Il 27 novembre 2018 sono stato invitato alla trasmissione “Sei in salute“, rubrica medica del canale Sei in TV di Bergamo (216 del DDT), per parlare di pericoli della Rete: cyberbullismo, dipendenza, privacy, sicurezza, le sindromi Fomo e Nomofobia e altro ancora.
Ecco la registrazione della trasmissione:
Durante la trasmissione ho parlato anche di fake news:
Un poeta, un regista e un formatore di intelligenza artificiale entrano al Vittoriale. Potrebbe essere l’inizio di una battuta; questa volta è un progetto vero, e il formatore sono io. Parteciperò a Vittoriale LAB, L’officina del possibile, il percorso che invita dieci giovani a immaginare e scrivere insieme un Manifesto del Futuro.
La ragione per cui mi interessa è precisa: l’AI può diventare uno strumento per mettere alla prova le idee. Quando invece la usiamo soltanto per ottenere un testo ben confezionato, rischiamo di confondere la fluidità della risposta con la qualità del pensiero. Un laboratorio creativo è un buon posto per rendere visibile questa differenza.
Che cos’è Vittoriale LAB e a chi si rivolge
La presentazione ufficiale del Vittoriale degli Italiani descrive un concorso nazionale di idee, realizzato con il sostegno di Regione Lombardia. Possono candidarsi gratuitamente, a titolo individuale, giovani residenti o domiciliati in Italia che non abbiano ancora compiuto 25 anni alla scadenza. Non sono richiesti titoli di studio specifici o competenze tecniche pregresse.
Come racconta anche EconomyUp nell’articolo dedicato al concorso, l’idea è dare alla casa-museo di Gardone Riviera una funzione ulteriore: diventare un luogo nel quale patrimonio culturale, creatività e tecnologie aiutino le nuove generazioni a formulare proposte. Il percorso punta sulla formazione e sulla collaborazione, senza un premio in denaro o un unico vincitore finale.
Le tre sfide: sostenibilità, comunità e identità
Il progetto chiede di scegliere una delle tre tracce. La presentazione di Radio Bruno Brescia ne ricostruisce i temi:
- Natura e Artificio: ripensare la sostenibilità attraverso cultura, arte, design e narrazione.
- Piazze Digitali: immaginare comunità e spazi di dialogo nell’era dell’intelligenza artificiale.
- Il Corpo Aumentato: esplorare identità e rappresentazione tra corpo fisico, avatar e realtà virtuale.
Per capirle, ecco tre esempi che propongo io, senza presentarli come progetti già selezionati: un’installazione che renda comprensibili gli sprechi di un quartiere; uno spazio digitale che faciliti il confronto tra generazioni; un laboratorio scolastico nel quale gli avatar aiutino a discutere la reputazione online. In ciascun caso la domanda iniziale dovrebbe riguardare le persone e il cambiamento desiderato, prima della tecnologia da usare.
Il mio contributo: un agente AI dedicato per ogni finalista
Nel post ufficiale del Vittoriale pubblicato il 14 ottobre 2026 viene annunciato il mio contributo: metterò a disposizione di ogni finalista un agente AI dedicato per esplorare le idee e dare loro forma.
È una scelta che considero interessante soprattutto sul piano del metodo. Un ambiente di lavoro dedicato permette di partire dalla proposta del partecipante e di costruire un confronto coerente con il suo obiettivo. Il valore non dovrebbe misurarsi nel numero di pagine prodotte, ma nella capacità di chiarire un problema, confrontare possibilità e riconoscere ciò che ancora manca.
Come imposterei questo lavoro? Partirei da domande molto concrete:
- Quale problema vuoi affrontare e per chi?
- Che cosa stai dando per scontato?
- Quali informazioni hai verificato e quali sono ancora ipotesi?
- Come puoi provare la tua idea con un piccolo esperimento?
- Come capiresti se il progetto ha prodotto un cambiamento utile?
Queste sono indicazioni metodologiche, non una descrizione tecnica definitiva degli agenti che saranno utilizzati. Un esempio di richiesta potrebbe essere: «Aiutami a trovare tre debolezze nella mia proposta. Per ciascuna, formula una domanda e suggerisci una prova concreta. Se mancano informazioni, segnalalo». L’AI diventerebbe così un interlocutore da interrogare, anche quando la sua risposta ci mette in difficoltà.
È lo stesso approccio che porto nei miei corsi su intelligenza artificiale, agenti e comunicazione digitale: dare agli strumenti un compito preciso e conservare la responsabilità delle scelte. Se un sistema propone un’affermazione, bisogna poterla verificare. Se suggerisce una soluzione, bisogna capire chi ne beneficerebbe e quali problemi potrebbe creare.
Poesia, AI e teatro: tre contributi allo stesso laboratorio
Il post del Vittoriale presenta anche gli altri due facilitatori. Lorenzo Maragoni terrà un workshop di scrittura; Bruno Fornasari, del Teatro Filodrammatici di Milano, guiderà il passaggio dal testo alla messa in scena e firmerà la regia della presentazione pubblica.
Leggo questa combinazione come un invito a lavorare su tre passaggi: trovare una voce, sviluppare il pensiero e renderlo condivisibile. Un’idea può essere promettente ma poco comprensibile. Un testo può essere impeccabile ma non dire nulla. E una presentazione può essere spettacolare senza reggere una domanda. Il laboratorio offre l’occasione di tenere insieme questi aspetti.
Come candidarsi e quando si svolge il laboratorio
Secondo il programma ufficiale, le candidature scadono il 30 ottobre 2026. Servono un video pitch di massimo tre minuti e una proposta in PDF di massimo tre pagine, con problema, soluzione e impatto potenziale.
La selezione comprende una prima valutazione e un videocolloquio. I dieci finalisti lavoreranno al Vittoriale il 30 e 31 gennaio 2027; la presentazione pubblica del Manifesto del Futuro è prevista il 31 gennaio. Per candidarsi e controllare regolamento, requisiti e allegati, il riferimento resta la pagina ufficiale del concorso, con il modulo di iscrizione.
Perché sperimentare l’AI proprio in un luogo di cultura
Il rapporto del Vittoriale con le tecnologie ha già altri esempi. Fondazione TIM racconta il progetto “Vittoriale da vivere”, che arricchisce la visita con tecnologie immersive e realtà virtuale, anche per esplorare ambienti normalmente chiusi al pubblico. È un’iniziativa distinta da Vittoriale LAB, ma aiuta a capire il contesto.
La mia tesi è che la formazione sull’AI abbia bisogno anche di luoghi nei quali si possa discutere che cosa valga la pena creare. Imparare a usare uno strumento serve; imparare a scegliere un problema merita altrettanta attenzione. Al Vittoriale il risultato che mi interessa è vedere giovani capaci di spiegare le proprie idee, difenderle con argomenti e modificarle dopo un confronto. Un manifesto avrebbe poco valore se fosse soltanto il testo più elegante prodotto da un chatbot.
Vuoi portare un laboratorio su AI e creatività nella tua organizzazione?
Se rappresenti un’azienda, una scuola, un ente o un’istituzione culturale e vuoi progettare un laboratorio su agenti AI, creatività e comunicazione, raccontami il tuo obiettivo nel modulo qui sotto. Per le candidature a Vittoriale LAB, invece, usa il modulo ufficiale del concorso.
C’è un paradosso nel mercato dei computer: l’intelligenza artificiale potrebbe offrire al PC una seconda vita domestica proprio mentre contribuisce a renderlo più caro. Da una parte i data center si contendono memorie e capacità produttiva. Dall’altra, modelli eseguibili sul nostro hardware permettono di immaginare un computer che consulta gli archivi di famiglia, prepara documenti e fa partire automazioni.
La mia tesi è questa: il prossimo motivo convincente per avere un PC in casa sarà un assistente personale che lavora sui nostri dati e svolge attività ricorrenti, con una parte dell’intelligenza sotto il nostro controllo. Un computer acceso può diventare un piccolo laboratorio e un centro di automazione: n8n organizza i passaggi, Ollama esegue i modelli, LM Studio permette di provarli e confrontarli. È un’ipotesi sul futuro degli usi domestici, non una previsione già dimostrata sulle vendite.
Dati e documentazione verificati il 14 ottobre 2026. Le automazioni descritte sono esempi progettuali, non risultati di test effettuati per questo articolo.
Vendite PC in calo: che cosa dicono davvero i dati del 2026
Il comunicato Gartner del 12 ottobre 2026 stima 55,35 milioni di PC consegnati nel terzo trimestre, il 22,4% in meno rispetto al terzo trimestre 2025. Sono stime preliminari sulle consegne ai canali distributivi e comprendono desktop e portatili con Windows, macOS e Chrome OS.
Il rapporto Omdia del 9 ottobre 2026 indica 58,1 milioni di unità e un calo del 21,2%, includendo desktop, notebook e workstation. Per Omdia, i desktop scendono del 23,5% e i notebook del 20,6%.
| Rilevazione | Periodo | Consegne globali | Variazione annua | Perimetro dichiarato |
|---|---|---|---|---|
| Gartner | Terzo trimestre 2026 | 55,35 milioni | -22,4% | Desktop e laptop, Windows/macOS/Chrome OS |
| Omdia | Terzo trimestre 2026 | 58,1 milioni | -21,2% | Desktop, notebook e workstation |
Le due serie hanno perimetri e metodi propri: non le fondo in una media. Il segnale comune è un forte arretramento delle consegne globali. Questi numeri, però, non misurano da soli gli acquisti delle famiglie italiane. Dire che il mercato PC si contrae è sostenuto dai dati; dire che un italiano su cinque ha smesso di comprare computer sarebbe un salto logico.
Gartner collega il calo ai rincari e alla minore disponibilità di configurazioni economiche. Omdia segnala anche l’effetto degli acquisti anticipati nella prima parte dell’anno: chi si è portato avanti per evitare aumenti non ricompra pochi mesi dopo. Il PC sul tavolo continua a funzionare; quello in negozio costa di più. Una combinazione poco invitante.
Il paradosso: l’AI che promette di rilanciare i PC ne aumenta i costi
Nell’analisi di International Data Corporation sulla crisi delle memorie, lo spostamento della produzione verso memorie destinate ai data center AI restringe la disponibilità per l’elettronica di consumo. Il problema si intreccia con la domanda di computer capaci di eseguire modelli in locale, che hanno a loro volta bisogno di memoria.
Una previsione IDC pubblicata il 2 giugno 2026 stimava per l’intero anno un calo delle consegne dell’11,3% e un aumento del prezzo medio del 17%. Sono previsioni datate, non consuntivi né l’ultima rilevazione trimestrale. Omdia, nel comunicato di ottobre, prevede un ulteriore calo del 7% per il 2027: anche questo è uno scenario di mercato, non un fatto già avvenuto.
Qui nasce il conflitto: i produttori vorrebbero venderci computer più potenti per l’AI, ma il consumatore deve avere un motivo concreto per pagarli. Scrivere «AI PC» sulla scatola non risolve il problema. Serve un’attività utile, ripetuta abbastanza spesso da giustificare l’acquisto.
AI locale: che cosa cambia per il computer di casa
Far girare un modello in locale significa eseguire il calcolo sul proprio computer. Dopo aver scaricato programma, modello e componenti necessari, alcune attività possono funzionare senza connessione. La documentazione sul funzionamento offline di LM Studio indica che chat, elaborazione dei documenti e server locale possono operare senza Internet e che, in quelle funzioni locali, documenti e conversazioni rimangono sul dispositivo.
È una possibilità interessante per un archivio di bollette, contratti, manuali e appunti. Alla domanda «Dove trovo le condizioni della mia assicurazione?» il valore sta nel recuperare il passaggio giusto dal documento. Il computer può diventare la porta d’accesso al proprio patrimonio informativo, un tema che ho approfondito anche nell’articolo su agenti AI e second brain.
Ma leggere e riassumere è soltanto una parte della storia. Il passaggio più interessante è collegare quell’intelligenza a un processo: ricevere un file, estrarre informazioni, verificarle, salvare un risultato e presentarlo alla persona. È qui che il PC comincia a lavorare anche quando non stiamo scrivendo nella chat, purché resti acceso e i servizi siano attivi.
LM Studio: un laboratorio per provare modelli gratuiti in locale
LM Studio permette di scaricare e utilizzare modelli linguistici attraverso un’interfaccia grafica. È un punto d’ingresso per chi vuole confrontare famiglie come Qwen, Mistral, Gemma e gpt-oss nelle versioni compatibili con il proprio hardware. I nomi delle famiglie non bastano: bisogna scegliere dimensione, formato e licenza della singola versione.
Open source, open weights e gratuito non sono sinonimi. Un modello con pesi scaricabili può avere condizioni d’uso specifiche. LM Studio è un’applicazione distinta dai modelli che esegue: scaricare un modello non rende automaticamente open source ogni componente del sistema. Per un utilizzo professionale bisogna controllare anche gli usi consentiti dalla licenza.
Una prova utile consiste nel dare a tre modelli lo stesso testo e la stessa richiesta. Per esempio:
Analizza esclusivamente il documento allegato. Estrai oggetto, date, importi e attività richieste in una tabella. Per ciascun dato indica il passaggio del testo che lo sostiene. Se un’informazione manca, scrivi «non presente». Non completare i vuoti con supposizioni.
Per rendere il confronto sensato, userei una decina di documenti con risposte già controllate. Annoterei errori, omissioni, tempi di risposta e facilità di utilizzo, mantenendo comparabili le impostazioni. Sono criteri di prova proposti, non un benchmark svolto qui. Un modello brillante nella scrittura potrebbe essere mediocre nell’estrazione di scadenze.
La funzione Chat with Documents accetta file DOCX, PDF e TXT. Il recupero di passaggi pertinenti, spesso chiamato RAG, aiuta a dare al modello un contesto documentale: le risposte vanno comunque confrontate con gli originali.
Ollama: il motore locale da collegare alle automazioni
Ollama permette di scaricare ed eseguire modelli sul computer e di utilizzarli attraverso interfacce e API. In un progetto domestico può fornire il motore linguistico a un altro programma: invece di copiare un testo nella chat, un flusso automatico lo invia al servizio locale e recupera il risultato.
LM Studio e Ollama hanno funzioni in parte sovrapposte. Per orientarsi, userei LM Studio come laboratorio grafico di confronto e Ollama come componente da integrare nei flussi. Anche LM Studio offre API per applicazioni e script: non esiste una divisione obbligatoria tra i due.
