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:
Succede sempre più spesso: qualcuno mostra una demo in cui un agente AI legge le email, aggiorna il CRM, prepara una presentazione e prenota una riunione. A quel punto parte la domanda: “Possiamo averne uno anche noi?”.
La domanda giusta, però, è un’altra: in quale processo un agente AI crea più valore di una normale automazione? In azienda gli agenti AI servono quando il percorso non è completamente prevedibile, occorre interpretare informazioni, scegliere tra più strumenti e gestire eccezioni. Se i passaggi sono fissi e le regole sono chiare, un workflow tradizionale è spesso più economico, veloce e controllabile.
Questa distinzione è il punto di partenza dell’articolo di Digital4 “C’è un agent per tutto. Ma non tutto ha bisogno di un agent”. Un tema molto attuale: oggi costruire una demo è relativamente facile; trasformarla in uno strumento affidabile è tutto un altro lavoro.
Un agente AI è un sistema capace di perseguire un obiettivo, osservare ciò che succede, decidere il passo successivo e utilizzare strumenti: per esempio un motore di ricerca, un database, la posta elettronica, un foglio Excel o un gestionale.
La differenza rispetto a un chatbot non è che “scrive meglio”. La differenza è che può agire. E la differenza rispetto a un workflow è che non deve per forza seguire sempre la stessa strada.
Anthropic distingue chiaramente workflow e agenti: nei primi, modelli e strumenti vengono orchestrati attraverso percorsi definiti in anticipo; nei secondi, è il modello a decidere dinamicamente come procedere. Anche la guida pratica di OpenAI alla costruzione degli agenti suggerisce di partire da processi in cui regole rigide e automazioni deterministiche non bastano.
Non tutti i problemi aziendali richiedono lo stesso grado di autonomia. Prima di aggiungere la parola “agentico” a una presentazione, conviene usare questa matrice.
Il principio è semplice: usare il livello minimo di autonomia necessario. Più autonomia significa più flessibilità, ma anche più costi, più variabilità e più controlli.
Nei corsi e nei progetti aziendali partirei da cinque domande molto concrete.
Se il processo non supera questo test, aggiungere un agente rischia di automatizzare non il lavoro, ma la confusione.
Immaginiamo un servizio clienti che riceve richieste via email. Un workflow può riconoscere alcune parole e assegnare un’etichetta. Un agente, invece, può leggere la conversazione, consultare la scheda cliente, verificare la policy, cercare un ordine e preparare una risposta o chiedere l’intervento di una persona.
Il valore non sta nel testo prodotto, ma nei passaggi manuali eliminati. Naturalmente l’agente deve avere fonti definite, permessi limitati e regole chiare per l’escalation.
Molte attività aziendali consistono nel fare il giro delle sette chiese digitali: CRM, gestionale, email, fogli, cartelle condivise e piattaforme analytics. Un agente può cercare le informazioni, controllarne la completezza e restituire una sintesi utilizzabile.
Un esempio concreto è il lavoro sui fogli di calcolo. In questo video mostro un agente Genspark che interviene su un file Excel:
Per approfondire, sul blog trovi anche cinque esempi pratici di utilizzo dell’agente Genspark.
L’agente può cercare fonti, confrontare documenti, compilare una bozza e segnalare le anomalie. La persona prende la decisione finale. È un modello molto più realistico del fantomatico collega digitale che sa tutto e non chiede mai aiuto.
Il punto non è sostituire il giudizio, ma recuperare tempo sulle attività preparatorie. Nel video seguente racconto dieci esempi con cui ho misurato un risparmio complessivo di dieci ore in una settimana:
Qui trovi anche l’articolo completo su come recuperare dieci ore alla settimana con l’AI.
Con un agente il prompt conta, ma non basta. Bisogna progettare il contesto: quali dati può vedere, quali fonti deve considerare autorevoli, che cosa deve ricordare, quali strumenti può utilizzare e quando deve fermarsi.
Anthropic parla di context engineering per gli agenti AI: non si progetta soltanto una richiesta, ma l’intero ambiente informativo in cui il sistema deve operare. È un passaggio che approfondisco anche nell’articolo dal prompt al contesto.
Se i documenti sono vecchi, le autorizzazioni sono eccessive o le procedure aziendali si contraddicono, l’agente non risolve il problema. Lo esegue più velocemente.
