Product lead e co-CEO spiega perché creare prodotti AI è tutta un’altra storia
Scopri come un CEO orientato al prodotto utilizza l’AI per accelerare la definizione delle priorità, la prototipazione e l’esecuzione, mantenendo strategia, fiducia e comprensione del cliente guidate dall’uomo.
Andrei Rebrov
Costruttore di prodotti da sempre e Co-CEO di Finsi
Integrazione AI: Andrei Rebrov spiega come l'integrazione dell’AI nella strategia di prodotto di Finsi migliori il processo decisionale e l’esperienza utente.
Prioritizzazione del prodotto: L’AI trasforma la definizione delle priorità di prodotto elaborando più segnali e accelerando i cicli di sviluppo.
Fondamento strategico: L’AI aumenta scala e velocità ma non può correggere una strategia di prodotto errata, sottolineando l’importanza delle basi.
Prototipazione: Cursor accelera la prototipazione del prodotto, consentendo una rapida validazione e feedback prima del codice di produzione.
Giudizio umano: Le persone conservano i ruoli che richiedono giudizio ed empatia, mentre l’AI gestisce le attività analitiche e ripetitive.
Andrei Rebrov è un costruttore di prodotti di lunga data e co-CEO di Finsi, dove sta integrando l’IA in ogni livello della strategia di prodotto — sia per il team che per i loro clienti.
Abbiamo chiesto ad Andrei come l’IA stia cambiando sia la gestione del prodotto che la strategia di prodotto. Ecco cosa ci ha raccontato.
Integrare l’IA nella strategia di prodotto
Sono Andrei Rebrov, co-CEO di Finsi. Durante il mio percorso nella leadership di prodotto, mi sono concentrato profondamente sulla costruzione di tecnologie finanziarie che siano davvero al servizio delle persone.
Want more from The CPO Club?
Sign up for a free membership to complete reading this article:
Have an account? Log In
In Finsi, guido l’organizzazione di prodotto dietro una piattaforma di crescita alimentata dall’IA, pensata per i brand e-commerce. Il prodotto è una soluzione SaaS B2B destinata a operatori e-commerce DTC e in abbonamento — marchi emergenti con ricavi inferiori a 5M$ fino alle PMI più grandi. La nostra piattaforma si collega a oltre 50 strumenti, tra cui Shopify, Klaviyo, Meta Ads, Google Ads e Recharge, unificando i dati dell’intero stack e-commerce. E utilizza cinque agenti IA che coprono revenue intelligence, automazione della pubblicità, retention ed email, SEO e ricerca clienti.
Il modello di delivery è completamente SaaS basato su web, e la nostra proposta di valore principale è chiudere il cerchio tra analisi ed esecuzione: non ci limitiamo a mostrare insight, ma costruiamo e lanciamo per gli utenti le campagne, i flussi e i segmenti.
Nella mia esperienza in Finsi, sono stato in prima linea nell’integrare l’IA nella nostra strategia di prodotto — esplorando come l’IA possa snellire i servizi finanziari, migliorare le esperienze utente e guidare decisioni più intelligenti su larga scala.
Questo momento di trasformazione dell’IA nella leadership di prodotto è contemporaneamente emozionante e cruciale. Sono felice di condividere le lezioni e le prospettive che ho acquisito lungo il percorso.
Come l’IA trasforma i processi di prioritizzazione del prodotto
I leader di prodotto devono ripensare il proprio processo di prioritizzazione. Quasi tutti i team che conosco ancora danno priorità tramite fogli di calcolo, schemi di punteggio soggettivi e rituali di pianificazione trimestrale creati per cicli di sviluppo lenti e costosi.
L’IA cambia entrambi i lati dell’equazione: rende più veloce la costruzione (così puoi testare più ipotesi) e può processare molti più segnali di qualsiasi essere umano — dati d’uso, feedback dell’assistenza, pattern di abbandono, segnali competitivi, interviste ai clienti — per aiutare a capire cosa conta davvero.
