Obiettivo e contesto metodologico

Video tutorial che dimostra un workflow pratico che utilizza l'IA (LLM) per avviare (bootstrap) la creazione di una Wardley Map. L'autore, un product manager nel dominio ERP/Business Intelligence, cerca di esplorare uno spazio di prodotto e ottenere rapidamente un solido punto di partenza piuttosto che partire da una pagina bianca. L'approccio riconosce che il Wardley Mapping manuale è lungo e complesso, e propone un'automazione parziale per accelerare la fase iniziale di esplorazione strategica.

Architettura tecnica: stack e strumenti

Il workflow si basa su quattro componenti: (1) l'OpenAI API per generare capacità e relazioni tramite prompt strutturati; (2) Obsidian come strumento di gestione della conoscenza che sfrutta il suo grafo di relazioni nativo; (3) Python con la libreria NetworkX per un'analisi di clustering in stile grafo sociale; (4) un frontend personalizzato (opzionale) per facilitare l'inserimento di prompt e capacità. L'integrazione fluida consente di passare gli output JSON dell'LLM direttamente in Obsidian, poi di esportarli in Python per un'analisi avanzata, quindi di reimportare i dati arricchiti nel canvas di Obsidian.

Tre prompt sequenziali strutturati

Prompt 1 - Scomposizione delle capacità: formato rigoroso: "Sono product manager per [prodotto] in [spazio]. Formula le capacità come 'la capacità di [vuoto]'. Scomponi le capacità usando '... è una funzione della capacità di...' Restituisci i risultati in JSON." Esempio concreto: "comprare il pranzo per il team" (capacità di primo livello) scomposta automaticamente in sotto-capacità: pianificare pasti equilibrati, approvvigionarsi di ingredienti di qualità, preparare i pasti in modo efficiente, tenere conto delle preferenze/allergie. La scomposizione crea relazioni gerarchiche genitore → figlio collegate automaticamente nel grafo di Obsidian.

Prompt 2 - Posizionamento sull'asse Y: le Wardley Map utilizzano un asse Y che rappresenta la vicinanza al cliente (in alto = visibile al cliente, in basso = infrastruttura astratta/invisibile). Il prompt categorizza le capacità in base alla loro vicinanza a diversi ruoli in una catena del valore orientata all'eccellenza operativa: (livello 1) leader dell'eccellenza operativa, COO, program manager strategici; (livello 2) coach, designer; (livello 3) ingegneri operations/IT; (livello 4) ingegneri di piattaforma e dati; (livello 5) livelli di infrastruttura/utility. Punto cruciale: richiedere sempre la giustificazione insieme all'assegnazione del livello. Ciò consente di "entrare nel ragionamento dell'LLM" e facilita una calibrazione iterativa. L'autore osserva che questo prompt ha richiesto una calibrazione dietro le quinte specifica per il proprio dominio.

Prompt 3 - Relazioni tra capacità: "Data una lista di capacità (ciascuna con ID, nome, descrizione), individua le relazioni significative. Sia funzionalmente simili SIA abilitanti. Sii molto preciso. Restituisci JSON con: pair (due ID di capacità correlate), type (simile/abilita), reason (spiegazione chiara)." Strategia: inserire le capacità in modo casuale, analisi rigorosa, come scorrere una tabella e tracciare linee tra elementi simili. Esempio di output: "analizzare gli insight sui dati" ↔ "analisi delle tendenze" = simile (entrambi centrati sull'analisi dei dati); "analizzare gli insight sui dati" abilita "intelligence attuabile" (deriva intelligence dai pattern nei dati). Ciò arricchisce le relazioni oltre la semplice gerarchia genitore-figlio.

Clustering NetworkX e canvas finale

Dopo la creazione delle capacità, delle relazioni gerarchiche, delle relazioni di similarità/abilitazione e dei livelli sull'asse Y, il workflow utilizza la libreria Python NetworkX (uno standard per l'analisi dei grafi sociali) per individuare cluster all'interno di ciascun livello. L'analisi della densità di connessione, come in una rete sociale, assegna ID di cluster. Risultato: ogni capacità ha (1) un livello sull'asse Y (vicinanza al cliente), (2) un ID di cluster (raggruppamento logico all'interno del livello), (3) collegamenti genitore-figlio, (4) collegamenti di similarità/abilitazione con relative giustificazioni.

I dati arricchiti vengono importati nel canvas di Obsidian dove le capacità vengono visualizzate. L'autore utilizza la funzione di raggruppamento di Obsidian per la leggibilità. Il clustering NetworkX produce talvolta raggruppamenti sensati (esempio: "voci con timestamp, audit trail delle azioni chiave, conservazione dei dati storici" raggruppati insieme).

Navigazione della catena del valore e filosofia del bootstrap

Il canvas consente la navigazione della catena del valore: esempio "un leader vuole la prioritizzazione" (in cima alla mappa) → scendere nello stack livello per livello → individuare i diversi elementi coinvolti nella prioritizzazione. Una dimostrazione concreta di come un'esigenza di alto livello si scomponga in capacità progressivamente più astratte/infrastrutturali.

Lezione chiave: l'autore sottolinea: "questo è solo l'inizio, serve solo ad avviarlo (bootstrap)". L'output dell'IA non è la mappa finale ma un punto di partenza accelerato. L'intento: "poi passare molto tempo ad apprendere il dominio in profondità". L'IA riduce l'attrito iniziale della pagina bianca e permette al product manager di iniziare immediatamente l'iterazione e il perfezionamento con una struttura di base solida, invece di settimane di mappatura manuale.

Implicazioni metodologiche

Il workflow dimostra un'augmentation IA pragmatica: né una strategia interamente automatizzata (impossibile date le sfumature e il contesto in gioco), né interamente manuale (troppo lenta). L'approccio ibrido sfrutta i punti di forza dell'LLM (riconoscimento di pattern, scomposizione logica, individuazione di relazioni) riconoscendo al contempo che l'expertise umana resta indispensabile per la validazione, la calibrazione dei prompt (tramite le giustificazioni) e l'apprendimento approfondito del dominio dopo il bootstrap. Le giustificazioni sistematiche creano un ciclo di feedback che permette al praticante di comprendere il ragionamento dell'LLM, di regolare iterativamente i prompt e di migliorare la qualità dell'output.

Trasferibilità oltre il Wardley Mapping

Sebbene incentrate sulle Wardley Map, le tecniche sono generalizzabili: scomposizione delle capacità, categorizzazione per prossimità, individuazione delle relazioni e analisi di clustering si applicano ad altri framework strategici che richiedono un pensiero strutturato su catene del valore, dipendenze e livelli di astrazione. Lo stack Obsidian + NetworkX + LLM API è particolarmente potente per i knowledge worker che esplorano domini complessi.