Un buon progetto non parte dal super-agente aziendale. Parte da un processo piccolo, frequente e misurabile.
Contare le risposte generate serve a poco. Le metriche utili sono legate al lavoro:
Gartner ha previsto che oltre il 40% dei progetti di agentic AI sarà cancellato entro la fine del 2027, citando costi crescenti, valore poco chiaro e controlli del rischio insufficienti. La lezione non è “gli agenti non funzionano”, ma “una demo non è un risultato aziendale”.
Un agente deve essere trattato come un componente operativo, non come un collega infallibile. Servono registri delle azioni, gestione delle identità, limiti di spesa, fonti approvate, valutazioni periodiche e una persona responsabile del processo.
Il Playbook del NIST per la gestione del rischio AI propone azioni organizzate attorno a quattro funzioni: governare, mappare, misurare e gestire. È una buona bussola anche per un progetto piccolo.
Attenzione inoltre alla Shadow AI in azienda: se gli strumenti ufficiali sono assenti o troppo complicati, le persone ne adotteranno altri senza controllo. La governance efficace non è un elenco di divieti; è un modo sicuro per ottenere risultati.
E nei casi delicati bisogna ricordare che l’AI può anche influenzare male le scelte. Ne parlo nell’approfondimento sulle decisioni artificiali in azienda.
Gli agenti AI in azienda possono essere molto utili. Ma la maturità non si misura dal numero di agenti attivati. Si misura dalla capacità di scegliere il processo giusto, assegnare un perimetro chiaro, controllare i risultati e fermarsi quando una soluzione più semplice funziona meglio.
Prima si mette ordine nel processo. Poi si decide che cosa automatizzare. Solo alla fine si valuta quanta autonomia concedere all’AI.
Il futuro del lavoro non sarà popolato soltanto da super-agenti. Sarà fatto soprattutto di buoni strumenti, piccoli automatismi e agenti specializzati che fanno poche cose, verificabili, davvero utili.
Un chatbot risponde principalmente a richieste. Un agente AI può pianificare più passaggi, scegliere strumenti, osservare i risultati intermedi e compiere azioni per raggiungere un obiettivo.
Quando il processo è stabile, i passaggi sono noti, le regole sono chiare e le eccezioni sono poche. In questi casi il workflow è generalmente più semplice, economico e prevedibile.
Processi frequenti, circoscritti e misurabili: classificazione delle richieste, raccolta di dati da più fonti, controllo della completezza dei documenti e preparazione di bozze da approvare.
Può farlo solo in attività a basso rischio, ben testate e facilmente reversibili. Per pagamenti, contratti, decisioni sulle persone o comunicazioni pubbliche è prudente mantenere un’approvazione umana.
Con indicatori operativi: tempo risparmiato, costo per attività, qualità del risultato, errori, escalation, interventi umani e tracciabilità delle azioni.
Mandami un WhatsApp al 339.6325418 per organizzare un corso o una conferenza sull’A.I. generativa.
Le infografiche con ChatGPT sono utili quando bisogna trasformare materiale disordinato, come un menu, un curriculum o una scheda di servizio, in una visualizzazione più leggibile. La condizione è non trattarle come una magia: vanno progettate con un prompt chiaro, controllate nei dettagli e rifinite prima di pubblicarle.
Nel video qui sotto ho fatto due esperimenti molto concreti: un menu di ristorante trasformato in infografica con immagini dei piatti e un curriculum trasformato in una versione visuale, più sintetica e scenografica.
Il punto di partenza era una domanda semplice: se in questi mesi si parla molto di Nano Banana dentro Gemini per creare immagini complesse, ChatGPT è rimasto indietro sulle infografiche?
La risposta, almeno in questi due test, è: mica tanto. Il tema si collega bene anche a un uso più ampio di ChatGPT come strumento operativo: non solo risposte testuali, ma supporto alla riorganizzazione delle informazioni.
Guarda prima il video, perché rende bene l’idea: non parliamo di un’immagine generica, ma di materiali reali trasformati in qualcosa di più leggibile.
Nel primo test ho preso un menu di un ristorante e ho chiesto a ChatGPT di ricrearlo come infografica, aggiungendo anche fotografie dei piatti. Il risultato interessante non è solo estetico: permette di capire meglio cosa si sta per ordinare.