Abbiamo riprogettato il nostro processo attorno a uno strato continuo di segnali IA. Automatizziamo l’estrazione di task dai transcript di Granola così non dimentichiamo nulla. E al posto dell’esercizio trimestrale di roadmap, manteniamo un backlog attivo in cui ogni elemento è etichettato con dati provenienti da diverse fonti — frequenza del feedback dei clienti, stime di impatto sul fatturato, urgenza competitiva e pattern di engagement. La nostra IA elabora settimanalmente una classifica di questo backlog, aggiornando la graduatoria mano a mano che cambiano i segnali.
I nostri product leader prendono ancora le decisioni finali, ma partono da una base molto più ricca e dinamica di prima.
Il risultato: abbiamo dimezzato il tempo tra l’identificazione di un’opportunità e la pubblicazione di una soluzione, e abbiamo realizzato molte meno soluzioni non utilizzate da nessuno.
Perché l’IA ha bisogno di solide basi strategiche di prodotto
È importante sottolineare che l’IA non può risolvere una strategia di prodotto sbagliata — ne amplifica semplicemente la direzione che già hai.
Se stai risolvendo il giusto problema per i giusti utenti, l’IA ti aiuterà a farlo più velocemente e su una scala più ampia. Ma se la tua ipotesi di prodotto è difettosa, l’IA accelererà la corsa nella direzione sbagliata.
L’ho visto succedere in prima persona. All’inizio della costruzione di Finsi, avevamo valutato l’aggiunta di funzionalità IA perché apparivano impressionanti e tecnicamente fattibili — suggerire azioni, prevedere l’abbandono, generare contenuti. Ma nulla di ciò avrebbe avuto senso se prima non avessimo compreso a fondo l’intuizione fondamentale: chi opera nell’e-commerce non ha un problema di analytics, ma di esecuzione. Solo dopo aver validato questo aspetto, l’IA è diventata la leva giusta.
Quando lavori con l’IA, serve la stessa disciplina di ogni buon lavoro di prodotto — definizione rigorosa del problema, empatia profonda verso l’utente e prioritizzazione onesta. L’IA alza la posta su ognuno di questi fronti, perché la velocità di sviluppo ti consente di costruire (e lanciare) la cosa sbagliata più rapidamente che mai.
L’IA non può correggere una strategia di prodotto sbagliata — amplifica soltanto la strategia già in atto.
Come una skill di Claude Code ha affinato la focalizzazione sul prodotto
Un cambiamento fondamentale per noi è stato implementare una skill di Claude Code chiamata "Merchant Advocate" per i nostri agenti di codifica.
Ho fornito a Claude il contesto sulla missione e la focalizzazione prodotto di Finsi, oltre a un riassunto delle trascrizioni da Granola. Ora, quando affrontiamo una nuova richiesta, la sottoponiamo a questa skill, che ci aiuta a restare fedeli alla nostra missione principale: distribuire software che riduca il lavoro per i commercianti.
Abbiamo eliminato molte potenziali funzionalità dalla nostra roadmap proprio grazie a questa semplice fase nei nostri flussi di lavoro.
Perché Cursor è cruciale per una rapida prototipazione di prodotto
Cursor ha rivoluzionato il modo in cui il nostro team di ingegneri effettua le consegne — non solo scrivendo codice più velocemente, ma riducendo la distanza tra il pensiero sul prodotto e l'implementazione.
Quando posso descrivere una funzionalità in linguaggio naturale e vedere un prototipo funzionante in pochi minuti, si trasforma radicalmente il modo in cui validiamo le idee. Rende l'intero ciclo di sviluppo prodotto più rapido e sperimentale.
Ecco un esempio. Volevamo testare un'interfaccia "briefing settimanale di intelligence" per uno degli agenti del nostro prodotto. Invece di progettarla in Figma e attendere un intero sprint, abbiamo descritto layout e struttura dati a Cursor in linguaggio semplice e ottenuto un prototipo funzionante connesso ai nostri dati di staging nel giro di poche ore. Poi lo abbiamo presentato a tre clienti nello stesso giorno e ottenuto feedback che hanno plasmato il design finale prima ancora di scrivere una singola riga di codice di produzione.
Perché gli esseri umani detengono il controllo sulle decisioni consequenziali e relazionali
Abbiamo deliberatamente definito il ruolo dell'IA e delle persone nei nostri processi di prodotto.