Bisogna scegliere davvero l’esecuzione locale. Ollama offre anche modelli cloud: la sua informativa sulla privacy distingue il trattamento dei dati nelle due modalità. Un programma installato sul PC può chiamare un servizio remoto. Per sapere dove avviene l’elaborazione occorre controllare modello, endpoint e integrazioni attive.
n8n sul PC: automazioni senza abbonamento al servizio cloud
n8n si può installare sulla propria infrastruttura, per esempio con Docker. Senza chiave di licenza funziona nella Community Edition gratuita. La versione ospitata dal fornitore e le edizioni commerciali hanno condizioni diverse: gratuito in questo caso significa usare la propria installazione nelle condizioni previste.
n8n rappresenta i processi attraverso nodi: un evento iniziale, un’operazione sui dati, una chiamata a un modello e un risultato. Una catena può partire a un orario prestabilito, leggere documenti e generare un riepilogo. Molte automazioni, come copiare file o verificare un nome, non richiedono affatto un LLM: usare regole semplici dove bastano rende il processo più prevedibile.
La Sustainable Use License di n8n consente, nei suoi limiti, l’uso personale e per attività interne. È una licenza con restrizioni, diversa dalle licenze open source senza quei vincoli. Questo non impedisce il progetto domestico descritto, ma rende impreciso presentare n8n come «open source utilizzabile senza condizioni».
Per collegare i passaggi AI esiste il nodo Ollama Chat Model. n8n coordina il flusso e Ollama esegue il modello locale. Il risultato può tornare in un file sul PC. Se invece il flusso usa Gmail, Google Drive o un’API esterna, quei passaggi coinvolgono servizi online: avere il modello in locale non rende offline l’intera automazione.
Un punto di partenza: il Self-hosted AI Starter Kit
Il kit ufficiale di n8n riunisce n8n, Ollama, il database vettoriale Qdrant e PostgreSQL in un ambiente basato su Docker Compose. È un punto di partenza per prototipi e prove, non un sistema domestico già pronto e configurato per ogni esigenza. La documentazione richiede di adattarlo e proteggerlo prima di un uso continuativo.
Nel video ufficiale si vede l’ambiente in azione. È una dimostrazione del kit, non la prova che qualunque computer riesca a eseguire qualunque modello con le stesse prestazioni.
Video presentato nell’articolo ufficiale n8n sul Self-hosted AI Starter Kit.
Cinque automazioni che darebbero un motivo per tenere acceso il PC
I seguenti sono progetti realizzabili con una configurazione adatta, non funzioni già disponibili appena si installano i programmi. Alcuni richiedono script, nodi aggiuntivi o un sistema OCR per le scansioni.
| Progetto | Flusso proposto | Risultato utile | Controllo umano |
|---|---|---|---|
| Archivio di bollette e contratti | Scansione periodica di una cartella; estrazione del testo; modello locale; verifica dei campi | Indice con fornitore, importo, date e nome del file | Verificare cifre e scadenze prima di usarle |
| Appunti dopo una lezione | Nuovo file di appunti; modello locale; salvataggio di riepilogo e domande | Materiale per ripassare conservato sul PC | Confrontare il riepilogo con gli appunti |
| Documenti da riordinare | Elenco dei file; classificazione proposta; anteprima degli spostamenti | Piano per ordinare l’archivio | Approvare il piano prima di muovere i file |
| Bozze per un professionista | Nuovo documento di richiesta; estrazione delle esigenze; creazione di una bozza | Prima bozza di risposta o proposta | Rivedere contenuto e destinatario prima dell’invio |
| Rassegna da feed RSS | Raccolta online; selezione; sintesi con modello locale; salvataggio | Rassegna con link agli originali | Controllare sintesi e attendibilità delle notizie |
Prendiamo la prima: ogni sera il PC esamina una cartella, identifica i nuovi PDF, estrae il testo e chiede al modello di restituire dati in un formato prestabilito. Un controllo successivo intercetta importi assenti o date non valide; gli elementi dubbi finiscono in una lista da rivedere. Il flusso prepara un indice, non paga bollette né decide al posto della famiglia.
La rassegna mostra bene l’approccio ibrido: le notizie arrivano da Internet, ma la sintesi può avvenire sul proprio hardware. Il collegamento tra servizi e modello è più interessante del singolo chatbot, perché toglie una sequenza di operazioni ripetitive.
Un’altra possibilità è la casa connessa. Home Assistant documenta l’integrazione con Ollama per un agente conversazionale locale. Il controllo dei dispositivi è indicato come sperimentale e richiede modelli con supporto agli strumenti. È un esempio concreto di integrazione disponibile, da distinguere dall’idea di un maggiordomo digitale già affidabile su ogni comando.
Quanto è gratuito? Costi, hardware e limiti dell’AI locale
Con un modello scaricato ed eseguito interamente sul proprio hardware, l’inferenza non comporta una tariffa per chiamata a un fornitore cloud. Anche la Community Edition di n8n può evitare l’abbonamento alla piattaforma ospitata. Il costo complessivo resta però diverso da zero: computer, energia, spazio disco, eventuali backup e tempo per aggiornamenti e manutenzione. Le API esterne possono inoltre avere proprie tariffe.
Per valutare un sistema sempre acceso, farei questo conto: consumo medio in watt diviso 1.000, moltiplicato per ore di funzionamento e prezzo effettivo del kWh. Poi aggiungerei l’eventuale acquisto hardware. Il risparmio rispetto al cloud dipende da utilizzo e prestazioni richieste: non prometterei un ammortamento senza misurarli.
Come riferimento iniziale, i requisiti ufficiali di LM Studio raccomandano almeno 16 GB di RAM; per Windows indicano anche almeno 4 GB di memoria video dedicata come raccomandazione. La memoria necessaria varia con modello, quantizzazione e lunghezza dei testi. Questi numeri non garantiscono che un modello specifico giri velocemente.
Un computer già posseduto potrebbe bastare per prove con modelli piccoli. Un NAS o un mini PC può invece ospitare l’automazione e delegare il modello a un’altra macchina nella rete domestica, se configurati correttamente. Essere sempre acceso non significa essere abbastanza potente per l’inferenza: sono due requisiti diversi.
L’esecuzione locale offre controllo, ma non elimina gli errori del modello né protegge automaticamente file e credenziali. Per iniziare sceglierei flussi in lettura, copie di prova e bozze da approvare. Le azioni che modificano archivi o inviano messaggi meritano un passaggio umano esplicito.
Il ritorno nelle case si misurerà con l’utilità, non con l’etichetta AI
Vedo tre possibilità: il cloud rimane prevalente e il PC serve soprattutto come interfaccia; cresce un uso ibrido con elaborazioni locali e servizi online; oppure una parte di famiglie e professionisti adotta una macchina dedicata alle automazioni. La seconda mi sembra l’ipotesi più convincente, ma è un giudizio argomentato, non un dato di mercato.
Per parlare di rilancio delle vendite serviranno segnali ulteriori: utilizzo frequente delle funzioni locali, acquisti motivati da quelle funzioni e crescita effettiva della domanda domestica. Una quota crescente di computer venduti con componenti AI può semplicemente indicare la sostituzione dell’offerta esistente.
Inoltre, le funzioni potrebbero essere soddisfatte da smartphone, NAS o macchine già in casa. Anche questo rende meno automatico il legame tra AI locale e nuovi acquisti. Il PC ha una possibilità se rende semplici attività oggi frammentate e faticose, a un costo sostenibile.
Il futuro interessante del computer domestico è diventare un assistente operativo di cui possiamo scegliere modelli, dati e compiti. Un archivio consultabile, un laboratorio dove provare modelli e una macchina che esegue automazioni utili. Quando questa combinazione sarà facile da usare anche per chi non vuole passare il sabato a configurare Docker, avremo una ragione concreta per rimettere il PC al centro della casa.
Vuoi portare questi strumenti nel tuo lavoro?
Nei miei corsi e nelle consulenze sull’intelligenza artificiale possiamo partire da un’attività reale, scegliere gli strumenti e progettare una prima automazione con controlli chiari. Se vuoi valutare un workshop su modelli locali, agenti e automazioni per la tua organizzazione, scrivimi tramite il modulo.
Di Gianluigi Bonanomi. Guida verificata il 14 ottobre 2026. Gli esempi numerici e i giocatori indicati con nomi di fantasia sono simulazioni didattiche, non consigli sulla giornata in corso.
Il Fantacalcio ha una caratteristica meravigliosa: persone che per acquistare una lavatrice confrontano tre recensioni possono discutere per un’ora sull’opportunità di spendere metà del budget per un attaccante. Poi, quando quell’attaccante prende cinque, la responsabilità è del mister. O del calendario. O di un complotto.
Adesso nella stanza dell’asta può entrare un altro personaggio: l’intelligenza artificiale. Le puoi chiedere di leggere un listone, confrontare due acquisti, controllare i crediti rimasti o spiegarti perché stai costruendo una squadra con sei scommesse e nessuna certezza. Se però la interroghi come un oracolo, rischi di ottenere una risposta molto convincente su una realtà che non esiste più.
In questa guida propongo un uso concreto dell’intelligenza artificiale per il Fantacalcio: preparazione dell’asta, assistenza durante i rilanci, formazione, scambi, analisi della stagione e gestione della lega. Con prompt pronti da adattare, conti leggibili e limiti dichiarati. L’obiettivo è migliorare le decisioni, senza vendere il sogno del chatbot che sa già chi farà doppietta domenica.
Cosa trovi nella guida
- Quali strumenti usare e come confrontarli
- Come preparare dati e regolamento
- Il prompt di partenza con il metodo G.O.L.
- Applicazioni 1-10: preparazione e asta
- Applicazioni 11-16: formazione e Mantra
- Applicazioni 17-20: scambi e riparazione
- Applicazioni 21-25: analisi, agenti e lega
- Video e prova pratica
- Errori, verifica dei risultati e FAQ
Che cosa può fare davvero l’AI per il Fantacalcio
Conviene distinguere tre lavori. Il primo è organizzare le informazioni: riassumere il regolamento, pulire una tabella, trovare incongruenze. Il secondo è valutare alternative: confrontare moduli, budget e scambi usando dati disponibili. Il terzo è fare previsioni: stimare un rendimento o una probabilità con un modello statistico.
Un chatbot che scrive bene non diventa automaticamente un modello predittivo sportivo. Per una decisione ripetibile servono dati aggiornati, criteri espliciti e calcoli controllabili. È utile combinare un assistente conversazionale con statistiche e strumenti specializzati; va verificato, caso per caso, che cosa l’assistente possa effettivamente leggere.
Un esempio importante sono gli expected goals, o xG. Nella spiegazione di Hudl, il valore esprime la probabilità stimata che un tiro diventi gol in base alle caratteristiche considerate dal modello. Un tiro da 0,2 xG non è un quinto di gol già guadagnato: è una stima su situazioni comparabili. Userei gli xG come un elemento del ragionamento, insieme a minuti e contesto, senza trasformare una singola partita in una profezia.
Per il quadro più ampio delle applicazioni sportive puoi leggere anche il mio approfondimento sull’intelligenza artificiale nel calcio.
ChatGPT per il Fantacalcio e app dedicate: quale scegliere?
Non esiste un vincitore universale. Se vuoi lavorare sul tuo regolamento e sui tuoi file, un assistente generalista può essere comodo. Se vuoi previsioni già organizzate per il gioco, ha senso esaminare prodotti dedicati. Quella che segue è una ricognizione delle funzioni descritte dai rispettivi fornitori, verificata il 14 ottobre 2026: non una classifica basata su un campionato di test comparativi.
| Strumento | Uso da valutare | Controllo prima di affidarsi |
|---|---|---|
| ChatGPT con i tuoi file | Organizzare tabelle, leggere regole, discutere scenari, preparare analisi. | Quali file può elaborare nel tuo account? Quali dati ha ricevuto davvero? Le formule sono riproducibili? |
| FantaData | Il sito presenta listoni, stime di FantaMedia, supporto asta, formazione e scambi. | Come sono valutate le previsioni? Il rendimento pubblicizzato dal fornitore non è una verifica indipendente. |
| FantaGPT di Fantacalcio-Online | Il fornitore descrive un assistente che usa rosa, crediti e regole della lega, con collegamento MCP. | Quali dati sono stati importati? Quali autorizzazioni concede il collegamento? |
| Predixsport | La pagina presenta stime di fantavoto, titolarità e confronto delle formazioni. | La beta dichiara un perimetro Classic e specifiche regole supportate. Verificare la compatibilità. |
| Fantaiuto | La pagina descrive formazione, confronti, scambi e supporto al budget d’asta. | Non confondere il suo indice proprietario con una probabilità o con un fantavoto. |
Per consultare le descrizioni originali: funzioni di FantaData, assistente FantaGPT di Fantacalcio-Online, perimetro del Fantacalcio su Predixsport e strumenti di Fantaiuto. Controlla sul sito le condizioni economiche e le funzioni disponibili quando decidi: possono cambiare.
La schermata aiuta a capire un equivoco: un numero accanto a un giocatore va interpretato. È una media storica? Un indice costruito dall’app? Una probabilità? Sono grandezze diverse. Prima di confrontarle, devi sapere che cosa misurano.
Prima del prompt: prepara regolamento, rosa e fonti
Il primo documento da dare all’assistente è il regolamento della tua lega. Fantacalcio.it chiarisce che le regole delle leghe private sono personalizzabili. Dimensione della rosa, bonus, sostituzioni e modificatori cambiano il problema. Una risposta sensata in una lega può essere sbagliata nella tua.
Prepara una cartella o una conversazione di lavoro con quattro elementi: regolamento effettivo, rosa aggiornata, elenco degli svincolati e tabella delle statistiche. Aggiungi il calendario quando serve. Per ruoli e valori consulta il listone di quotazioni e FVM di Fantacalcio.it; per la disponibilità prepartita controlla le probabili formazioni e gli aggiornamenti ufficiali delle squadre. Riporta sempre fonte, stagione e momento del controllo.
Per lavorare su una tabella, preferisco un file esportato legittimamente o dati incollati in colonne. La guida ufficiale di OpenAI alla preparazione dei dati mostra il flusso di caricamento e controllo di un file. Verifica le funzioni effettivamente presenti nel tuo account; se una funzione manca, puoi comunque fornire una piccola tabella nel messaggio.
| Campo | Perché serve | Errore da prevenire |
|---|---|---|
| ID, nome, squadra, ruolo | Identificare il calciatore e i vincoli. | Omonimi, trasferimenti e ruoli di stagioni diverse. |
| Stagione e data di aggiornamento | Capire a quale fotografia si riferisce il dato. | Scambiare un file vecchio per un aggiornamento live. |
| Minuti, presenze, partite a voto | Distinguere rendimento e disponibilità. | Confrontare campioni molto diversi senza segnalarlo. |
| Media voto e FantaMedia | Separare voto base e punteggio con bonus/malus. | Usare colonne simili come se fossero equivalenti. |
| xG, eventuali xA e loro provider | Aggiungere metriche di qualità delle occasioni. | Unire definizioni o modelli non omogenei. |
| Prezzo, crediti residui, slot liberi | Valutare acquisti realizzabili. | Proporre un affare che rende impossibile completare la rosa. |
| Stato prepartita e fonte | Gestire dubbi e aggiornamenti. | Trasformare un’ipotesi di titolarità in una formazione ufficiale. |
Chiedi prima un controllo di qualità: righe duplicate, dati mancanti, nomi incoerenti, separatori decimali e denominatori diversi. Uno zero vuol dire zero; una cella vuota può voler dire che il dato non è stato rilevato. Se l’AI riempie i vuoti con l’immaginazione, la tua squadra diventa un romanzo.