Nel secondo test ho alzato il livello: immagine personale, curriculum e richiesta di trasformare tutto in un curriculum-infografica con uno stile futuristico. Anche qui il risultato è stato sorprendente, soprattutto perché il sistema ha recuperato elementi coerenti, come copertine di libri e competenze presenti online.
Una buona infografica non è un poster carino. Serve a ordinare informazioni, creare gerarchie, far emergere pattern e ridurre lo sforzo cognitivo del lettore.
Nel caso del menu, l’utilità è immediata: invece di leggere solo nomi e descrizioni, il cliente può visualizzare i piatti. Nel caso del curriculum, l’obiettivo cambia: non sostituire il CV tradizionale, ma creare una sintesi visiva utile per una presentazione, un profilo personale, una pagina evento o un contenuto social.
Questo è il passaggio importante: ChatGPT non deve solo “fare un’immagine”. Deve capire quali informazioni sono importanti, quali vanno raggruppate, quali meritano più spazio e quali rischiano di confondere.
Negli ultimi mesi Gemini, con i modelli Nano Banana, è diventato un riferimento forte per generazione e modifica delle immagini. Google descrive Gemini 2.5 Flash Image, noto anche come Nano Banana, come un modello pensato per generazione visuale veloce, editing conversazionale e workflow creativi a bassa latenza.
Questo ha alzato l’asticella: oggi non basta più generare una bella immagine. Serve mantenere coerenza tra testo, oggetti, stile e vincoli del prompt. E le infografiche sono un buon banco di prova, perché contengono testo, layout, dati, icone, immagini e gerarchie visive.
OpenAI, dal canto suo, nelle guide ufficiali di ChatGPT Images spiega che si possono creare immagini descrivendole in chat e modificare immagini generate o caricate dall’utente. Negli annunci più recenti su ChatGPT Images 2.0, OpenAI insiste proprio su testo più leggibile, supporto multilingue e capacità di produrre materiali visuali più rifiniti.
Il metodo più solido non è scrivere “fammi una bella infografica”. Troppo vago. Meglio dividere il lavoro in passaggi. È lo stesso principio che vale quando si evitano gli errori più comuni nei prompt ChatGPT: meno ambiguità all’inizio, meno correzioni dopo.
Può essere una foto, un PDF, un testo, una tabella, un menu, un curriculum o una pagina web. Più il materiale è chiaro, meno l’AI dovrà riempire i buchi con interpretazioni creative.
Un’infografica per Instagram non è uguale a una slide per un corso, a una scheda commerciale o a un poster da stampare. Specifica sempre formato, lettore e contesto.
Prima di generare, conviene chiedere. Può aiutare anche un metodo semplice come il metodo G.O.L. per creare prompt più precisi, soprattutto quando si lavora su materiali destinati a clienti, studenti o colleghi.
Solo dopo si passa alla generazione dell’immagine. Questo riduce errori, testi strani e layout confusi.
La domanda non è “mi piace?”. La domanda è: “si capisce meglio di prima?”.
Nel test del menu, per esempio, il controllo era molto semplice: accanto alla pizza vegetariana c’era davvero un’immagine coerente con una pizza con verdure? Se la risposta è sì, l’infografica sta facendo il suo lavoro. Se la risposta è no, è solo decorazione rumorosa. Questo vale per ChatGPT e vale anche per strumenti che ragionano su immagini, come negli esempi su NotebookLM e il riconoscimento delle immagini.
Puoi partire da una richiesta di questo tipo:
Analizza il materiale allegato e trasformalo in un’infografica chiara per [pubblico]. Prima proponi struttura, titolo, sezioni e gerarchia delle informazioni. Poi genera un’immagine in formato [formato], stile [stile], con testo leggibile in italiano. Non aggiungere informazioni non presenti nel materiale. Se qualcosa non è chiaro, segnalalo invece di inventarlo.
Per un menu, aggiungerei:
Associa ogni piatto a un’immagine coerente con ingredienti e descrizione. Mantieni i nomi dei piatti leggibili. Evita immagini generiche se la descrizione contiene dettagli specifici.
Per un curriculum, invece:
Trasforma il CV in una mappa visuale professionale: competenze, esperienze, libri/progetti, temi ricorrenti, contatti. Non sostituire il CV completo: crea una sintesi visiva da usare in una presentazione o in una pagina profilo.
