del sircle HCD è arrivato quando, di fronte a un insieme di interviste che normalmente ci avrebbe impegnato quattro giorni, abbiamo ottenuto una raccolta organizzata delle user quotes più rilevanti, una prima categorizzazione dei temi ricorrenti e una base strutturata per la costruzione della presentazione nel giro di un pomeriggio.

Prima: un processo consolidato ma dispendioso

Il flusso che seguivamo era quello classico. Dopo ogni ciclo di interviste, si riascoltavano le registrazioni dall’inizio alla fine; cinque, sei, anche otto ore di audio per un set completo. Si prendevano note manuali, si correggevano le trascrizioni, si estraevano riga per riga le citazioni più significative. Poi arrivava il momento di costruire la presentazione per gli stakeholder partendo da un template vuoto, scegliendo i temi, ordinando le evidenze e costruendo la narrativa del report.

Come UX Researcher, molte attività continuano ancora oggi a richiedere un approccio manuale. L’analisi qualitativa vera e propria, l’ascolto attento delle interviste, la comprensione delle sfumature, dei silenzi, delle esitazioni o del tono emotivo degli utenti sono aspetti che continuiamo a gestire senza AI. Riascoltare alcuni passaggi, prendere note manualmente e interpretare il contesto rimane una parte fondamentale del nostro lavoro.

Uno degli aspetti più lunghi e macchinosi era però la ricerca delle user quotes. Per chi si occupa di UX Research, le citazioni degli utenti hanno un ruolo centrale: aiutano a dare concretezza agli insight, rendono i problemi più tangibili agli stakeholder e permettono di mantenere forte il legame tra decisioni progettuali ed evidenze raccolte durante la ricerca.

Trovare queste citazioni richiede però molto tempo: bisogna cercare manualmente tra registrazioni e trascrizioni ogni singola menzione rilevante, verificare il contesto corretto e organizzarla nel report.

La svolta: prompt precisi, risultati accurati

Abbiamo iniziato a usare NotebookLM in modo sperimentale. L’idea era di caricare tutte le trascrizioni come sorgenti e interrogarle in modo trasversale. I primi tentativi erano già promettenti, ma ci siamo resi conto rapidamente che la qualità dell’output dipende quasi interamente dalla qualità del prompt.

Un prompt vago produce risultati generici. Un prompt strutturato, che specifica il contesto progettuale, il formato atteso e il tipo di informazione richiesta, produce invece risultati molto più accurati e affidabili.

Nel progetto HackersGen abbiamo iniziato a utilizzare NotebookLM soprattutto per:

• suggerire categorizzazioni dei temi emersi,
• raccogliere e organizzare le user quotes più rilevanti,
• supportare la preparazione delle presentazioni per gli stakeholder.

Il valore aggiunto non è stato sostituire il lavoro del ricercatore, ma velocizzare tutte quelle attività operative e ripetitive che normalmente richiedevano ore di ricerca manuale all’interno delle trascrizioni.

Cosa è cambiato

Una presentazione che richiedeva due giorni interi ora viene preparata in meno di quattro ore. Il cambiamento più importante riguarda soprattutto il tempo che possiamo dedicare alla parte realmente strategica del nostro lavoro.

NotebookLM ci aiuta a organizzare i contenuti in modo rapido e abbastanza accurato, lasciando al ricercatore il compito di verificare, interpretare e contestualizzare ciò che emerge. L’analisi qualitativa, le decisioni progettuali e la lettura critica dei comportamenti degli utenti rimangono attività profondamente umane.

C’è anche un effetto interessante che abbiamo osservato nel tempo: progettare un buon prompt per NotebookLM richiede competenze molto simili a quelle necessarie per costruire una buona intervista di ricerca. Chiarezza degli obiettivi, precisione del contesto, attenzione al tipo di risposta attesa. Una capacità che si sta trasformando in una nuova competenza metodologica all’interno del team.

Oggi NotebookLM non rappresenta una sostituzione dei nostri workflow, ma un acceleratore concreto delle nostre attività quotidiane. Ci permette di ridurre il tempo dedicato alle attività più meccaniche e di concentrarci maggiormente sull’interpretazione, sulla progettazione e sulla qualità dell’esperienza utente.