Prompt Fantacalcio per ChatGPT: il metodo G.O.L. applicato alla lega
Per impostare il lavoro uso il mio metodo G.O.L. per i prompt di ChatGPT: Guidare, Obiettivo, Limiti. Guida l’assistente indicando il compito; definisci il risultato; metti vincoli e controlli. Questo è un modello da copiare, sostituendo i campi tra parentesi.
GUIDARE Agisci come assistente di analisi per la mia lega di Fantacalcio. Prima estrai dai documenti le regole effettive e chiedimi conferma solo sui punti ambigui che cambiano la decisione. OBIETTIVO Aiutami a [preparare l’asta / schierare / valutare uno scambio]. Stagione: [stagione]. Sistema: [Classic o Mantra]. Partecipanti: [numero]. Budget: [crediti]. Rosa e regole: [allegati o tabella]. Data e ora del controllo: [data, ora, fuso orario]. LIMITI Usa solo i giocatori e i dati forniti o verificati con una fonte. Non inventare ruoli, prezzi, infortuni, probabilità o notizie. Se non puoi consultare il web, dichiaralo e usa solo gli allegati. Separa dati osservati, stime del fornitore e ipotesi dell’analisi. Per ogni dato variabile riporta fonte e data di aggiornamento. Controlla vincoli e budget con calcoli espliciti e riproducibili. Restituisci: proposta, alternativa, motivi, dati mancanti, rischi e condizioni che farebbero cambiare la scelta.
La richiesta di fonti non garantisce che le fonti siano corrette. Apri i collegamenti e verifica che sostengano quello che l’assistente ha scritto. Anche un prompt ben progettato richiede controllo.
AI per l’asta del Fantacalcio: 10 applicazioni pratiche
1. Trasformare il regolamento in una scheda operativa
Invece di iniziare dai nomi, fai estrarre le condizioni che incidono sulle scelte. Il risultato utile è una scheda verificabile, con il riferimento al punto del documento da cui arriva ogni regola.
Leggi il regolamento allegato. Estrai sistema di gioco, composizione rosa, budget, bonus/malus, moduli, modificatori, sostituzioni e scadenze. Indica se una voce è esplicita, ambigua o assente. Cita il paragrafo. Non completare le lacune usando le regole di altre leghe.
2. Pulire il listone senza perdere calciatori
Una pulizia fatta male può cancellare un omonimo o un giocatore che ha cambiato squadra. Chiedi una copia normalizzata e un registro delle modifiche, mantenendo gli identificativi originali.
Controlla il listone: duplicati, omonimi, ruoli mancanti, numeri salvati come testo e squadre incoerenti. Non eliminare righe in automatico. Proponi le correzioni e confronta il numero di righe prima e dopo.
3. Costruire fasce di acquisto motivate
Una graduatoria dal primo all’ultimo nome può dare una precisione ingannevole. Le fasce aiutano a individuare alternative, soprattutto quando una stima è incerta. Definisci prima i criteri: rendimento, disponibilità e costo sono dimensioni diverse.
Usando solo questi dati, costruisci fasce per ruolo. Distingui rendimento osservato, continuità di impiego e costo. Spiega le soglie scelte e segnala quando i dati non consentono di separare due giocatori.
4. Preparare tre piani di budget
Esempio inventato: con 500 crediti puoi confrontare tre ripartizioni. Sono scenari da discutere, non percentuali universalmente vincenti. La somma deve rimanere 500, compresa la riserva.
| Scenario didattico | Portieri | Difesa | Centrocampo | Attacco | Riserva |
|---|---|---|---|---|---|
| Equilibrato | 30 | 65 | 145 | 240 | 20 |
| Difesa valorizzata | 35 | 100 | 135 | 210 | 20 |
| Attacco prioritario | 25 | 50 | 120 | 285 | 20 |
Con 500 crediti costruisci tre piani alternativi per la mia lega. Per ciascuno verifica la somma, il costo minimo degli slot e le rinunce. Non proporre prezzi individuali senza una base dati o un’ipotesi dichiarata.
5. Stimare il valore rispetto a un sostituto
Chiediti quanto guadagni rispetto all’alternativa che riusciresti davvero a comprare. In una simulazione, un giocatore stimato a 7,0 e un sostituto a 6,3 hanno un vantaggio di 0,7 punti a presenza confrontabile. Su 20 presenze ipotizzate sono 14 punti. Il conto dipende dalle ipotesi: non è una previsione certificata né un prezzo d’asta automatico.
Confronta ogni obiettivo con un sostituto acquistabile dello stesso ruolo. Usa lo stesso orizzonte e le stesse ipotesi sulle presenze. Calcola il vantaggio atteso e mostra come cambia se gioca meno.
6. Simulare un’asta con avversari diversi
Puoi allenarti a reagire a rincari e occasioni mancate. Le strategie degli avversari vanno presentate come scenari ipotetici: l’AI non legge nella testa dei tuoi amici, anche se sul gruppo WhatsApp qualcuno sembra convinto del contrario.
Simula un’asta con 8 partecipanti e 500 crediti. Usa solo il listone allegato. Crea avversari con strategie dichiarate e inventate. Dopo ogni acquisto aggiorna budget e slot. Se perdo il mio primo obiettivo, mostrami due alternative coerenti con il piano.
7. Calcolare il rilancio massimo sostenibile
Qui serve aritmetica. Se restano 137 crediti e devi comprare ancora 8 calciatori compreso quello in asta, con prezzo minimo di 1 credito devi conservarne almeno 7 per gli altri. Il tetto teorico è quindi 137 − 7 = 130. Se vuoi anche 15 crediti di margine aggiuntivo, diventa 115. È un limite di sostenibilità, non una valutazione del giocatore.
Mi restano 137 crediti e 8 acquisti, incluso quello corrente. Prezzo minimo 1. Voglio 15 crediti di margine oltre ai minimi. Calcola il tetto teorico e il tetto prudente. Poi verifica i minimi necessari per ciascun ruolo: non basta contare gli slot complessivi.
8. Aggiornare il piano dopo un acquisto costoso
Quando spendi più del previsto, il piano iniziale va ricalcolato. La risposta utile non è “ottimo colpo”, ma quali obiettivi diventano incompatibili e dove ridurre la spesa.
Ho speso 18 crediti oltre il piano per questo acquisto. Aggiorna i budget residui senza cambiare retroattivamente le spese. Proponi due riallocazioni e indica quali alternative diventano necessarie.
9. Leggere il tabellone con una foto e verificare l’OCR
Se il tuo strumento consente di leggere immagini, una fotografia del tabellone può essere un punto di partenza. Va confermata la trascrizione prima di fare conti: un 13 letto come 73 cambia tutta l’asta.
Trascrivi questa foto in una tabella: giocatore, acquirente e prezzo. Segnala le celle poco leggibili senza indovinarle. Fermati prima dell’analisi e fammi controllare la trascrizione. Poi riconcilia la somma degli acquisti con i crediti residui di ogni squadra.
10. Misurare i rincari nella tua asta
Con un listino di riferimento comparabile, puoi confrontare prezzi pagati e stime iniziali. Un rapporto di 1,20 indica, in quel campione e rispetto a quel riferimento, prezzi del 20% superiori. Se il riferimento è debole, anche l’indicatore lo è.
Per ogni ruolo confronta somma dei prezzi pagati e somma dei valori di riferimento dei medesimi giocatori. Mostra numerosità e rapporto. Non estendere il risultato ai ruoli senza acquisti né a tutta la lega se il campione è piccolo. Indica le anomalie del riferimento.
Formazione Fantacalcio con l’AI: 6 casi per scegliere chi schierare
11. Ragionare su un ballottaggio con una panchina reale
Chiedere “meglio A o B?” senza panchina e regole è un problema incompleto. Conta che cosa succede se uno non prende voto, oltre alla probabilità di partire titolare.
Confronta questi due giocatori per la giornata indicata usando le fonti allegate. Distingui titolarità, probabilità di voto se disponibile e rendimento condizionato al voto. Considera la riserva e le regole di sostituzione. Non inventare percentuali mancanti.
Ecco una simulazione semplificata con un solo ballottaggio, riserva sempre disponibile e nessun limite ai cambi rilevante. Se Aurora ha probabilità di voto 0,70 e fantapunteggio medio condizionato al voto 7,5, mentre la riserva vale 6,0, il valore atteso del posto è 0,70 × 7,5 + 0,30 × 6,0 = 7,05. Per Boreale, con probabilità 0,95 e punteggio condizionato 6,8, diventa 0,95 × 6,8 + 0,05 × 6,0 = 6,76. Cambiando riserva o condizioni può cambiare la scelta.
Attenzione: probabilità di voto e probabilità di partire titolare non coincidono. E se il fornitore ha già incluso il rischio di assenza nel suo punteggio atteso, moltiplicarlo di nuovo può contare due volte lo stesso rischio.
12. Confrontare moduli con il modificatore difesa
Confronta l’intera formazione. In un esempio inventato, un 3-4-3 vale 72 punti attesi; un 4-3-3 vale 71 prima del modificatore. Se il bonus fosse +3 con probabilità 0,50 e zero negli altri casi, il contributo atteso sarebbe 1,5 e il secondo modulo arriverebbe a 72,5. Le probabilità sono ipotesi didattiche: vanno stimate o lasciate come scenari, mai spacciate per dati.
Confronta tutti i moduli ammessi usando solo la mia rosa. Applica le soglie esatte del modificatore. Se mancano le distribuzioni dei voti, mostra scenari senza inventare probabilità. Distingui punteggio base, modificatore e rischio legato alle sostituzioni.
13. Ordinare la panchina per copertura
Una panchina piena di giocatori interessanti può lasciare scoperto il ruolo sbagliato. Chiedi la spiegazione dell’ordine e alcuni casi limite, non soltanto una lista.
Ordina la panchina secondo il regolamento allegato. Mostra che cosa succede se non prendono voto uno, due o tre titolari nei ruoli critici. Evidenzia i casi in cui rischio di giocare in dieci.
14. Controllare gli incastri nel Mantra
Nel sistema Mantra di Fantacalcio.it contano ruoli, compatibilità dei moduli e meccanismi di sostituzione. Fornisci all’assistente i ruoli del listone corretto e le impostazioni effettive della lega. La verifica finale va fatta nella piattaforma con cui giochi.
Sistema Mantra: usa esclusivamente i ruoli allegati e le regole della mia lega. Costruisci due formazioni valide. Verifica per ogni posto la compatibilità del ruolo e mostra gli scenari di sostituzione. Non convertire ruoli Classic in ruoli Mantra per intuizione.
15. Confrontare i portieri con il calendario
Puoi chiedere una rotazione su più turni, purché calendario e disponibilità siano aggiornati. Separerei il criterio “avversario apparentemente più semplice” da una probabilità numerica di porta inviolata: la seconda richiede una fonte o un modello.
Confronta questi portieri per i prossimi 5 turni sulla base del calendario allegato. Riporta casa/trasferta, disponibilità e criteri della scelta. Se mancano stime affidabili sui gol subiti, offri scenari qualitativi, senza assegnare probabilità arbitrarie.
16. Fare un controllo prima della scadenza
La formazione di venerdì mattina può essere superata venerdì sera. Il controllo deve riportare l’ora dell’ultimo aggiornamento e distinguere fonti ufficiali, notizie e ipotesi. La scadenza è quella della tua lega.
Controlla la mia formazione rispetto alle fonti aggiornate che ti fornisco. Elenca solo i cambiamenti rilevanti, con fonte e ora. Se non hai accesso a dati nuovi, dichiaralo. Verifica gli undici, la panchina, i vincoli e la scadenza prima di suggerire modifiche.
Scambi e asta di riparazione con l’intelligenza artificiale
17. Valutare uno scambio guardando chi giocherà davvero
La somma delle FantaMedie può ingannare. In un esempio inventato, ricevere un giocatore da 7,4 e uno da 6,3 cedendone due da 6,9 e 6,5 sembra conveniente: 13,7 contro 13,4. Ma se il secondo nuovo acquisto resta sempre in panchina, quel confronto non descrive l’effetto sulla formazione.
Confronta la mia migliore formazione e la copertura prima e dopo lo scambio. Usa lo stesso orizzonte e le stesse ipotesi sulle presenze. Evidenzia chi entra negli undici e chi sostituisce. Se non possiamo stimare il rendimento futuro, separa i dati storici dagli scenari.
18. Cercare svincolati adatti a un bisogno preciso
“Trovami una sorpresa” è vago. “Mi serve un difensore disponibile perché ne ho due indisponibili” è già un compito utile. Usa la lista degli svincolati della tua lega: un nome interessante già posseduto da un rivale non risolve il problema.
Da questa lista di svincolati seleziona alternative per coprire il bisogno descritto. Escludi chi non è acquistabile o supera il budget. Motiva le proposte con dati disponibili e indica quali verifiche prepartita o di ruolo mancano.
19. Esaminare un rendimento anomalo senza promettere il rimbalzo
Un giocatore con pochi gol e occasioni di buona qualità merita un approfondimento, non un acquisto automatico. Prima di aspettarti un recupero devi controllare minuti, ruolo, qualità del dato e ampiezza del campione. Lo scarto tra gol e xG è un indizio da interpretare.
Individua nel dataset gli scarti tra gol e xG e mostra minuti e dimensione del campione. Non dire che un giocatore “deve” segnare. Per ciascun caso elenca spiegazioni alternative e dati da verificare.
20. Preparare uno scambio comprensibile per entrambe le parti
L’AI può aiutarti a formulare una proposta leggibile, collegando esigenze reali delle due rose. Se deve inventare notizie o sostenere che un rendimento futuro sia certo per convincere l’altro, stai usando male lo strumento.
Partendo da queste due rose, proponi uno scambio consentito dalle regole che risponda a un bisogno di ciascuna squadra. Scrivi un messaggio breve con motivazione e rischi. Non nascondere informazioni rilevanti e non presentare stime come garanzie.
Analizzare la stagione, progettare un agente e gestire la lega
21. Separare qualità della scelta e risultato
Un attaccante rimasto in panchina che segna non dimostra da solo che hai sbagliato. Valuta che cosa sapevi prima della scadenza. Conserva la proposta dell’assistente e confrontala, a fine turno, con una regola di riferimento semplice.
Analizza queste scelte usando solo le informazioni disponibili prima della consegna. Separa errore nei dati, errore nel ragionamento ed esito sfavorevole ma plausibile. Confronta la proposta AI con la mia regola di riferimento, senza usare dati futuri per giustificarla.