L'IA alimenta la sintesi dei dati, l'identificazione dei pattern, il rilevamento di anomalie e l'esecuzione — come il rilevamento automatico dei segnali di abbandono, la riallocazione dei budget pubblicitari, la generazione di testi email nella voce del brand e la gestione di flussi Klaviyo. Questi sono compiti ripetitivi e ad alta intensità di dati in cui l'IA supera costantemente la velocità e la scala umana.
L'IA inoltre orienta la nostra prioritizzazione individuando dei suggerimenti che generano il massimo impatto sui ricavi per la nostra base clienti, aiutandoci a comprendere su cosa concentrare lo sviluppo del prodotto.
Tuttavia, gli esseri umani prendono esplicitamente le decisioni che richiedono giudizio, etica e inquadramento strategico.
Ciò significa che la visione del prodotto e l'indirizzo della roadmap rimangono responsabilità delle persone — dobbiamo comprendere non solo ciò che dicono i dati, ma anche che tipo di azienda vogliamo costruire e le aspirazioni più profonde dei nostri clienti. Le decisioni UX rimangono guidate dagli umani, poiché empatia e intuizione verso le emozioni degli utenti non possono ancora essere automatizzate in modo affidabile. E qualsiasi decisione che metta a rischio l'attività di un cliente — come una riallocazione importante del budget pubblicitario — richiede l'approvazione umana prima dell'esecuzione.
Il nostro principio operativo è: l'IA gestisce le attività ripetitive e analitiche; le persone sono responsabili di ciò che è conseguenziale e relazionale.
Perché l'IA fatica a comprendere a fondo i clienti
L'IA ha deluso maggiormente le nostre aspettative proprio nella comprensione profonda dei clienti. All'inizio pensavamo che potesse sintetizzare in modo affidabile i segnali qualitativi — ticket di assistenza, recensioni, risposte ai sondaggi — e tradurli in insight di prodotto attuabili con un intervento umano minimo. In pratica, l'IA eccelle nel categorizzare e raggruppare feedback su larga scala, ma manca costantemente le sfumature delle sensazioni dei clienti, soprattutto nei verticali e-commerce di nicchia dal contesto culturale o operativo specifico. L'IA individua spesso pattern reali, ma per interpretarli serve ancora una persona che conosca a fondo il mondo del cliente.
Abbiamo anche riscontrato che le creatività generate dall'IA — testi pubblicitari, oggetti email — sebbene rapide e utili come punto di partenza, raramente raggiungono le performance di contenuti ideati da chi conosce davvero la voce del brand e il suo pubblico. Ne accelera la produzione, ma non sostituisce ancora il vero giudizio creativo.
Infine, ci aspettavamo che l'IA migliorasse significativamente il nostro processo di scoperta prodotto interno, ma non ha ridotto i tempi per identificare esigenze davvero nuove dei clienti — ci aiuta a processare informazioni già raccolte, ma gli insight più preziosi derivano ancora dalle conversazioni dirette e non strutturate con i clienti che nessuno strumento IA è riuscito a replicare o sostituire.
Come la qualità dei dati impatta lo sviluppo di prodotti AI
Quando ho iniziato a lavorare con l'IA, non mi rendevo conto di quanto fosse importante la qualità dei dati né di quanto tempo occorresse per ottenerla correttamente.
Quando abbiamo costruito gli agenti AI di Finsi, pensavamo che collegarsi a Shopify, Klaviyo e alle piattaforme pubblicitarie ci avrebbe fornito dati puliti e affidabili. In realtà, la situazione era molto più complicata. Ogni brand struttura i propri dati in modo diverso, traccia eventi diversi, utilizza convenzioni di denominazione differenti e presenta lacune e incoerenze nei registri storici. Abbiamo passato molto più tempo del previsto a normalizzare, deduplicare e validare i dati, prima che l'IA producesse raccomandazioni affidabili.
Se l'avessi saputo prima, avrei investito molto prima e con maggiore decisione nell'infrastruttura dei dati, invece di correre a costruire lo strato d'IA sopra una base instabile.
Perché la fiducia degli utenti deve essere considerata nei prodotti AI
Se potessi ricominciare con gli agenti AI del nostro prodotto, affronterei la questione della fiducia degli utenti in modo diverso.