Le immagini generate con l’AI sono sempre seducenti, ma questo è anche il rischio. Un’infografica può sembrare autorevole anche quando contiene dettagli sbagliati.
Controlla sempre:
Il criterio è sempre lo stesso: l’AI può accelerare la prima versione, ma non può fare da revisore unico del proprio lavoro.
Ci sono almeno cinque casi in cui vale la pena provarci:
Il trucco è non partire dall’immagine, ma dalla funzione. Che cosa deve capire il lettore in dieci secondi?
Se vuoi fare una prova sensata, scegli un documento piccolo: una pagina di menu, una bio professionale, una scheda corso, una lista di servizi. Chiedi prima a ChatGPT di estrarre le informazioni principali, poi di proporre una struttura visuale, poi di generare l’immagine.
Alla fine confronta tre cose: il documento originale, la struttura proposta e l’infografica generata. Se l’immagine migliora la comprensione, hai uno strumento utile. Se la peggiora, hai solo un poster più vistoso.
In questi due esperimenti, il test è superato: ChatGPT resta competitivo anche su immagini complesse come le infografiche. Ma il valore non sta nel clic su “genera”. Sta nel metodo con cui gli chiediamo di organizzare le informazioni.
Sì, può partire da un’immagine caricata e trasformarla in una nuova visualizzazione. Conviene però chiedere prima una struttura testuale, così si riducono errori e aggiunte arbitrarie.
Quasi mai al primo colpo. Vanno controllati testo, layout, coerenza delle immagini e fedeltà alle informazioni originali.
Dipende dal caso. Gemini Nano Banana è molto forte sull’editing visuale, ma questi test mostrano che ChatGPT può ottenere risultati interessanti anche con immagini complesse, se il prompt è ben costruito.
Sì, ma come sintesi visuale o supporto di presentazione, non come sostituto del CV completo. Date, ruoli, competenze e risultati vanno verificati con attenzione.
Mandami un WhatsApp al 339.6325418 per organizzare un corso o una conferenza sull’A.I. generativa.
Immagina una riunione di direzione. Sul tavolo ci sono dati incompleti, interessi diversi, poco tempo e una scelta che nessuno vuole sbagliare. A un certo punto qualcuno apre un sistema di intelligenza artificiale, inserisce documenti e numeri, poi legge una raccomandazione formulata con grande sicurezza.
La tensione scende. Finalmente sembra esserci una risposta oggettiva.
Ma è davvero così? Oppure abbiamo soltanto trasferito alla macchina i nostri pregiudizi, aggiungendo velocità, scala e un linguaggio più convincente?
È la domanda al centro di Decisioni artificiali. Come l’uso dell’Intelligenza Artificiale ridefinisce il Decision-Making nelle organizzazioni, il libro di Nicola Capolupo pubblicato nel 2025 da Editoriale Scientifica. Un saggio di 196 pagine che mette in dialogo psicologia cognitiva, teoria organizzativa, sistemi di supporto alle decisioni ed etica dell’AI.
Il messaggio più utile è anche il meno spettacolare: l’intelligenza artificiale può aiutarci a decidere meglio, ma non elimina l’irrazionalità umana. Può ridurre alcuni errori, amplificarne altri e crearne di nuovi. Per questo la qualità della decisione dipende non soltanto dall’algoritmo, ma dal processo con cui persone e organizzazioni lo interrogano, controllano e, quando serve, contraddicono.
Nicola Capolupo è ricercatore in Organizzazione aziendale presso l’Università Telematica San Raffaele Roma. La sua ricerca riguarda, tra gli altri temi, comportamento organizzativo, processi decisionali, bias cognitivi e uso dell’intelligenza artificiale nelle organizzazioni.
Decisioni artificiali, con prefazione di Paola Adinolfi e postfazione di Guglielmo Faldetta, non è un manuale di prompt né una raccolta di ricette per delegare le scelte a ChatGPT. È un percorso che parte dalle teorie del decision making, attraversa la razionalità limitata di Herbert Simon, le euristiche studiate da Daniel Kahneman e Amos Tversky, i sistemi di supporto alle decisioni e arriva a uno studio empirico sui bias nelle decisioni organizzative mediate dall’AI.