22. Scoprire squilibri nella rosa
Una tabella può mostrare troppi acquisti costosi nello stesso ruolo o più riserve che competono per uno slot. Prima di attribuire un punteggio complessivo alla squadra, chiedi un elenco concreto di coperture e dipendenze.
Esamina la composizione della rosa: budget per ruolo, alternative utilizzabili, concentrazione sulla stessa squadra e ruoli scoperti. Non assegnare un voto complessivo arbitrario. Indica tre interventi possibili e che cosa dovrei cedere o sacrificare per realizzarli.
23. Progettare un assistente che prepara un report
Un’automazione utile può leggere le fonti consentite, aggiornare una tabella e preparare un rapporto prima della scadenza. Deve esistere una vera integrazione: scrivere “avvisami venerdì” in una chat non dimostra che un processo sia stato attivato. Verifica esecuzione, orario e consegna.
Progetta un flusso, senza attivarlo: fonti autorizzate, frequenza, orario Europe/Rome, controlli sui dati e canale del report. Il report deve includere aggiornamenti, formazione proposta, alternative e dati mancanti. Prevedi un avviso se una fonte non risponde. La consegna della formazione resta una mia azione.
Una connessione MCP, quando disponibile e compatibile con il tuo assistente, può mettere a disposizione dati strutturati. Nella descrizione tecnica di FantaGPT, la chiave è associata a una lega e il collegamento descritto non consente di schierare o acquistare. È un esempio utile di differenza tra accesso ai dati e capacità di agire. Non incollare chiavi personali in chat condivise o schermate pubbliche.
24. Rendere il regolamento più chiaro per il presidente di lega
Puoi chiedere all’AI di cercare contraddizioni e formulare esempi, lasciando le decisioni ai partecipanti. È particolarmente utile prima dell’inizio della stagione, quando puoi chiarire una regola senza cambiarla a partita già giocata.
Revisiona questo regolamento senza modificarne le scelte. Trova contraddizioni, termini ambigui e casi non coperti. Per ciascuno proponi due formulazioni alternative ed esempi. Non presentare nessuna modifica come già approvata dalla lega.
25. Creare la cronaca della giornata senza inventare episodi
Report, nomi delle squadre, pagelle ironiche e messaggi per il gruppo possono essere applicazioni divertenti. Usa risultati reali forniti e tieni separata la satira dalle informazioni sportive. È anche un buon esercizio per un laboratorio sull’AI.
Scrivi la cronaca ironica della giornata usando solo questi risultati. Non inventare gol, infortuni o dichiarazioni. Tono da gruppo di amici, nessun attacco personale. Chiudi con tre osservazioni sui dati, distinguendole chiaramente dalle battute.
Un video da guardare con spirito critico e una prova da fare
Il tema è stato affrontato anche da Lorenzo Cantarini nel video “FANTACALCIO E CHATGPT: HO FATTO LA FORMAZIONE CON LA A.I.”, richiamato nell’approfondimento di Fanta.Soccer su AI, aste e formazioni. È uno spunto per discutere l’esperimento: una singola formazione riuscita o sbagliata non basta a valutare un sistema.
Video esterno su YouTube. Se il player non viene caricato, apri il video su YouTube. Il contenuto è un esempio sul tema, non una guida ai nomi da schierare nella stagione corrente.
Per una prova più seria, scegli prima una regola di riferimento: per esempio la tua procedura abituale, scritta chiaramente. Registra poi, prima delle partite, la formazione proposta dall’AI, i dati usati, l’orario e le motivazioni. Confronta i due metodi per più giornate sulle stesse rose e sulle stesse regole, senza correggere a posteriori le proposte. Ti interessano punteggio, frequenza degli errori nei vincoli, copertura dei ruoli e tempo impiegato.
Puoi trasformarlo in un laboratorio: un gruppo lavora con un prompt generico, uno con regolamento e dati puliti, uno con un assistente che deve dichiarare le incertezze. Il confronto non deve decretare il “chatbot più tifoso”, ma mostrare come cambia la qualità del lavoro quando cambia il contesto. È un esercizio che si collega bene ai miei corsi su AI generativa, agenti e prompt engineering.
Gli errori che fanno perdere valore all’AI nel Fantacalcio
- Chiedere nomi aggiornati senza dati aggiornati. Verifica stagione, squadra, ruolo e disponibilità.
- Usare una media storica come previsione certa. È una descrizione di ciò che è successo, non una promessa.
- Chiedere percentuali e accettarle comunque. Senza fonte o modello esplicito, un numero preciso può essere solo decorazione.
- Sommare quotazioni come se fossero prezzi della tua asta. Servono confronti omogenei e un riferimento alla tua lega.
- Dimenticare la panchina. Il valore di uno slot dipende anche dalle sostituzioni.
- Riutilizzare una risposta vecchia. Un consiglio dipende dal momento e dai dati con cui è stato prodotto.
- Credere che l’AI abbia letto un sito o un file. Fatti indicare cosa ha consultato e controllalo.
- Valutare il sistema dopo una sola giornata. Registra anche una regola di confronto e gli errori, senza selezionare solo i casi riusciti.
Domande frequenti sull’intelligenza artificiale per il Fantacalcio
Si può usare ChatGPT per fare la formazione del Fantacalcio?
Puoi usarlo come supporto fornendo rosa, regole e dati aggiornati. Chiedi una proposta con alternative, fonti e controlli sui vincoli. Verifica la formazione nella piattaforma della tua lega prima di consegnarla: una risposta plausibile non certifica che gli undici siano validi o disponibili.
Qual è la migliore AI per il Fantacalcio?
Dipende dal compito e dalle regole supportate. Un assistente generalista è flessibile nel lavoro sui tuoi documenti; un servizio dedicato può offrire dati e stime già organizzati. Senza un test comparativo indipendente non è corretto assegnare il titolo di migliore. Controlla aggiornamento, trasparenza, compatibilità e risultati registrati.
Esiste un’AI per il Fantacalcio gratis?
Le condizioni cambiano. Puoi iniziare con tabelle e prompt se le funzioni necessarie sono disponibili nel tuo account. Alcuni servizi presentano prove o funzioni gratuite, altre attività richiedono un pagamento. Verifica sulla pagina ufficiale limiti, durata della prova ed eventuali rinnovi prima di scegliere.
Come si usa l’AI durante l’asta?
Prepara listone e piano prima dell’asta, poi aggiorna acquisti, budget e slot a ogni passaggio. Le richieste più utili riguardano rilancio massimo sostenibile, alternative e conseguenze di una spesa extra. Conferma la trascrizione degli acquisti: un prezzo errato compromette tutti i calcoli successivi.
L’AI funziona anche per il Mantra?
Può aiutarti a confrontare alternative, ma deve avere ruoli e regole Mantra corretti. Non tutti i servizi dedicati supportano questo sistema. Verifica sulla documentazione del prodotto e controlla l’ammissibilità della formazione nella piattaforma della lega.
L’AI può vincere il Fantacalcio al mio posto?
Non può garantire il risultato. Può aiutare a organizzare informazioni e a rendere le scelte più coerenti. L’efficacia concreta va valutata su proposte registrate prima delle partite e confrontate con una procedura di riferimento, senza ignorare costi, tempo e dati mancanti.
Il miglior acquisto può essere una domanda fatta bene
Per iniziare non chiederei “chi farà più gol?”. Prenderei la mia rosa, il regolamento e una scelta concreta: due giocatori da confrontare, un rilancio da valutare, uno scambio che mi lascia perplesso. Chiederei dati, alternative e condizioni che cambiano la risposta.
È una lezione che vale anche fuori dal Fantacalcio: un assistente diventa più utile quando gli diamo un problema definito e informazioni controllabili. Poi domenica il tuo attaccante può comunque colpire il palo al novantesimo. Il prompt, almeno quello, non avrà colpe.
Vuoi portare questo metodo in un corso sull’AI?
Il Fantacalcio è un terreno concreto per imparare a lavorare con dati, prompt, scenari e assistenti. Progetto workshop su AI generativa e agenti per aziende e organizzazioni, adattando esempi e laboratori al pubblico. Contattami per costruire un percorso formativo, oppure usa il modulo qui sotto.
Chiedi all’AI di vestirti da pompiere. Arrivano la giacca, il casco e l’autopompa. Poi guardi meglio: il pompiere è tuo cugino. O almeno sembra una versione di te che nessuno ha mai incontrato.
È un problema concreto per chi usa immagini generate nella comunicazione: cambiare ambientazione è utile, cambiare involontariamente faccia molto meno. Se un avatar compare nelle copertine del blog, nelle slide e nei caroselli, deve restare riconoscibile. Altrimenti il personal branding diventa il casting di una serie televisiva.
Una proposta interessante è Identity-Lock: una struttura del prompt che separa l’identità del soggetto dalle trasformazioni richieste. La proverei come metodo di lavoro, senza prendere alla lettera la promessa di “bloccare” qualsiasi volto.
Che cos’è Identity-Lock e come si costruisce il prompt
Il punto di partenza è l’articolo di Jason Reeve su lifehackedai. La struttura proposta mette i vincoli sul volto all’inizio, descrive trasformazione e scena e richiama l’identità alla fine. L’autore riferisce esperienze con 125 prompt, ma nella pagina non presenta una valutazione indipendente con metriche sufficienti a dimostrare una garanzia universale.
| Riga | Funzione | Che cosa scrivere |
|---|---|---|
| 1 | Identità | Indicare la persona nella foto e i tratti da conservare. |
| 2 | Trasformazione | Descrivere abiti o stile desiderato. |
| 3 | Scena | Definire ambiente, luce e inquadratura. |
| 4 | Richiamo dei vincoli | Ribadire la riconoscibilità e il formato richiesto. |
Le quattro righe sono un promemoria organizzativo. Non rappresentano un comando tecnico che impedisce al modello di modificare il viso. Anche scrivere /identitylock in una normale conversazione non attiva automaticamente una funzione speciale: senza uno strumento che interpreti quel comando, resta testo nel prompt.
Perché “mantieni la mia faccia” è un’istruzione incompleta
La guida ufficiale di OpenAI al prompting delle immagini mostra proprio un caso di cambio d’abiti con conservazione dell’identità. Suggerisce di specificare gli elementi che devono restare invariati e quelli che possono cambiare. È un’indicazione più concreta di un generico “fammi uguale”.
Il mio consiglio è costruire una piccola scheda del personaggio: forma del viso, naso, occhi, attaccatura dei capelli, barba ed età apparente. Non occorre trasformarla in un referto: serve a evitare che il modello interpreti “ritratto professionale” come un invito a ringiovanirti di quindici anni.
La foto di riferimento conta almeno quanto la descrizione. Nel Cookbook di OpenAI sulla fedeltà delle immagini di input, la conservazione dei volti è uno degli impieghi della modalità ad alta fedeltà. Impostazioni e disponibilità dipendono dal modello e dall’ambiente: un parametro dell’API non va confuso con un pulsante disponibile in tutte le interfacce.
Per un ritratto reale partirei da una fotografia nitida. Per una serie illustrata partirei dall’avatar approvato. Sono obiettivi diversi: un disegno può conservare l’identità grafica di un personaggio senza essere una riproduzione fotografica della persona.
Tre esempi di prompt Identity-Lock da adattare
I prompt seguenti sono esempi originali in italiano. Prima carica il riferimento visivo; poi sostituisci le parti che riguardano il tuo soggetto. Le immagini di questo articolo sono illustrazioni generate a partire dal mio avatar: mostrano possibili usi, non un confronto sperimentale sull’efficacia del metodo.
1. Cambiare abito: il mio avatar diventa pompiere
Qui chiedo un cambiamento ben circoscritto. Mantengo lo stile del disegno e lascio il capo scoperto, così i capelli restano visibili e posso controllare meglio il risultato.
1. Usa l’avatar allegato come riferimento del personaggio: conserva forma del viso, occhi, naso, sorriso, capelli e barba. 2. Cambia l’abbigliamento: giacca da pompiere blu con bande gialle riflettenti; mantieni lo stile illustrato originale. 3. Ambientalo davanti a una caserma con un’autopompa; tiene il casco in mano, volto ben visibile, luce diurna. 4. Deve essere riconoscibile come lo stesso avatar, senza ringiovanirlo o ridisegnarne i tratti; immagine orizzontale 16:9.
Il controllo utile riguarda il volto, non soltanto la qualità della giacca. Se il naso cambia, correggo quel tratto: “Ripristina il naso del riferimento; conserva abiti e sfondo del risultato”. Una correzione localizzata è più chiara di “rifai tutto meglio”.
2. Un ritratto professionale senza un lifting digitale
Per questo esempio serve una foto reale. Il risultato può essere destinato a un sito o a una presentazione, ma va controllato prima di usarlo come immagine professionale.
1. La persona è quella nella fotografia allegata: conserva lineamenti, proporzioni del viso, capelli, pelle ed età apparente. 2. Sostituisci soltanto l’abbigliamento con una giacca blu e una camicia chiara. 3. Mantieni posa, espressione e inquadratura della foto; lascia invariato anche lo sfondo. 4. Non abbellire o ringiovanire il volto: deve restare la stessa persona; produci un singolo ritratto verticale.
Ho deliberatamente limitato le modifiche. Per cambiare anche luce e sfondo, farei un passaggio successivo sull’immagine approvata, verificando di nuovo il volto. Non è una garanzia tecnica: è una procedura che rende gli errori più facili da individuare.
3. Una serie di immagini per un corso o un carosello
In una serie, la coerenza si gioca sull’intero personaggio. Il mio avatar può essere davanti a una lavagna, a un computer o a uno smartphone: voglio che il lettore riconosca sempre il medesimo protagonista.
1. Riprendi il personaggio dell’avatar allegato: conserva volto, capelli, barba, età apparente e proporzioni. 2. Mantieni il completo nero, la camicia azzurra, la cravatta rossa e lo stile del disegno. 3. Mostralo mentre conduce un workshop davanti a uno schermo con la scritta “Stesso volto, nuove scene”; formato 16:9. 4. Rispetta l’identità grafica dell’avatar: modifica soltanto posa e ambientazione richieste, senza reinventare il personaggio.
Per la scena successiva riutilizzerei il riferimento approvato. Eviterei di passare soltanto il risultato precedente per decine di trasformazioni: ogni eventuale scostamento diventerebbe il punto di partenza del passaggio seguente.
Che cosa dimostra la ricerca, e che cosa rimane un’ipotesi
La spiegazione dell’articolo originale richiama l’effetto “Lost in the Middle”. Lo studio di Nelson F. Liu e colleghi, pubblicato nel 2024 su Transactions of the Association for Computational Linguistics, osserva difficoltà nell’uso di informazioni poste al centro di contesti lunghi. I compiti studiati riguardano domande su documenti e recupero di coppie chiave-valore.
Quel risultato non dimostra che quattro righe impediscano la deriva dei volti nei generatori di immagini. Trasferire la spiegazione a questo caso è un’ipotesi, non una conclusione verificata dallo studio. Mettere in evidenza i vincoli può essere una buona pratica; attribuirle un’efficacia universale richiede altri esperimenti.
