L’idea “bella ma vaga” che aspetta settimane per diventare qualcosa di cliccabile: il tempo tra l’intuizione e il prototipo è sempre stato il collo di bottiglia del design. Oggi, però, qualcosa si è incrinato — e non a causa di un singolo strumento magico, ma di un’architettura: i flussi di lavoro multi-agente

In questo articolo si parla di:

Non un assistente, ma una piccola squadra

Il caso di Frontend Diffusion – sistema di ricerca open-source, presentato nel 2025 da un team dell’Università del Maryland, pensato per aiutare giovani ricercatori e designer a trasformare schizzi disegnati a mano in siti web di autopresentazione – è esemplare. Non è un chatbot che ti scrive un pezzo di codice: è un sistema end-to-end che delega responsabilità distinte a tre agenti cooperanti. Il primo è il Design Agent (converte lo schizzo dell’utente — trasformato in immagine per una migliore lettura da parte del modello — in un documento di requisiti strutturato, recuperando anche immagini pertinenti tramite un’API di ricerca), che prende lo schizzo visivo dell’utente e il prompt testuale e li traduce in un Product Requirements Document strutturato, contenente layout, semantica dei componenti e parole chiave per la ricerca delle immagini.

Il secondo è il Code Agent (trasforma quel documento di requisiti in codice HTML, CSS e JavaScript effettivamente funzionante), che usa quel documento per generare la prima versione del sito in HTML/CSS/JavaScript. Il terzo è il Critic Agent (esegue una revisione automatica del codice, individuando margini di miglioramento su layout, accessibilità e performance), che fa revisione automatica del codice e riflessione: analizza la versione corrente, propone miglioramenti su layout, accessibilità e performance, e innesca una rigenerazione.

Quest’ultimo passaggio è la parte davvero interessante, perché introduce un ciclo: il sistema non produce una risposta, produce iterazioni. Il loop agentico continua per un massimo di quattro iterazioni per impostazione predefinita, e l’utente può confrontare le versioni tra loro tramite anteprime. Tutti gli agenti comunicano attraverso uno strato di memoria condivisa ed espongono API JSON-RPC, il che rende il sistema model-agnostic — cioè pronto a sopravvivere all’arrivo del prossimo modello più potente.

Tra parentesi, un numero che fa riflettere: la capacità dei modelli generativi di risolvere pull request su GitHub è passata da meno del 2% nel 2023 a oltre il 75% a metà 2025. È il contesto in cui questi sistemi nascono, non un dettaglio.

La stessa idea, tre declinazioni

Frontend Diffusion non è solo nella sua intuizione. MAxPrototyper – sistema di ricerca presentato nel 2024 dagli studiosi Mingyue Yuan, Jieshan Chen e Aaron Quigley, che genera prototipi UI ad alta fedeltà a partire da un prompt testuale e un layout, coordinando quattro agenti dedicati a tema, testi, immagini e icone -segue una logica simile ma con una metafora diversa: un agente principale funge da direttore, formula la descrizione di un tema di alto livello e genera un’immagine coerente che stabilisce la narrativa visiva; poi coordina agenti specializzati per la creazione dei singoli componenti, mantenendo il contesto progettuale attraverso i risultati precedenti e un cache pool.

PrototypeFlow (evoluzione successiva dello stesso gruppo di ricerca, pubblicata a fine 2024, che affronta il limite dei sistemi che producono un solo output finale senza possibilità di correzione intermedia) adotta una strategia ancora più esplicita: quella top-down. Si parte da un modulo centrale che stabilisce il tema complessivo e potenzia l’intento di design tramite prompt augmentation; poi il modulo centrale coordina la creazione iterativa dei componenti, appoggiandosi a sottomoduli dedicati ai testi, alle immagini e alle icone. Il punto dichiarato è la possibilità per il designer di intervenire in ogni fase: sugli input, sui risultati intermedi e sul prototipo finale. È una risposta precisa a un problema reale: la maggior parte dei sistemi di generazione automatica produce un output end-to-end, senza supportare l’iterazione, e questo rende difficile sia interpretare l’intento progettuale sia correggere il tiro.

E poi c’è il salto verso la produzione. Ulteriori aggiustamenti di generazione automatica che non si ferma al prototipo: è pensata per la consegna di applicazioni enterprise, con attenzione a sicurezza, scalabilità, conformità e manutenibilità. Nel suo flusso l’intervento umano è mirato in due punti — all’inizio, quando gli sviluppatori incorporano nel prototipo una “grammatica” comprensibile dall’IA, e alla fine, quando gli esperti di dominio rifiniscono gli output per le esigenze di conformità. In mezzo, il sistema lavora in autonomia. I numeri riportati sono notevoli: 97,24% di compatibilità con la piattaforma, 87,10% di successo di compilazione, 86,98% di conformità di sicurezza, 78,00% di implementazione delle funzionalità, 73,50% di qualità della revisione del codice e 73,36% di coerenza UI/UX, valutati in benchmark su larga scala e in studi di preferenza cieca con 200 valutatori esperti.

Cosa guadagnano davvero i designer

Qui però conviene essere onesti, perché il racconto “l’IA ci libera da tutto” è tanto affascinante quanto impreciso. C’è un guadagno reale: l’IA riduce il tempo necessario per il prototipo ad alta fedeltà, abbassa le barriere alla sperimentazione, fornisce ispirazione quando i concetti sono ampi ma poco definiti e abilita la prototipazione parallela di soluzioni diverse. Una revisione sistematica sulla UX conferma che c’è una democratizzazione del design in corso: soluzioni che un tempo richiedevano professionisti altamente qualificati diventano accessibili a molti, esattamente come accadde con il web delle origini.

Ma cosa pensano i diretti interessati? Recenti feedback di professionisti di UX raccontano una posizione sfumata. Nella sintesi attraverso una formula che vale la pena citare: l’IA dovrebbe fare l’apprendista, mentre gli umani fanno le parti creative e complesse — “gli esseri umani fanno le cose creative e complesse, gli apprendisti IA riempiono i colori o tracciano le linee”, tutti i partecipanti condividevano l’idea che la GenAI possa sostituire i compiti ripetitivi: generare testi lorem ipsum per i mockup, condensare brief di design e documentazione tecnica, produrre componenti ripetitivi, redigere design responsivi per schermi diversi, documentare automaticamente gli elementi visivi nei design system, creare prototipi a bassa fedeltà e generare variazioni per l’ispirazione.

I flussi multi-agente stanno trasformando il prototipo da artefatto lento a oggetto conversazionale: si disegna, si scrive, il sistema genera, critica e rigenera, e noi scegliamo. È una velocità che va usata bene. Perché il valore non sta nel numero di schermate prodotte in una settimana, ma nella qualità della decisione che le accompagna. Il Critic Agent propone miglioramenti; il giudizio su cosa vale la pena migliorare resta, per ora, un mestiere umano.

Altri argomenti che ti potrebbero interessare

Advanced Intelligence Digital Innovation Industry & Tech Job_post newsletter Skills Availability The Science Lapse

Author: Claudia Sistelli

© Riproduzione Riservata