La prefazione contiene una frase che riassume bene il problema: «Le decisioni rappresentano il luogo in cui la teoria incontra la prassi». È lì che dati, procedure, cultura aziendale, emozioni, rapporti di potere e responsabilità smettono di essere concetti astratti e producono conseguenze reali.
L’anteprima del volume permette di consultare indice, prefazione, incipit, osservazioni conclusive e bibliografia.
Ci piace pensare di scegliere dopo aver raccolto tutti i dati, confrontato ogni alternativa e calcolato con calma costi e benefici. Nella vita organizzativa, però, quasi mai disponiamo di tempo infinito, informazioni complete e obiettivi condivisi.
Il libro parte proprio da questa crepa. Dan Ariely, in Prevedibilmente irrazionali, ha mostrato quanto il comportamento umano sia influenzato da automatismi, emozioni e distorsioni sistematiche. Daniel Kahneman ha reso popolare la distinzione tra un pensiero rapido, intuitivo e automatico e un pensiero lento, riflessivo e faticoso. Non sono due interruttori nel cervello, ma una metafora utile per capire perché spesso accettiamo la prima risposta plausibile.
Già Herbert Simon, premio Nobel per gli studi sui processi decisionali nelle organizzazioni, aveva demolito l’idea della razionalità perfetta. Parlava di razionalità limitata: davanti a vincoli di tempo, competenze e informazioni, le persone non trovano necessariamente la soluzione migliore in assoluto. Cercano una soluzione sufficientemente buona.
In azienda il problema si complica ancora. Una decisione non è soltanto un calcolo. È anche negoziazione, interpretazione del contesto, gestione dei conflitti e assunzione di responsabilità. Un modello può stimare una probabilità; non può stabilire da solo quale rischio sia moralmente, socialmente o strategicamente accettabile.
Un modo utile per comprendere l’intelligenza artificiale in azienda è considerarla un’evoluzione dei Decision Support System, i sistemi informatici che assistono il decisore senza sostituirlo.
Un sistema di supporto alle decisioni combina normalmente quattro elementi:
L’AI generativa rende questo sistema più accessibile. Un manager può interrogare documenti in linguaggio naturale, riassumere report, confrontare scenari, individuare anomalie, chiedere controargomentazioni o simulare le conseguenze di opzioni diverse.
Questa è la parte davvero interessante: l’AI può funzionare come amplificatore cognitivo. Non deve limitarsi a sputare una risposta, ma può aiutarci ad allargare lo spazio delle alternative. Il valore non sta soltanto nel prevedere «che cosa accadrà», ma nel rendere visibili ipotesi, dipendenze e domande che il gruppo non aveva considerato.
Riprendendo un lavoro di Thomas B. Lawrence del 1991, il libro osserva le decisioni organizzative lungo due dimensioni: la complessità del problema e la sua politicità, cioè il livello di conflitto tra soggetti con interessi, informazioni e potere differenti.
L’intelligenza artificiale agisce su entrambe.
Da un lato riduce la fatica di elaborare grandi quantità di dati e rende più semplice interrogare archivi prima riservati agli specialisti. Questo può distribuire conoscenza e partecipazione. Dall’altro, chi sceglie i dati, imposta gli obiettivi, definisce le soglie e decide quale sistema adottare conserva un potere enorme, anche se meno visibile.
La standardizzazione può aumentare coerenza e stabilità, ma può anche comprimere eccezioni, apprendimento e innovazione. Un punteggio uniforme sembra imparziale; se nasce da dati storici distorti o da una definizione povera del problema, rende soltanto più efficiente l’errore. È un rischio particolarmente evidente quando l’AI entra negli appalti pubblici e in altre procedure ad alto impatto.
Il bias di automazione è la tendenza ad accettare il suggerimento di un sistema automatico senza cercare prove alternative o senza dare il giusto peso alle informazioni contrarie.
Una revisione sistematica pubblicata sul Journal of the American Medical Informatics Association ha analizzato frequenza, fattori e possibili contromisure di questo fenomeno. Il punto non è che le persone si fidino sempre delle macchine, ma che, in certe condizioni, la raccomandazione automatica diventi una scorciatoia mentale.
L’interfaccia contribuisce al problema. Una risposta ordinata, fluida e accompagnata da una percentuale può apparire più solida di quanto sia. La sicurezza del tono viene scambiata per accuratezza.