La conservazione dell’identità è anche un problema di progettazione dei modelli. Il paper InstantID: Zero-shot Identity-Preserving Generation in Seconds, di Qixun Wang e colleghi, propone un sistema che integra informazioni sul volto e punti di riferimento facciali nella generazione. È un approccio tecnico, diverso dal riordinare il testo di un prompt.
La conseguenza pratica è semplice: se la somiglianza resta insufficiente, potrebbe servire cambiare strumento o modalità di modifica. Insistere con “identico, identico, identico” non trasforma automaticamente un vincolo linguistico in un vincolo geometrico.
Il prompt va adattato allo strumento
In Midjourney bisogna distinguere le istruzioni scritte dalle funzioni per i riferimenti visivi. La documentazione ufficiale dell’Edit Model descrive l’uso di immagini di riferimento e la sostituzione delle precedenti funzioni Omni Reference e Character Reference nell’ambiente supportato. Prima di copiare parametri da un tutorial, controlla la versione che stai usando.
Un’altra scorciatoia da ridimensionare è il seed: la guida ufficiale di Midjourney sui seed precisa che non servono a salvare un personaggio o un aspetto attraverso prompt differenti. Possono aiutare negli esperimenti, ma non sono la carta d’identità digitale del soggetto.
Un laboratorio di 20 minuti per capire se il metodo ti aiuta
Proporrei questo esercizio in aula. Il tempo e il numero di immagini sono una scelta didattica, non uno standard scientifico.
- Scegli il riferimento: una tua foto o un avatar autorizzato, sempre lo stesso.
- Definisci cinque criteri: forma del viso, occhi, naso, capelli e barba o bocca. Aggiungi la riconoscibilità complessiva.
- Prepara due prompt: uno generico e uno strutturato in quattro righe. Mantieni identiche trasformazione e scena.
- Genera tre risultati per ciascuno: usa lo stesso modello e le stesse impostazioni disponibili. Conserva anche le immagini meno riuscite.
- Confronta senza etichette: mescola i risultati e assegna a ogni criterio 0, 1 o 2 punti. Poi scopri quale prompt ha prodotto ciascuna immagine.
Una scala possibile è: 0, tratto alterato; 1, somiglianza parziale; 2, tratto coerente con il riferimento. Il voto è soggettivo e sei immagini non bastano per generalizzare. Servono però a capire se, nel tuo caso, la struttura riduce gli scarti e il tempo necessario alle correzioni.
Dal volto al metodo di lavoro
Per i fondamenti dei modelli linguistici, segnalo la lezione Intro to Large Language Models di Andrej Karpathy. È una lezione del 2023, in inglese: aiuta a capire il contesto tecnico, ma non è una dimostrazione di Identity-Lock.
La parte che porterei nel lavoro quotidiano è questa: scegliere un riferimento, dichiarare le modifiche consentite, preservare i tratti importanti e controllare il risultato. Puoi applicarla alle copertine, ai materiali didattici e alla comunicazione del tuo team. Nella mia raccolta di risorse ed esercizi per il corso ChatGPT trovi altri punti di partenza per lavorare con l’AI.
Identity-Lock può essere un buon nome per ricordare la procedura. Il controllo finale resta nostro. Se l’immagine è bellissima ma la persona è diventata un’altra, il prompt non ha svolto il compito.
Vuoi usare le immagini AI nella comunicazione della tua azienda?
Nei miei corsi di AI generativa lavoriamo su prompt, riferimenti visivi e criteri di controllo, con esercizi legati ai materiali che il team deve produrre. Scrivimi attraverso il modulo nella pagina contatti per progettare un laboratorio su misura.
Quando si parla di intelligenza artificiale, le citazioni fanno spesso la stessa fine dei biscotti nei corsi: spariscono dal loro contesto. Una frase diventa uno slogan, lo slogan diventa una certezza e qualcuno finisce per attribuire a Einstein anche il prompt engineering.
Ho scelto dieci citazioni sull’intelligenza artificiale generativa e sugli agenti, accompagnandole con il loro contesto e con una conseguenza pratica. Alcune sono domande storiche, altre estratti da studi scientifici o guide tecniche. Il percorso parte dall’intelligenza delle macchine e arriva a una questione molto concreta: che cosa possiamo delegare, con quali strumenti e con quali controlli?
Nota sulle citazioni: i brani in italiano sono mie traduzioni di brevi estratti inglesi. Le omissioni sono indicate con […]. “Attention Is All You Need” è il titolo originale di un paper, riportato come tale. I collegamenti permettono di controllare formulazione e contesto.
1. Alan Turing: prima di discutere di intelligenza, definiamo la domanda
«Le macchine possono pensare?»
Alan M. Turing, 1950. È la domanda che apre Computing Machinery and Intelligence. Turing passa poi a un problema più circoscritto, il gioco dell’imitazione, per ragionare sui comportamenti osservabili.
Questa citazione serve ancora perché ci costringe a chiarire che cosa stiamo chiedendo. “ChatGPT pensa?” può significare: produce risposte sensate, risolve un problema, possiede intenzioni oppure ha esperienza cosciente? Sono questioni diverse. Un testo convincente, da solo, non risolve l’ultima.
Nel lavoro: invece di discutere per un’ora se il chatbot sia intelligente, chiediamoci se sa sintetizzare correttamente quel verbale. Definiamo criteri verificabili: decisioni riportate, responsabilità attribuite, scadenze conservate. La filosofia resta interessante; il verbale deve comunque essere giusto.
2. Dartmouth: simulare una capacità non significa diventare una persona
«[…] una macchina può essere costruita per simularlo.»
![Avatar di Gianluigi Bonanomi con la citazione 2 di McCarthy, Minsky, Rochester e Shannon · 1955: […] una macchina può essere costruita per simularlo.](https://www.gianluigibonanomi.com/wp-content/uploads/2026/10/citazione-ai-02.webp)
John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, 1955. Questo frammento della proposta per il progetto estivo di Dartmouth si riferisce alla congettura secondo cui gli aspetti dell’apprendimento e dell’intelligenza possono essere descritti con precisione sufficiente a simularli.
La parola decisiva è “congettura”: un programma di ricerca, non una dimostrazione già acquisita. Per leggere il presente, io terrei anche “simulare”. Un sistema può svolgere un’attività utile senza avere la biografia, le motivazioni o l’esperienza di chi la svolge normalmente.
Nel lavoro: far preparare una bozza commerciale all’AI può essere sensato. Trattarla come un collega che conosce automaticamente la storia del cliente è un salto ingiustificato. Quella storia va fornita, recuperata e controllata.
3. Vaswani e colleghi: attenzione alle relazioni tra le parole
«Attention Is All You Need»
Ashish Vaswani e coautori, 2017. È il titolo del paper che propone l’architettura Transformer. “Attenzione” indica qui un meccanismo computazionale, non la concentrazione cosciente di una persona.
Il titolo è diventato celebre, ma non significa che basti stare attenti per costruire un’AI. Il lavoro presenta un’architettura basata su meccanismi di attenzione, senza ricorrenza e convoluzioni, e la valuta su compiti di traduzione. Per un lettore non tecnico, il punto utile è che le relazioni nel contesto contano.
Nel lavoro: se chiediamo di spiegare la parola “rete”, un riferimento alla pesca, al calcio o ai computer cambia l’interpretazione richiesta. Inserire il contesto pertinente aiuta a disambiguare il compito; non garantisce automaticamente una risposta corretta.
4. Bender e colleghe: la fluidità del linguaggio può ingannarci
«[…] un pappagallo stocastico.»
![Avatar di Gianluigi Bonanomi con la citazione 4 di Bender e colleghe · 2021: […] un pappagallo stocastico.](https://www.gianluigibonanomi.com/wp-content/uploads/2026/10/citazione-ai-04.webp)
Emily M. Bender, Timnit Gebru, Angelina McMillan-Major e Shmargaret Shmitchell, 2021. Il frammento proviene dal paper sui rischi dei grandi modelli linguistici, che Bender riprende e contestualizza nelle sue spiegazioni pubblicate nel 2026.
“Stocastico” rimanda alla probabilità. La metafora invita a non attribuire automaticamente intenzioni umane a un testo fluente. Va però trattata come una lente interpretativa, non come una formula che esaurisce ogni capacità di ogni sistema attuale. Bender stessa distingue il modello linguistico dai prodotti che lo integrano con altri componenti.
Nel lavoro: una risposta elegante può contenere un riferimento inventato. Quando un chatbot cita un paper, aprire il collegamento e confrontare ciò che sostiene con il documento è parte del compito. Il tono sicuro non è una certificazione di qualità.
5. Ouyang e colleghi: più grande non equivale automaticamente a più utile
«Rendere più grandi i modelli linguistici non li rende, di per sé, migliori nel seguire l’intento dell’utente.»
Long Ouyang e coautori, 2022. È l’apertura dell’abstract di Training language models to follow instructions with human feedback. Il lavoro studia come usare esempi e valutazioni umane per migliorare l’aderenza alle intenzioni dell’utente.
Qui si capisce perché un modello capace di continuare testi e un assistente utile non siano la stessa cosa. Nel lavoro descritto, alle dimostrazioni del comportamento desiderato seguono confronti tra risposte e un ulteriore addestramento basato sul feedback umano. Non ne deriva che ogni assistente sia infallibile o che tutti i sistemi seguano la stessa procedura.
Nel lavoro: scegliere un modello soltanto perché “è il più potente” è un criterio incompleto. Proviamolo su attività rappresentative: rispetta i vincoli? Mantiene il tono? Segnala ciò che manca? Quanto dobbiamo correggere?
6. La ricerca sulle allucinazioni: dobbiamo premiare anche il dubbio
«[…] premiano il tentare una risposta rispetto al riconoscere l’incertezza.»
![Avatar di Gianluigi Bonanomi con la citazione 6 di OpenAI · 2025: […] premiano il tentare una risposta rispetto al riconoscere l’incertezza.](https://www.gianluigibonanomi.com/wp-content/uploads/2026/10/citazione-ai-06.webp)
OpenAI, 2025. La frase compare nella presentazione della ricerca Why Language Models Hallucinate. Lo studio di Adam Tauman Kalai, Ofir Nachum, Santosh S. Vempala ed Edwin Zhang analizza il ruolo degli incentivi nell’addestramento e nella valutazione.
Se un test assegna zero punti sia a una risposta sbagliata sia a un’ammissione di ignoranza, indovinare può diventare conveniente. Questo aiuta a spiegare perché la sicurezza espressiva non coincida con l’affidabilità. Non è una spiegazione unica di tutti gli errori, né una prova che basti aggiungere “non inventare” per eliminarli.
Nel lavoro: quando valutiamo un assistente, inseriamo casi con informazioni mancanti. Una risposta utile può identificare la lacuna e chiedere il dato necessario. Se premiamo soltanto chi completa ogni casella, rischiamo di addestrare anche noi una macchina delle risposte plausibili.
7. ReAct: il passaggio agli agenti comincia dall’alternare ragionamento e azione
«[…] tracce di ragionamento e azioni specifiche del compito in modo alternato.»
![Avatar di Gianluigi Bonanomi con la citazione 7 di Shunyu Yao e coautori · 2022: […] tracce di ragionamento e azioni specifiche del compito in modo alternato.](https://www.gianluigibonanomi.com/wp-content/uploads/2026/10/citazione-ai-07.webp)
Shunyu Yao e coautori, 2022. Il paper ReAct: Synergizing Reasoning and Acting in Language Models esplora un approccio che alterna passaggi di ragionamento e azioni, anche per raccogliere informazioni esterne.
È un ponte utile tra la conversazione e il lavoro operativo. Il sistema non deve limitarsi a generare la descrizione di una ricerca: può interrogare una fonte, ricevere un risultato e adattare il passo successivo. Le tracce generate non vanno però confuse con una lettura trasparente della mente del modello.
Nel lavoro: per confrontare fornitori, un agente potrebbe cercare schede, estrarre condizioni, accorgersi che manca una specifica e cercarla. Il risultato va valutato sui documenti effettivamente recuperati. Scrivere “ho verificato” e aver verificato sono due cose diverse.
8. Anthropic: un agente decide come usare gli strumenti
«[…] gli LLM dirigono dinamicamente i propri processi e l’uso degli strumenti.»
![Avatar di Gianluigi Bonanomi con la citazione 8 di Anthropic · 2024: […] gli LLM dirigono dinamicamente i propri processi e l’uso degli strumenti.](https://www.gianluigibonanomi.com/wp-content/uploads/2026/10/citazione-ai-08.webp)
Anthropic, Building effective agents, 2024. La guida di Anthropic distingue i workflow con percorsi predefiniti dagli agenti in cui il modello determina dinamicamente i passaggi.
È una distinzione architetturale utile, non l’unica definizione possibile di agente. Una sequenza fissa che prende un file, lo riassume e lo archivia può essere un’ottima automazione. Diventa più propriamente agentica quando il modello sceglie il percorso in base a ciò che incontra.
Nel lavoro: se ogni venerdì devi copiare lo stesso report nella stessa cartella, comincia da un automatismo. Se devi indagare un’anomalia e decidere quali documenti esaminare, una componente agentica può avere senso. La complessità va giustificata dal problema, non dal fascino della parola “agente”.
9. Context engineering: il contesto non è un ripostiglio infinito
«Il contesto […] deve essere trattato come una risorsa finita con rendimenti marginali decrescenti.»
![Avatar di Gianluigi Bonanomi con la citazione 9 di Anthropic · 2025: Il contesto […] deve essere trattato come una risorsa finita con rendimenti marginali decrescenti.](https://www.gianluigibonanomi.com/wp-content/uploads/2026/10/citazione-ai-09.png)
Anthropic, 2025. È un passaggio di Effective context engineering for AI agents. La guida porta l’attenzione dalle sole istruzioni all’insieme delle informazioni disponibili durante il lavoro.
Il prompt è una parte del contesto. Contano anche documenti, cronologia, descrizioni degli strumenti e risultati delle loro azioni. Aggiungere materiale può aiutare, ma può anche introdurre rumore, contraddizioni e versioni superate. La conseguenza operativa è selezionare ciò che serve e mantenerlo aggiornato.
Nel lavoro: per preparare un’offerta, meglio un listino valido, un brief chiaro e due esempi pertinenti che l’intero archivio di proposte degli ultimi anni. Quando manca una condizione, l’agente dovrebbe recuperarla dalla fonte appropriata. Il second brain è utile quando aiuta a trovare, non soltanto ad accumulare.
10. OpenAI: l’intervento umano è una parte del progetto
«L’intervento umano è una salvaguardia fondamentale […].»
![Avatar di Gianluigi Bonanomi con la citazione 10 di OpenAI · 2025: L’intervento umano è una salvaguardia fondamentale […].](https://www.gianluigibonanomi.com/wp-content/uploads/2026/10/citazione-ai-10.webp)
OpenAI, A practical guide to building agents, 2025. Nella sezione dedicata all’intervento umano, la guida pratica di OpenAI, sezione sull’intervento umano tratta il passaggio di controllo quando l’agente incontra problemi e le verifiche per azioni ad alto impatto.
