Nel lavoro di growth engineering, la crescita non è un esercizio astratto ma un sistema concreto che intreccia prodotto, dati, codice, esperimenti e responsabilità operativa. Un agente AI può sembrare convincente, ma se si basa su fonti obsolete o contesti errati, rischia di fornire risposte fuorvianti.
La tesi
Il Retrieval-Augmented Generation (RAG) funziona come una biblioteca aziendale con un bibliotecario rapido: se gli scaffali sono disordinati, anche il bibliotecario più veloce alimenta la confusione. Non si tratta di aggiungere strumenti o dashboard, ma di costruire un meccanismo che accelera il passaggio dal segnale alla decisione, riducendo il costo dell’incertezza.
Nel lavoro quotidiano, questo cambia il modo di scrivere codice: una modifica non è completa quando va in produzione, ma quando può essere osservata, confrontata con un’ipotesi e trasformata in una scelta consapevole, cioè rilasciare, iterare, fermare o approfondire.
Schema operativo
- Fonti curate
- Metadati precisi
- Retrieval contestuale
- Citazioni interne alle risposte
- Fallback se manca la fonte
- Review periodica
Questo schema semplice è la base. La complessità arriva con l’aumento di traffico, segmenti, canali e automazioni. Se il flusso base non è chiaro e snello, probabilmente si sta automatizzando un processo non ancora compreso.
Esempio pratico
Prima di chiedere idee per migliorare la retention, l’agente dovrebbe recuperare coorti recenti, retrospettive sugli esperimenti, ticket churn e definizioni ufficiali delle metriche. Il valore non sta nel singolo intervento, ma nel collegamento tra intervento e apprendimento: se i risultati migliorano, il team sa cosa scalare; se peggiorano, sa quale ipotesi correggere. Così il sistema impara.
Metriche da monitorare
- Source hit rate
- Risposte senza fonte
- Fonti obsolete
- Correzioni per contesto errato
Queste metriche devono entrare in una scorecard breve, letta regolarmente e associata a decisioni concrete. Se una metrica non guida scelte, è solo una metrica di conforto.
Errore tipico da evitare
Indicizzare tutto senza curare le fonti. Un agente con troppe fonti non verificate può sembrare più sicuro ma fornire risposte meno corrette. Questo errore è comune perché produce attività e entusiasmo, ma il valore si misura dalla qualità del ciclo di apprendimento che rimane.
Checklist per il team
- Quale decisione vogliamo rendere più chiara?
- Quale evento o fonte dati rende osservabile il comportamento?
- Quale rischio vogliamo evitare di peggiorare durante l’ottimizzazione?
- Chi può cambiare davvero il processo dopo aver letto il risultato?
Se almeno una risposta è vaga, è meglio fermarsi prima di implementare. La vera velocità non è partire subito, ma evitare di rifare il lavoro per ipotesi, dati o criteri confusi.
Il punto
Con l’AI ovunque, il growth fatto male diventerà più rumoroso: generare idee, testi, segmenti e automazioni costerà quasi niente, mentre costruire sistemi che distinguono il segnale dal rumore resterà raro. Il growth engineer dei prossimi anni non sarà solo un tecnico, ma chi progetta le prove, i limiti, il feedback e la memoria operativa. Non insegue l’AI, la mette dentro processi che restano controllabili.
Cosa fare adesso
Crea una lista di fonti “gold” per decisioni growth: metriche, esperimenti, segmenti, pricing, policy. Portare questa domanda nella prossima review sposta la conversazione da opinioni generiche a un sistema che può imparare.