Il framing riguarda il modo in cui una scelta viene presentata. L’ancoraggio porta invece a dare un peso eccessivo alla prima informazione ricevuta.
Con l’AI i due effetti si sommano. Se chiediamo «spiegami perché questa strategia fallirà», abbiamo già costruito una cornice negativa. Il modello cercherà soprattutto argomenti coerenti con quella direzione. Non perché abbia un’opinione, ma perché sta rispondendo al compito che gli abbiamo assegnato.
Poi arriva il secondo ancoraggio: quello umano. La prima risposta della macchina diventa il punto di partenza dei prompt successivi. Anche quando contiene un errore, tendiamo a costruirci sopra la conversazione.
Il rischio è una catena invisibile:
L’overconfidence è lo scarto tra quanto ci sentiamo sicuri e quanto siamo realmente accurati. Nell’interazione uomo-macchina funziona in due direzioni: possiamo sopravvalutare l’algoritmo oppure le nostre capacità e ignorare un suggerimento valido.
Uno studio presentato alla conferenza CHI 2024 ha confrontato diversi interventi per calibrare la fiducia nelle decisioni assistite dall’AI. Tra gli approcci esaminati figurano il think the opposite, il ragionamento in termini probabilistici e il feedback sulla calibrazione. Il risultato più importante non è «fidarsi di più» o «fidarsi di meno», ma imparare a far coincidere meglio fiducia e accuratezza.
La buona collaborazione nasce quando sappiamo riconoscere sia i casi in cui l’AI merita ascolto sia quelli in cui deve essere respinta.
Si parla molto di Explainable AI: se il sistema spiega come è arrivato a una raccomandazione, l’utente dovrebbe valutarla meglio. Purtroppo una spiegazione può diventare a sua volta un segnale di autorevolezza. «C’è una motivazione, quindi sarà corretto».
Lo studio To Trust or to Think, condotto da Zana Buçinca, Maja Barbara Malaya e Krzysztof Z. Gajos su 199 partecipanti, ha sperimentato alcune cognitive forcing functions: piccoli vincoli progettati per obbligare l’utente a fermarsi e ragionare prima di accettare il consiglio dell’AI.
Questi interventi hanno ridotto l’eccessivo affidamento rispetto alle semplici spiegazioni, ma con un prezzo: le soluzioni più efficaci sono state anche quelle valutate meno favorevolmente dagli utenti. Inoltre hanno aiutato di più le persone con una maggiore propensione allo sforzo cognitivo.
È una lezione preziosa per chi progetta strumenti aziendali. Una buona esperienza utente non coincide sempre con il minor numero possibile di passaggi. A volte un po’ di attrito è una funzione di sicurezza.
Nell’ultima parte, Capolupo presenta uno studio esplorativo sull’incidenza di overconfidence, bias di automazione, ancoraggio e framing nelle decisioni organizzative assistite dall’intelligenza artificiale.
I risultati discussi nel volume invitano a evitare conclusioni semplicistiche. Overconfidence e automazione non sembrano alterare in modo significativo le scelte aziendali nel campione analizzato; i lavoratori possono mantenere un ruolo proattivo, soprattutto quando ricevono feedback e conservano autonomia. L’AI può favorire pensiero analitico ed esplorazione di alternative.
Ma il quadro cambia nei lavori più routinari o quando la delega diventa passiva. L’innovazione può essere percepita come minaccia, alimentando anche quella che viene definita AI Anxiety; il coinvolgimento può diminuire e le competenze decisionali possono atrofizzarsi. Lo stesso libro esplicita limiti metodologici e carattere esplorativo dell’indagine: questi risultati non vanno trasformati in una legge universale.
La conclusione più robusta è organizzativa, non tecnologica: l’effetto dell’AI dipende da come vengono progettati lavoro, feedback, responsabilità e possibilità di contestare la macchina.
L’espressione human in the loop viene spesso tradotta con «una persona controlla il risultato». È una definizione troppo debole. Se il decisore vede soltanto l’output finale, non conosce i limiti del sistema e non ha tempo o autorità per opporsi, la supervisione umana è soltanto decorativa.