La supervisione non dovrebbe essere un’aggiunta improvvisata dopo un incidente. Va progettata insieme ai permessi, ai limiti di esecuzione e alle condizioni di arresto. Autonomia significa delegare un perimetro di lavoro, con responsabilità e confini espliciti.
Nel lavoro: un agente può predisporre una risposta a un cliente e raccogliere gli allegati. Possiamo richiedere approvazione prima dell’invio di un’offerta vincolante, fissare un numero massimo di tentativi e consentire accesso solo ai documenti necessari. Così la delega diventa una procedura valutabile.
Un video per collegare i concetti
Per approfondire i modelli linguistici, propongo Intro to Large Language Models di Andrej Karpathy. È una lezione in inglese pubblicata nel 2023: utile per i fondamenti, mentre i riferimenti ai prodotti vanno letti come una fotografia di quel periodo.
Dalle citazioni a una delega concreta
La mia lettura di queste dieci frasi è molto pratica: definire il compito, distinguere la fluidità dalla correttezza, dare informazioni pertinenti, collegare strumenti e osservare i risultati. Infine, decidere dove la macchina deve fermarsi.
Nel mio metodo 4A e nei corsi sugli agenti AI distinguo automatismi, azioni programmate, assistenti e agenti. È una griglia didattica per scegliere quanta delega serve. Un’attività programmata non diventa automaticamente un agente, e un agente non è la soluzione migliore per qualsiasi attività.
Per mettere alla prova queste idee, scegli un compito reale e scrivi cinque cose: risultato atteso, informazioni necessarie, strumenti consentiti, criteri di verifica e punto di approvazione. Poi confronta il tempo risparmiato con il tempo speso a controllare e correggere. È un esperimento più utile di cento slogan sul futuro.
Vuoi portare AI generativa e agenti nel tuo team?
Progetto corsi e laboratori per aziende, enti e professionisti, partendo da attività concrete e dai controlli necessari. Raccontami il tuo obiettivo attraverso il modulo nella pagina contatti: possiamo costruire un percorso su misura.
Un piatto di verdure torna in cucina quasi intatto. Il giorno dopo succede di nuovo. Il terzo giorno, stessa scena. Possiamo archiviare la faccenda con un «ai bambini le verdure non piacciono», oppure cominciare a fare domande: la porzione è eccessiva? La preparazione funziona? Il tempo per mangiare è sufficiente?
È qui che l’intelligenza artificiale può diventare interessante: rendendo visibile, e analizzabile, ciò che normalmente finisce nel cestino.
Il caso è Hoooly Food, al centro della partnership annunciata tra Vivenda Spa e Ganiga. Il comunicato presenta un sistema che analizza gli avanzi dei pasti e li trasforma in informazioni per migliorare la gestione delle mense. Un’applicazione concreta dell’AI, da valutare con una domanda altrettanto concreta: quanto cibo permette davvero di risparmiare?
Vivenda e Ganiga: il progetto che porta l’AI nelle mense
Vivenda Spa, società del Gruppo La Cascina, opera nella ristorazione collettiva, anche scolastica, sanitaria e aziendale. Ganiga sviluppa tecnologie per la gestione intelligente dei rifiuti: la scheda ospitata dall’Agenzia ICE descrive la famiglia Hoooly, basata su sensori, intelligenza artificiale e analisi dei dati, comprese applicazioni per le cucine.
La partnership viene presentata in vista della Giornata mondiale dell’alimentazione del 16 ottobre 2026, promossa dall’Organizzazione delle Nazioni Unite per l’alimentazione e l’agricoltura, la FAO.
Una precisazione sul linguaggio: Ganiga si presenta come partner di Google for Startups. Parlare di «startup di Google» può far pensare a una società del gruppo. Il programma di Google per le startup AI offre invece supporto, risorse e servizi alle imprese partecipanti. È più corretto descrivere quel rapporto senza suggerire un’appartenenza societaria.
Come funziona Hoooly Food contro lo spreco alimentare
Secondo il comunicato, il sistema usa telecamere e visione artificiale nei punti di raccolta dei vassoi per identificare i residui e produrre informazioni utilizzabili dalla cucina. Nella descrizione pubblicata direttamente da Ganiga, Hoooly Food riconosce gli alimenti e stima volume e peso dalle immagini, senza bilancia. I dati sono disponibili in una dashboard; l’azienda descrive anche un agente AI dedicato al supporto delle decisioni.
La distinzione conta: una stima ricavata da una fotografia va verificata rispetto a misurazioni di riferimento. Prima di usare quei numeri per modificare acquisti e preparazioni, chiederei quanto sono accurati, con quali alimenti e in quali condizioni operative.
Il valore potenziale sta nel collegare le osservazioni alle decisioni: individuare pietanze spesso avanzate, confrontare giornate e menù, verificare se una modifica riduce gli scarti. Qui parliamo soprattutto di visione artificiale e analisi dei dati, con un supporto decisionale dichiarato dal produttore.
Perché misurare gli avanzi ha senso
Il problema ha dimensioni enormi. Il Food Waste Index Report 2024 del Programma delle Nazioni Unite per l’ambiente, UNEP, realizzato con WRAP, stima che nel 2022 siano stati generati 1,05 miliardi di tonnellate di rifiuti alimentari, comprese le parti non commestibili, tra famiglie, servizi di ristorazione e commercio al dettaglio. Alla ristorazione è attribuito il 28% del totale.
Attenzione al perimetro: sono stime globali riferite al 2022, non dati sulle mense italiane e nemmeno sui risultati di Hoooly Food. Servono a capire la rilevanza del problema, non a certificare l’efficacia di un prodotto.
Per approfondire, qui sotto trovi la presentazione del rapporto, collegata dalla pagina ufficiale dell’evento UNEP. Il video è in inglese.
Un piatto avanzato non spiega perché è avanzato
Immaginiamo, come esempio, che una mensa registri molti avanzi di broccoli. Il dato può suggerire una verifica. Non dimostra automaticamente che i broccoli non piacciano: potremmo dover controllare porzioni, cottura, temperatura o organizzazione del servizio.
Confondere una traccia osservabile con la sua causa è una scorciatoia pericolosa. Un algoritmo può aiutare a trovare regolarità; l’interpretazione richiede confronto con cuochi, personale e utenti.
Proporrei inoltre di distinguere almeno tre flussi: scarti di preparazione, cibo preparato ma non servito e avanzi nei piatti. Un sistema concentrato sul rientro dei vassoi osserva una parte del processo. Per decidere quanto preparare domani, vorrei collegare quel dato anche a presenze, prenotazioni e quantità effettivamente servite.
«Azzerare gli scarti» è un obiettivo, non un risultato dimostrato
Nel comunicato ricorrono espressioni molto ambiziose, dall’eliminazione dello spreco alla precisione scientifica. Il documento, però, non riporta una sperimentazione con numero di mense coinvolte, durata, confronto iniziale e finale o percentuali di riduzione.
Anche la presentazione di una tecnologia come brevettata non documenta, da sola, il risparmio ottenuto sul campo. Per valutare questo progetto chiederei:
- Scarti per pasto servito: come cambiano prima e dopo l’intervento, distinguendo i diversi flussi?
- Attendibilità delle stime: quanto si discostano i valori ricavati dalle immagini da pesature di controllo?
- Costi e lavoro: qual è il risparmio netto, considerando anche installazione, servizio e gestione?
- Qualità del pasto: gli scarti diminuiscono mantenendo adeguatezza delle porzioni e soddisfazione degli utenti?
Sono criteri che proporrei per un progetto pilota, non risultati già ottenuti da Vivenda e Ganiga. Una sperimentazione utile dovrebbe confrontare periodi e condizioni comparabili, spiegando anche che cosa è cambiato nel menù e nel servizio.
L’AI utile si riconosce dalle decisioni che migliora
Questo caso mi interessa perché offre un buon punto di partenza per parlare di AI in azienda: un problema riconoscibile, informazioni da raccogliere, persone che devono decidere e risultati da verificare.
Una dashboard piena di grafici serve a poco se nessuno modifica il processo. L’esperimento diventa interessante quando una cucina cambia una preparazione o una porzione, misura ciò che succede e conserva la modifica solo se funziona.
È l’approccio che propongo nei miei corsi su AI, agenti e comunicazione digitale: partire dalle attività e dagli obiettivi, scegliere gli strumenti, verificare gli effetti.
Hoooly Food merita attenzione come proposta tecnologica. Per capire se manterrà le promesse, serviranno dati sul campo. E il dato più convincente sarà il cibo che riusciremo a evitare di buttare.
Vuoi portare questo approccio nella tua azienda o nel tuo ente? Raccontami il progetto nel modulo di contatto: possiamo costruire un percorso di formazione a partire dai vostri processi e obiettivi.
Si parte chiedendo a un chatbot di scrivere un’email. Poi si scopre che può aiutare a confrontare due prodotti, leggere un manuale, preparare una visita commerciale. A quel punto la domanda cambia: come posso inserire queste attività nel mio lavoro, senza ricominciare ogni volta da zero?
È la riflessione che porto a casa dalla prima edizione dell’AI Academy di Odpiù, il percorso che ho tenuto per i rivenditori. Nel post dedicato alla chiusura dell’Academy, Odpiù racconta che i feedback esprimono il desiderio di approfondire: agenti AI, automazione delle email, documenti, magazzino e nuove opportunità commerciali.
Questo interesse suggerisce una direzione per la formazione: partire da un problema riconoscibile, sperimentare e capire quale passo fare dopo. Non dimostra, da solo, un aumento della produttività. Quello va misurato sul lavoro reale.
Che cosa abbiamo affrontato nell’AI Academy Odpiù
Come racconta Odpiù nel resoconto del primo incontro, il percorso è iniziato dai fondamentali e dall’utilizzo pratico degli strumenti, con i partecipanti al PC. Nel secondo appuntamento abbiamo lavorato su cataloghi e listini, confronto tra prodotti, manuali tecnici, report commerciali e assistenza.
Il tema prosegue un ragionamento che avevo già proposto nel mio intervento a Expood 2026 sull’AI nella distribuzione office: ripensare le attività che stanno intorno alla vendita. Le applicazioni qui sotto sono esempi da sperimentare, non un elenco di sistemi già implementati da Odpiù.
AI per rivenditori: cinque applicazioni da provare
1. Confrontare prodotti e listini con criteri espliciti
Un cliente deve scegliere una stampante. Prima di chiedere all’AI quale sia la migliore, raccogli volume di stampa, formato, necessità di colore, connessioni e budget. Fornisci schede tecniche e listino aggiornati, poi chiedi una tabella che confronti i modelli secondo quei criteri.
Il risultato utile è una comparazione verificabile: ogni caratteristica deve rimandare al documento da cui proviene. Prezzi, sconti e disponibilità richiedono un controllo sui sistemi aziendali. Un PDF dell’anno scorso non diventa aggiornato perché lo legge un chatbot.
2. Consultare manuali tecnici per preparare una risposta
Puoi provare a trasformare una richiesta di assistenza in una ricerca mirata nel manuale: individuare la procedura, indicare pagina e sezione, preparare una risposta comprensibile per il cliente. Quando il manuale non contiene l’informazione, la risposta deve segnalarlo.
Qui conta la qualità del materiale fornito. Nell’articolo sul context engineering, Anthropic spiega come selezionare le informazioni pertinenti al compito. Nel nostro esempio significa scegliere il manuale della versione corretta, anziché caricare indiscriminatamente tutti i documenti disponibili.
3. Preparare email commerciali da approvare
Una richiesta di preventivo può diventare una bozza di risposta con riepilogo del bisogno, proposta e domande sulle informazioni mancanti. Puoi configurare un assistente con tono aziendale, modelli approvati e condizioni commerciali consultabili.
Il primo esperimento che suggerisco è semplice: preparazione automatica della bozza, approvazione umana dell’invio. Definisci quali prezzi può usare e quali promesse non può fare. L’automazione diventa utile quando rispetta le regole con cui lavori.
4. Trasformare dati e appunti in report commerciali
Parti da un’esportazione delle vendite e dagli appunti delle visite. Chiedi un riepilogo per cliente, le variazioni osservabili e le domande da approfondire. Fai distinguere sempre i dati dalle interpretazioni: un calo degli ordini non dimostra che il cliente sia passato a un concorrente.
Per totali, margini e confronti numerici usa calcoli verificabili in un foglio elettronico o nel gestionale. Affida all’AI il compito di spiegare i risultati e preparare il confronto commerciale, controllando che il testo corrisponda ai numeri.
5. Usare i dati di magazzino per preparare decisioni
Nel post conclusivo, il magazzino compare tra gli ambiti che i partecipanti desiderano approfondire. Un possibile progetto pilota consiste nel leggere un’esportazione di giacenze e movimenti, applicare criteri concordati e preparare un elenco di articoli da verificare.
Le quantità di riordino richiedono dati su domanda, tempi di consegna e vincoli. Un chatbot generico non sostituisce un gestionale. Può aiutare a consultarlo e a spiegare anomalie, se dispone di dati adeguati e di accessi progettati per quel compito.
Dal prompt all’agente: scegliere il livello giusto
Per orientarsi uso il metodo 4A, descritto nella pagina dei miei corsi su AI e agenti: automatismi, azioni programmate, assistenti e agenti. Lo propongo come criterio pratico per scegliere quanto delegare.
| Livello | Esempio per un rivenditore | Controllo da prevedere |
|---|---|---|
| Automatismo | Trasferire campi di un ordine con regole definite | Verifica dei campi ed eccezioni |
| Azione programmata | Preparare il riepilogo delle vendite ogni lunedì | Data di aggiornamento e completezza |
| Assistente | Consultare manuali e preparare risposte | Fonti e revisione della bozza |
| Agente | Consultare più strumenti e preparare una proposta in più passaggi | Permessi, limiti e approvazioni |
La distinzione è coerente con Building effective agents di Anthropic: nei workflow i passaggi sono predefiniti; negli agenti il modello può decidere come procedere e quali strumenti usare. Maggiore autonomia introduce anche maggiore complessità.
La guida pratica di OpenAI alla costruzione degli agenti invita a procedere per gradi e a valutare se un processo richieda davvero un agente. Se bastano regole stabili o un buon assistente documentale, partire da lì può rendere il progetto più facile da verificare.
Un esercizio da fare con una richiesta reale
Scegli una richiesta commerciale ricorrente e anonimizzata, insieme alle schede tecniche e al listino che sei autorizzato a utilizzare. Prova questo prompt:
Agisci come assistente di un rivenditore di soluzioni per ufficio. Ti fornisco una richiesta cliente, schede tecniche e listino. Individua i requisiti espliciti e le informazioni mancanti. Confronta solo i prodotti presenti nei documenti, indicando la fonte di ogni caratteristica. Prepara una bozza di risposta al cliente. Non inventare prezzi, disponibilità, sconti o tempi di consegna. Segnala ciò che richiede verifica e non inviare alcun messaggio.