Inizialmente abbiamo progettato gli agenti AI per essere abbastanza autonomi — proponendo raccomandazioni e rendendo semplice approvarle ed eseguirle con un clic. Gli utenti esitavano, anche quando le raccomandazioni erano valide. Avevano bisogno di comprendere il "perché" dietro ogni suggerimento prima di sentirsi a proprio agio nell'agire. Di conseguenza, abbiamo inserito a posteriori la spiegabilità nel prodotto, ma progettare la trasparenza fin dall'inizio sarebbe stato molto meglio.
La fiducia non è una funzione che puoi aggiungere dopo — deve essere intrecciata nell'esperienza principale.
La fiducia non è una funzione che puoi aggiungere dopo — deve essere intrecciata nell’esperienza principale.
Perché l'IA rende meno importanti per gli utenti la scelta e la configurabilità
L'IA mi ha anche costretto ad abbandonare l'idea che un buon prodotto significhi offrire controllo e configurabilità agli utenti.
Per anni, il senso comune nel B2B SaaS era che i power user volessero flessibilità — più impostazioni, più dashboard, più modi per personalizzare la loro esperienza. Abbiamo realizzato le prime versioni di Finsi partendo da questa supposizione, permettendo agli operatori di configurare le proprie dashboard, impostare soglie KPI specifiche e personalizzare quali metriche monitorare. Ma una volta implementata l’IA, abbiamo scoperto il contrario: i nostri utenti di maggior successo dedicavano meno tempo alle impostazioni e più ad agire sui suggerimenti dell’IA.
Gli operatori che volevano modificare ogni impostazione spesso ricavavano il minor valore dal prodotto, perché ottimizzavano lo strumento invece che il loro business. L'IA ha rivelato che i nostri utenti avevano bisogno di meno carico cognitivo e di più fiducia su cosa fare dopo. Questo ci ha costretto a semplificare notevolmente il prodotto, rimuovere buona parte della configurabilità che avevamo costruito e puntare maggiormente su predefiniti guidati dall’IA e più decisi.
È stata una lezione controintuitiva: a volte la decisione migliore di prodotto è togliere scelte agli utenti invece di aggiungerne altre.
Perché una vera trasformazione AI richiede di ripensare la catena del valore di un prodotto
La maggior parte dei prodotti “potenziati dall’IA” non sono veri prodotti AI — sono solo funzioni rivestite con un LLM appiccicato sopra, e il mercato prima o poi se ne accorgerà.
La vera trasformazione di prodotto tramite IA richiede di riconsiderare l’intera catena del valore, non di inserire una chiamata GPT in un processo esistente. Le aziende che vinceranno non saranno quelle che hanno aggiunto l’IA più velocemente, ma quelle che avranno usato l'IA per mettere in discussione ogni presupposto su come funziona la loro categoria di prodotto.
Perché i leader di prodotto devono scegliere un piccolo numero di scommesse ad alto impatto
Resisti a due impulsi ugualmente pericolosi:
- L'impulso ad adottare l'IA ovunque e subito
- L'impulso ad aspettare finché non ci si sente più sicuri
I leader di prodotto che avranno successo scelgono un piccolo numero di scommesse ad alto impatto, approfondiscono e costruiscono una reale alfabetizzazione organizzativa — non solo familiarità con gli strumenti — intorno all'IA. Parti dai problemi che ti costano di più: tempo perso in lavori manuali, decisioni prese senza dati sufficienti e funzionalità che richiedono troppo tempo per essere rilasciate o convalidate. Usa l'IA per risolvere proprio quelli.
E sii onesto con i tuoi team su ciò che l'IA cambia per loro. I leader che fingono che l'IA non rimodellerà ruoli e responsabilità perderanno fiducia; coloro che aprono un dialogo sincero su come l'IA potenzia il giudizio umano costruiranno culture capaci di adattarsi.
Infine, non ottimizzare per apparire nativi nell'IA — ottimizza per i risultati. La migliore strategia di prodotto IA crea valore misurabile per gli utenti, non la demo più impressionante. Rimani ancorato al problema, e il giusto utilizzo dell'IA seguirà.
Segui gli aggiornamenti
Puoi entrare in contatto con Andrei Rebrov su LinkedIn. E dai un'occhiata a Finsi.
Altre interviste con esperti arriveranno su The CPO Club!