Confronta il lavoro assistito con quello abituale: tempo totale, comprese le correzioni; errori; informazioni mancanti; qualità della proposta. Ripeti la prova su casi diversi prima di decidere se estenderla al team. Il guadagno va cercato dopo la revisione, non soltanto nella velocità della prima bozza.
Un esempio di assistente che usa una voce
Per vedere un’altra applicazione concreta, in questo video mostro come ho creato un agente vocale sul mio sito. È un progetto distinto dall’Academy Odpiù, utile per ragionare su come rendere accessibili informazioni e servizi.
La prossima domanda da portare in azienda
Dall’esperienza con Odpiù ricavo una proposta: scegliere un’attività ripetuta, definire cosa significa svolgerla bene e progettare un piccolo esperimento. Il desiderio di approfondire diventa così un progetto valutabile, con documenti, responsabilità e criteri di successo.
Per un rivenditore, una rete vendita o una PMI, il prossimo passo può essere questo: individuare insieme al team un processo su cui provare l’AI e decidere come controllarne il risultato.
Vuoi un percorso pratico di AI per la tua azienda?
Progetto corsi e laboratori su ChatGPT, analisi documentale, assistenti e agenti AI, adattando gli esempi alle attività dei partecipanti. Raccontami il tuo settore, chi vuoi coinvolgere e il problema su cui vorresti lavorare.
Di Gianluigi Bonanomi · Verifica aggiornata al 13 ottobre 2026
Un data center viene colpito, una curva precipita e qualcuno vede finalmente la prova: dietro il consenso online di certi movimenti politici europei ci sarebbero server russi. Spenti quelli, spariti i sostenitori. È una storia potente. Ha un evento concreto, un grafico e un colpevole. Le manca però il passaggio decisivo: dimostrare che il grafico misuri proprio ciò che gli stiamo facendo dire.
La domanda merita attenzione, perché mette insieme guerra, infrastrutture digitali, propaganda e intelligenza artificiale. Ma il punto interrogativo nel titolo va preso sul serio. Le fonti verificate non dimostrano che gli attacchi a Yandex abbiano stroncato i bot politici attivi in Europa. E una diminuzione del traffico automatizzato non basta a sostenere questa conclusione.
Gli attacchi a Yandex sono confermati
Reuters ha documentato gli attacchi dell’8 e 9 ottobre 2026 ai data center Yandex di Sasovo e della regione di Kaluga. Secondo le dichiarazioni riportate dall’agenzia, il primo è stato fermato e il secondo parzialmente messo fuori uso.
L’11 ottobre, Reuters ha riferito un terzo attacco nella regione di Vladimir: Yandex ha annunciato lo spegnimento completo del centro e l’indisponibilità di alcuni servizi.
Questi sono fatti documentati. Attribuire a quelle interruzioni la fine di una rete di propaganda europea è invece un’altra affermazione, che richiede altre prove. Un’infrastruttura danneggiata ci dice che qualcosa può aver smesso di funzionare. Non identifica automaticamente le attività coinvolte, i loro responsabili o i loro destinatari.
Yandex e bot politici: la parola che genera l’equivoco
Nel linguaggio comune, “bot russo” richiama un profilo finto che pubblica slogan e amplifica messaggi politici. In una dashboard tecnica, “bot” può indicare tutt’altro. La documentazione di Cloudflare distingue programmi automatizzati con funzioni diverse: ricerca e indicizzazione, raccolta di dati per addestrare modelli e attività di agenti che operano per conto di una persona.
In particolare, Cloudflare descrive YandexBot come il principale robot di indicizzazione del motore di ricerca Yandex. Il suo compito dichiarato è raccogliere pagine per la ricerca. La sua etichetta non identifica una rete di account politici.
| Elemento osservato | Che cosa indica | Che cosa non dimostra da solo |
|---|---|---|
| Crawler di ricerca | Un programma visita pagine per indicizzarle. | La presenza di profili che fanno propaganda. |
| Traffico automatizzato | Richieste attribuite a software. | L’obiettivo politico di quelle richieste. |
| Account politico automatizzato | Un profilo svolge attività attraverso software. | Chi lo controlla e chi lo finanzia. |
| Interruzione di una rete | Una parte dell’infrastruttura non comunica normalmente. | La cessazione di tutte le operazioni di influenza. |
È come vedere diminuire i furgoni in una strada e concludere che sia finito il contrabbando. Prima bisogna sapere quali furgoni, che cosa trasportavano e dove stavano andando.
Che cosa misurano davvero i grafici Cloudflare
La pagina Cloudflare Radar dedicata ad AS13238, la rete Yandex, riporta traffico e richieste HTTP, con una distinzione fra attività automatizzata e umana. Non è un contatore di post favorevoli all’AfD o ad altri partiti. Inoltre, traffico di una rete e attività di uno specifico crawler sono misure diverse: anche fra grafici tecnici non possiamo cambiare oggetto senza accorgercene.
Per sostenere una tesi politica servirebbero dati sulle piattaforme, sugli account e sui contenuti. Quanti profili sono diventati inattivi? Erano già stati identificati come parte di una campagna coordinata? Quali messaggi pubblicavano? Esiste un collegamento verificato con l’infrastruttura colpita?
Senza queste informazioni, una curva in discesa resta una curva in discesa. Il fatto che compaia il nome di un’azienda russa non le attribuisce un significato politico.
Il grafico sull’AfD non offre una prova affidabile
Il 12 ottobre, The Verge ha ricostruito la circolazione di un grafico associato all’AfD. La provenienza dei dati non risulta stabilita; vengono segnalate anomalie temporali e un sospetto di generazione con AI. Quel sospetto non è una verifica definitiva dell’origine dell’immagine.
La distinzione conta: non serve dimostrare come sia stata prodotta un’immagine per riconoscere che non può sostenere una conclusione se mancano dati verificabili e metodo. Un grafico dovrebbe permettere di risalire al dataset, alle definizioni, all’intervallo temporale e al procedimento di analisi. La veste professionale non sostituisce nessuno di questi elementi.
Le operazioni russe di influenza sono documentate, ma non provano questa storia
Contestare questo collegamento non significa negare il problema. Il terzo rapporto del Servizio europeo per l’azione esterna, pubblicato nel marzo 2025, mappa infrastrutture usate da attori stranieri, soprattutto Russia e anche Cina, per manipolare lo spazio informativo dell’Unione europea e dei Paesi partner.
Un caso concreto compare nel comunicato del Dipartimento di Giustizia degli Stati Uniti del 9 luglio 2024: sequestro di due domini e mandati di perquisizione relativi a 968 account social. Secondo gli atti citati, la rete usava AI per creare false identità e diffondere messaggi favorevoli agli obiettivi del governo russo.
Qui troviamo account, infrastrutture e un’attribuzione motivata. È il tipo di documentazione da cercare. Non dimostra però che quella rete dipendesse dai data center Yandex colpiti nell’ottobre 2026.
Bisogna anche evitare un salto politico: “sovranista” ed “estremista” non sono sinonimi. Un’attività online favorevole a un partito non dimostra che il partito la controlli. E l’esistenza di manipolazioni non autorizza a considerare artificiale tutto il suo consenso. Ogni attribuzione richiede prove specifiche.
Che cosa servirebbe per collegare bombardamenti e bot politici
Per verificare l’ipotesi proporrei cinque controlli:
- Definire il campione: quali account, piattaforme, Paesi e movimenti politici?
- Motivare la classificazione: perché quei profili sarebbero automatizzati e parte di una rete coordinata?
- Documentare l’infrastruttura: quali elementi li collegano ai sistemi colpiti?
- Confrontare prima e dopo: con date, fusi orari e criteri di raccolta coerenti.
- Verificare spiegazioni alternative: sospensioni degli account, variazioni nella raccolta dei dati, altre interruzioni o cambiamenti nell’attività della campagna.
La contemporaneità renderebbe l’ipotesi interessante. Non basterebbe a dimostrarla. Anche un calo reale di messaggi politici andrebbe spiegato prima di attribuirlo a uno specifico attacco.
Un video per distinguere notizie, opinioni e prove
Per approfondire il metodo, propongo la lezione TED-Ed di Damon Brown How to choose your news. È una risorsa sull’alfabetizzazione ai media, non una prova sul caso Yandex.
Un ottimo esercizio di alfabetizzazione digitale
Porterei questo caso in un laboratorio: un titolo, un grafico e la domanda “quale passaggio non è dimostrato?”. È un esercizio utile anche quando usiamo l’AI per analizzare documenti. Chiederei al chatbot di separare osservazioni, interpretazioni e prove mancanti, poi controllerei ogni riferimento.
Un prompt da provare: “Analizza questa affermazione senza presupporre che sia vera. Identifica il fenomeno misurato, le fonti primarie e le prove necessarie per sostenere il nesso causale. Se un dato manca, segnalalo; non ricostruirlo per plausibilità.”
È un’attività che si può integrare nei miei corsi su AI e comunicazione digitale. L’obiettivo è imparare a formulare domande migliori e a riconoscere quando una risposta convincente ha superato le prove disponibili.
Al 13 ottobre 2026, possiamo parlare di attacchi confermati ai data center Yandex. Possiamo parlare di operazioni russe di influenza documentate. Non possiamo saldare le due cose e annunciare che siano stati stroncati i bot a sostegno dei movimenti estremisti e sovranisti europei.
La disinformazione va verificata anche quando la notizia che la riguarda ci piace. Altrimenti rischiamo di combatterla condividendo un’altra storia non dimostrata.
Vuoi un corso su AI, verifica delle fonti e comunicazione digitale?
Scrivimi per progettare un laboratorio pratico per la tua azienda o il tuo ente.
Chiedi a un chatbot un dato che non conosce davvero. Invece di fermarsi, spesso costruisce una risposta plausibile, la rifinisce con tono sicuro e te la consegna come se avesse appena consultato un’enciclopedia. È un problema che chi usa ChatGPT, Gemini, Claude o Copilot incontra prima o poi. Ma la premessa va corretta: i chatbot a volte dicono «non lo so». Il punto è che non riconoscono sempre in modo affidabile quando dovrebbero dirlo.
La spiegazione non è che l’intelligenza artificiale “mente” con intenzione. Dipende da come vengono addestrati i modelli, da come stimano la propria incertezza e da quali risposte i sistemi di valutazione tendono a premiare.
Un chatbot genera la risposta più probabile, non consulta un archivio di fatti verificati
Un modello linguistico di grandi dimensioni (LLM) viene pre-addestrato, in sintesi, a prevedere quale token abbia più probabilità di venire dopo una sequenza di testo. Impara regolarità linguistiche e associazioni dai dati di addestramento, che possono contenere informazioni corrette, errori, contraddizioni e contenuti ormai superati. Questa capacità produce risposte fluenti, ma la probabilità che una frase suoni coerente non coincide con la probabilità che sia vera.
Nel rapporto tecnico di GPT-4, OpenAI descrive proprio questa differenza: il pre-addestramento insegna a prevedere la continuazione del testo; il post-addestramento, incluso il reinforcement learning from human feedback (RLHF), orienta il modello a seguire meglio le istruzioni e a comportarsi da assistente. Non significa però che il chatbot acquisisca un rilevatore infallibile della verità o un accesso diretto a una banca dati completa e aggiornata.
Cosa succede durante l’addestramento
Dopo il pre-addestramento, una fase di fine-tuning supervisionato può mostrare al modello esempi di conversazioni desiderabili. In seguito, valutatori umani possono confrontare più risposte e indicare quali preferiscono; un modello di ricompensa e tecniche di ottimizzazione come RLHF aiutano a rendere più probabili le risposte giudicate migliori. I dettagli cambiano tra fornitori e modelli, e spesso non sono pubblici: non esiste una ricetta unica per tutti i chatbot.
Qui nasce un compromesso delicato. Una risposta dettagliata, diretta e ben scritta può apparire più utile di un rifiuto o di una dichiarazione d’incertezza. Ma una risposta cauta può essere la scelta giusta se mancano dati. Nel post che presentava ChatGPT, OpenAI indicava esplicitamente tre difficoltà: durante l’RLHF non c’è sempre una fonte di verità con cui confrontare la risposta; addestrare il modello a essere più prudente può indurlo a rifiutare anche domande a cui saprebbe rispondere; e l’esempio scritto da un dimostratore umano può non riflettere ciò che il modello stesso conosce.
In più, un modello non possiede necessariamente una stima ben calibrata della propria competenza. Può avere appreso un fatto ma non sapere di saperlo, oppure produrre una risposta sicura senza basi sufficienti. Il tono è parte della generazione linguistica, non un certificato di accuratezza.
Cosa dicono gli studi sulle risposte sbagliate e sull’incertezza
Nel 2022, Stephanie Lin, Jacob Hilton e Owain Evans hanno presentato TruthfulQA, un benchmark di 817 domande in 38 categorie, progettato per far emergere risposte che ripetono convinzioni errate diffuse. Nei modelli testati allora, il migliore era veritiero nel 58% delle risposte, contro il 94% ottenuto dalle persone. Sono risultati di modelli di quel periodo, non una classifica degli assistenti disponibili oggi; mostrano però perché imitare il testo umano non basta per distinguere un fatto da un luogo comune falso.
La difficoltà di stimare l’incertezza è stata studiata anche da Zhengbao Jiang e colleghi in una ricerca pubblicata su Transactions of the Association for Computational Linguistics. Esaminando T5, BART e GPT-2 in compiti di domanda e risposta, gli autori hanno rilevato che le probabilità dei modelli non erano ben calibrate rispetto alla correttezza. In altre parole, una maggiore sicurezza numerica non corrispondeva in modo affidabile a una maggiore probabilità di avere ragione.
Un lavoro di Anthropic del 2022, “Language models (mostly) know what they know”, ha mostrato che alcuni modelli possono stimare se una risposta proposta sia corretta e che è possibile addestrarli a stimare la probabilità di “sapere” la risposta. Gli autori hanno però rilevato difficoltà di calibrazione quando la stima viene trasferita a compiti nuovi. Quindi la metacognizione artificiale è possibile, ma non si attiva come un interruttore universale.
Nel 2024, un articolo pubblicato agli atti dell’Association for Computational Linguistics ha studiato come identificare le lacune di conoscenza e astenersi dal rispondere. Gli approcci di collaborazione tra modelli hanno migliorato, in alcuni esperimenti, l’accuratezza dell’astensione fino al 19,3% rispetto alla baseline più forte. È una prova che si può insegnare ai sistemi a fermarsi meglio, ma anche che l’autovalutazione del singolo modello non sempre basta.
Un’analisi pubblicata su Nature nel 2026 aggiunge un punto sugli incentivi: se un benchmark premia soprattutto le risposte corrette e penalizza l’astensione, i modelli e i team che li sviluppano ricevono una spinta a indovinare. In uno studio con quattro modelli di frontiera, gli autori mostrano come cambiano le risposte quando la valutazione riconosce il valore del «non lo so». La metrica scelta può dunque influenzare il comportamento che si cerca di migliorare.
Come ottenere risposte più oneste: cinque rimedi pratici
- Imposta una regola di astensione. Scrivi: «Se non hai elementi sufficienti, dichiaralo. Non completare i vuoti con ipotesi presentate come fatti».
- Fornisci le fonti e delimita il perimetro. Per un documento o una procedura, allega il testo e chiedi di rispondere solo sulla base di quel materiale, indicando il passaggio che sostiene ogni affermazione. Chiedi esplicitamente di segnalare ciò che non è presente nei documenti.
- Separa fatti, inferenze e informazioni mancanti. Chiedi tre sezioni distinte: “documentato”, “dedotto” e “non verificabile con i dati disponibili”. Questa struttura rende più visibili i salti logici.
- Per i fatti aggiornati, attiva ricerca e fonti primarie. Specifica una data di riferimento e chiedi link a leggi, documentazione ufficiale, paper o pagine istituzionali. Un modello senza ricerca web non può verificare un cambiamento recente solo perché gli viene chiesto di farlo.
- Controlla le affermazioni importanti fuori dalla chat. Un secondo modello può aiutare a individuare incongruenze, ma può condividere gli stessi errori. Per decisioni professionali o dati rilevanti, verifica la fonte originale o usa uno strumento deterministico, e chiedi una revisione umana quando il rischio lo giustifica.
Prompt da riutilizzare:
Rispondi usando solo le informazioni supportate dalle fonti che ti fornisco o che puoi verificare. Per ogni affermazione fattuale importante indica la fonte e il passaggio rilevante. Distingui i fatti dalle inferenze. Se i dati non bastano, scrivi chiaramente «non lo so con le informazioni disponibili» e indica quale elemento servirebbe per rispondere. Non inventare citazioni o riferimenti.
La frase «dimmi quanto sei sicuro» può aiutare a capire dove il chatbot avverte un dubbio, ma non va presa come una misura oggettiva: gli studi sulla calibrazione mostrano che le stime di confidenza possono essere inaffidabili, soprattutto in domini o compiti diversi da quelli su cui sono state valutate.
Per chi progetta un assistente: misurare anche quando si ferma
Un sistema affidabile non dovrebbe essere valutato soltanto sul numero di risposte corrette. Serve misurare anche quante volte risponde quando le prove sono insufficienti, quante volte si astiene a torto e quanto rischio rimane tra le risposte che ha scelto di dare. In letteratura questo compromesso viene spesso descritto come selezione tra copertura e rischio: rispondere a meno domande può abbassare gli errori, ma l’astensione deve essere mirata e utile.
In un assistente aziendale, si può restringere la risposta alle fonti approvate, collegare il sistema a documenti aggiornati, mostrare i riferimenti, impostare soglie di escalation e passare a una persona i casi incerti o ad alto impatto. Il lavoro ACL sulla collaborazione tra modelli e il recente studio su Nature indicano entrambi che astensione ed evidenze vanno progettate e valutate, non affidate a una formula magica nel prompt.
Un video utile per approfondire
Adam Kalai dell’Institute for Advanced Study spiega perché l’addestramento e i criteri di valutazione possono incoraggiare i modelli a indovinare invece di astenersi.
Domande frequenti
I chatbot mentono quando inventano una risposta?
Di norma non nel senso umano di mentire con un’intenzione consapevole. Generano testo plausibile senza garantire che ogni affermazione sia verificata. Per questo si parla di allucinazione o confabulazione.
Chiedere «dimmi se non lo sai» risolve il problema?
Può ridurre alcune risposte inventate, soprattutto se si forniscono fonti e si chiarisce quando astenersi. Non garantisce però che il modello riconosca tutti i propri limiti: le istruzioni migliorano il comportamento, non trasformano la stima di sicurezza in una verifica infallibile.
Qual è il modo più sicuro di usare un chatbot per una ricerca?
Usalo per orientarti, organizzare domande e confrontare ipotesi; chiedi evidenze verificabili; controlla i riferimenti nelle fonti originali. Per informazioni recenti usa ricerca web e indica la data. Per decisioni ad alto impatto, non delegare il controllo finale al chatbot.
La risposta migliore a volte è fermarsi
Un assistente utile non è quello che riempie ogni silenzio. È quello che sa distinguere una risposta sostenuta dai dati da un’ipotesi ben confezionata, e che rende visibile la differenza. Fino a quando questa capacità non sarà abbastanza affidabile, la regola pratica resta semplice: chiedi prove, fornisci contesto e verifica ciò che conta.
Se stai progettando un corso, un assistente AI o un percorso di formazione su questi temi, raccontami il tuo progetto.
Dal 23 ottobre 2026 l’Italia avrà nuove regole nazionali per accompagnare l’applicazione dell’AI Act. Il decreto legislativo 7 ottobre 2026, n. 179 riguarda i poteri delle autorità nazionali e l’uso dell’intelligenza artificiale nella formazione, nella scuola, nella pubblica amministrazione, nel lavoro e in altri settori.
Il titolo può far pensare a un manuale completo per usare ChatGPT in classe o in ufficio. Non è così. Il decreto combina regole operative, indirizzi e deleghe: in alcuni casi fissa già principi e obblighi; in altri rimanda a decreti attuativi e linee guida. Per capire che cosa cambia conviene guardare agli articoli, senza trasformare ogni passaggio in una nuova “rivoluzione dell’AI”.
Decreto IA 179/2026: cosa cambia a scuola
L’articolo 36 consente alle scuole di promuovere attività formative sull’intelligenza artificiale nell’ambito della propria autonomia e in coerenza con l’educazione civica. L’obiettivo dichiarato è sviluppare, fin dal primo ciclo, conoscenze e capacità per usare l’IA in modo consapevole e valutarne le implicazioni etiche, sociali e civiche.
Il decreto apre anche alla didattica STEAM, cioè all’integrazione tra scienze, tecnologia, ingegneria, arte e matematica, e prevede l’aggiornamento delle indicazioni nazionali e delle linee guida pertinenti. Il testo, però, non introduce un programma identico e obbligatorio per tutte le scuole: le attività si collocano nell’autonomia scolastica e nel PTOF.
L’articolo 38 prevede che un decreto del Ministero dell’Istruzione definisca criteri e modalità per la formazione dei docenti, da adottare entro 90 giorni dall’entrata in vigore del provvedimento. La formazione dovrà occuparsi anche di rischi, distorsioni, privacy, sicurezza, valutazione critica delle informazioni e progettazione didattica. Fino all’adozione del nuovo decreto restano applicabili le linee guida ministeriali del 2025.
Gli Uffici scolastici regionali possono promuovere comitati tecnico-etici territoriali, non sono obbligati a istituirli. Tra i compiti possibili: sostenere la sperimentazione, monitorare gli usi didattici e aiutare le scuole ad aggiornare regolamenti e patti educativi. La direzione è sensata: insegnare a interrogare e verificare i sistemi, non limitarsi a vietarli o a consegnare agli studenti un elenco di prompt. La legge da sola, però, non forma nessuno: serviranno docenti preparati, tempo, strumenti adeguati e regole comprensibili anche alle famiglie.
Per approfondire il tema della tecnologia in classe, si può leggere anche la mia guida per insegnanti e famiglie sull’uso consapevole dell’intelligenza artificiale a scuola.
Alfabetizzazione AI anche per gli adulti
L’articolo 39 affida ai Centri provinciali per l’istruzione degli adulti (CPIA) un ruolo nell’alfabetizzazione degli adulti all’uso dell’IA. I percorsi potranno includere laboratori, attività pratiche e riconoscimento delle competenze acquisite, anche per sostenere l’inserimento o il reinserimento nel lavoro.
È un punto meno appariscente del capitolo sulla scuola, ma importante: l’alfabetizzazione digitale non riguarda soltanto chi è già in aula o lavora in un’azienda tecnologica. Se l’IA entra nei servizi, nella ricerca di lavoro e nelle attività quotidiane, lasciare indietro gli adulti con meno opportunità di formazione allargherebbe il divario digitale.
Intelligenza artificiale nella Pubblica Amministrazione
Per la pubblica amministrazione il decreto prevede un coordinamento delle politiche di reclutamento, formazione e riqualificazione del personale. Il Ministro per la Pubblica amministrazione dovrà definire un quadro minimo di competenze sull’IA e potrà avvalersi della Scuola nazionale dell’amministrazione, di Formez PA e di altri soggetti.
La formazione, dunque, è una parte della trasformazione, non un accessorio da aggiungere dopo l’acquisto del software. Un ente può introdurre un assistente per riassumere documenti o preparare bozze; deve comunque decidere chi verifica i risultati, come si gestiscono i dati e dove resta la responsabilità del procedimento.
Qui si innesta anche la legge italiana n. 132 del 2025 sull’intelligenza artificiale: per la PA l’IA è uno strumento di supporto, mentre la persona conserva autonomia e responsabilità sui provvedimenti. Il decreto 179/2026 aggiunge indirizzi e formazione per il personale pubblico, ma non trasforma l’algoritmo nel nuovo responsabile dell’ufficio. Peccato per lui: almeno così non può andare in ferie.
IA e lavoro: le decisioni finali restano umane
L’articolo 41 affronta uno dei punti più delicati: le decisioni che incidono sul rapporto di lavoro. Se un datore utilizza sistemi di IA per valutazioni delle prestazioni, provvedimenti disciplinari o decisioni sulla modifica o cessazione del rapporto, la decisione finale non può essere adottata soltanto sulla base di un trattamento automatizzato. Deve essere riservata a una persona fisica con un potere effettivo e autonomo.
Il decreto precisa che la ricerca e selezione delle candidature non rientrano tra le decisioni finali considerate dal comma. È una distinzione che non va letta come un “liberi tutti” per gli algoritmi di recruiting: restano applicabili gli altri obblighi pertinenti, compresi quelli europei su protezione dei dati e sistemi ad alto rischio.
Il lavoratore può chiedere una motivazione comprensibile della decisione, con indicazione dell’eventuale ruolo dell’IA e dei principali parametri considerati. Il datore deve fornire l’informativa prevista prima dell’avvio del trattamento; le decisioni che violano il requisito dell’intervento umano effettivo sono dichiarate nulle dal testo. Il consenso del lavoratore, inoltre, non è una scorciatoia per aggirare il divieto.
La regola si affianca alle tutele del Regolamento generale sulla protezione dei dati (GDPR), in particolare l’articolo 22, e alla disciplina italiana già prevista per l’uso di sistemi automatizzati nel lavoro. Non basta inserire un responsabile umano nella procedura: quel responsabile deve poter capire, contestare e modificare il risultato, invece di limitarsi a timbrarlo.
La sicurezza sul lavoro entra nella valutazione dei rischi
L’articolo 42 collega l’introduzione dell’IA nei luoghi di lavoro alla tutela della salute e della sicurezza. Se un sistema incide sull’organizzazione, sui ritmi produttivi, sulle modalità di esecuzione della prestazione o su processi rilevanti per la sicurezza, va considerato nella valutazione dei rischi prevista dal decreto legislativo 81/2008. I lavoratori devono inoltre ricevere informazione e formazione sui rischi specifici e sulle misure di prevenzione.
Installare un sistema che assegna turni, misura tempi o influenza procedure operative non è solo una scelta informatica. Può cambiare il lavoro delle persone e i rischi a cui sono esposte. Questi aspetti vanno valutati, non scoperti dopo il primo problema.
Sanità e professioni: attenzione alle regole attuative
Il decreto contiene anche disposizioni settoriali. Per la sanità, la normativa prevede una piattaforma di IA gestita da AGENAS, con servizi di supporto per professionisti sanitari, medici e utenti. I suggerimenti destinati ai professionisti sono descritti come non vincolanti: la responsabilità clinica non viene trasferita alla piattaforma.
Per professioni e altri ambiti, varie disposizioni si inseriscono nel quadro della legge 132/2025 e dei decreti delegati. Per questo è prudente distinguere fra ciò che la norma stabilisce già e ciò che dovrà essere precisato da linee guida, decreti e regole di settore. Il testo europeo dell’AI Act rimane il riferimento comune; il decreto italiano ne organizza l’attuazione nazionale e disciplina alcuni contesti specifici.
Che cosa possono fare subito scuole, enti e aziende
Il decreto non impone a ogni organizzazione lo stesso corso o lo stesso strumento. Offre però una traccia concreta per prepararsi:
- Mappare gli usi dell’IA: quali sistemi vengono utilizzati, da chi e per quali attività.
- Chiarire i ruoli: chi controlla gli output, chi prende le decisioni e chi risponde degli errori.
- Formare in base ai compiti e ai rischi: non basta una dimostrazione generica del chatbot.
- Rivedere privacy, sicurezza e procedure: soprattutto quando sono coinvolti dati personali o decisioni sulle persone.
- Documentare le regole interne: uso consentito, verifiche richieste, limiti e modalità per segnalare problemi.
- Seguire gli atti attuativi: alcuni dettagli dipendono da decreti e linee guida ancora da adottare.
Per le aziende, il principio europeo di alfabetizzazione sull’IA è già previsto dall’articolo 4 dell’AI Act: chi fornisce o utilizza sistemi deve adottare misure per sostenere un livello adeguato di competenze tra le persone coinvolte. Il nuovo decreto aggiunge regole italiane per ambiti specifici, come scuola, PA, lavoro e sicurezza.
Ho approfondito il tema della formazione nell’articolo “Formazione AI obbligatoria in azienda: cosa chiede l’AI Act e come prepararsi”. Per un percorso operativo, consulta anche i miei corsi di AI generativa e AI literacy per aziende, professionisti, enti e scuole.
La legge stabilisce il perimetro, la formazione farà la differenza
Il decreto legislativo 179/2026 non rende automaticamente più competenti scuole, amministrazioni o imprese. Definisce però una direzione: l’IA va accompagnata da competenze, attenzione ai diritti e responsabilità umana, soprattutto quando incide su istruzione, lavoro e servizi pubblici.
La prova concreta arriverà nell’attuazione: nei decreti ministeriali, nelle linee guida, nei regolamenti interni e nella qualità della formazione. È lì che si capirà se l’alfabetizzazione sull’IA diventerà una competenza utile o resterà una voce elegante nei documenti. Perché saper aprire un chatbot è facile; capire quando non fidarsi della sua risposta richiede ancora un po’ di lavoro.
Parliamo di AI in azienda
Se la tua organizzazione sta introducendo strumenti di intelligenza artificiale, posso aiutarti a progettare un percorso di formazione concreto per dipendenti e manager, oppure a portare questi temi in un evento o in un progetto di consulenza. Raccontami di cosa hai bisogno: ti risponderò per valutare insieme il passo successivo.