Il Regolamento europeo sull’intelligenza artificiale, in particolare l’articolo 14 per i sistemi ad alto rischio, richiede misure di sorveglianza umana che consentano di comprendere capacità e limiti del sistema, riconoscere il possibile eccesso di affidamento, interpretare correttamente l’output e decidere di non usarlo o interromperlo. È un tema centrale anche per l’intelligenza artificiale nella Pubblica Amministrazione.
Anche l’AI Risk Management Framework del NIST propone una governance continua del rischio. Tradotto in pratica: non serve soltanto controllare la risposta; bisogna governare dati, obiettivi, ruoli, monitoraggio e conseguenze.
Prima di accettare una raccomandazione algoritmica, un team dovrebbe rispondere almeno a queste domande:
Un buon prompt non elimina i bias, ma può rendere il confronto più disciplinato. Ecco quattro formule riutilizzabili:
Avvocato del diavolo
«Contesta la raccomandazione precedente. Elenca le tre assunzioni più fragili, le prove che potrebbero smentirla e uno scenario in cui produrrebbe un danno.»
Alternative incompatibili
«Proponi tre opzioni mutuamente esclusive. Per ciascuna indica benefici, rischi, dati mancanti, soggetti penalizzati e condizioni che la renderebbero preferibile.»
Pre-mortem
«Immagina che tra dodici mesi questa decisione si sia rivelata un fallimento. Ricostruisci cinque cause plausibili e i segnali precoci che oggi potremmo monitorare.»
Separazione tra fatti e ipotesi
«Dividi la risposta in: fatti presenti nelle fonti, inferenze ragionevoli, assunzioni non verificate e informazioni necessarie prima di decidere. Non colmare i vuoti con dati inventati.»
La regola è semplice: non chiedere soltanto all’AI di darci ragione. Chiederle di rendere più difficile il nostro autoinganno.
Il merito del libro è spostare la discussione dall’eterna domanda «l’AI sostituirà l’essere umano?» a una questione molto più concreta: come cambia il comportamento delle persone quando una macchina entra nel processo decisionale?
È una domanda utile per manager, responsabili HR, professionisti, decisori pubblici, progettisti di servizi e formatori. Perché l’AI non arriva in un laboratorio sterile. Entra in organizzazioni già attraversate da abitudini, gerarchie, incentivi, paure e conflitti. Per proseguire il percorso, può essere utile anche questa selezione di libri indispensabili per capire l’intelligenza artificiale.
La macchina può elaborare più dati e farlo più velocemente. Può simulare scenari, trovare correlazioni e proporre alternative. Ma non possiede da sola la comprensione situata delle conseguenze, né può assumersi la responsabilità morale della scelta.
Il vero obiettivo, quindi, non è costruire decisioni senza esseri umani. È costruire organizzazioni in cui esseri umani e sistemi intelligenti si correggano a vicenda. L’AI deve essere un amplificatore del pensiero, non un alibi per smettere di pensare.
Il libro è stato scritto da Nicola Capolupo, ricercatore in Organizzazione aziendale presso l’Università Telematica San Raffaele Roma. È pubblicato da Editoriale Scientifica nella collana puntOorg.
Analizza come l’intelligenza artificiale modifica i processi decisionali individuali e organizzativi, con particolare attenzione a razionalità limitata, bias cognitivi, sistemi di supporto alle decisioni, responsabilità e organizzazione del lavoro.
No. Può mitigare alcuni errori, ma può anche apprendere distorsioni dai dati, rafforzare il framing della domanda e favorire bias di automazione o ancoraggio. Servono controllo, confronto con fonti indipendenti e feedback sugli esiti.
È la tendenza ad accettare una raccomandazione automatica senza verificarla adeguatamente o senza considerare informazioni contrarie. Aumenta quando il sistema appare autorevole e il decisore lavora sotto pressione.
Significa mantenere una supervisione umana effettiva sull’AI. La persona deve comprendere limiti e contesto, poter contestare l’output, interrompere il sistema e assumersi la responsabilità della decisione.
Il volume è disponibile sul sito di Editoriale Scientifica. L’edizione del 2025 conta 196 pagine e ha ISBN 979-12-235-0275-4.
Mandami un WhatsApp al 339.6325418 per organizzare un corso o una conferenza sull’A.I. generativa.
Nel novembre 2023, sul palco dello stadio di Cesena, parlavo di intelligenza artificiale nel calcio come di una rivoluzione “precedentemente inimmaginabile”. A distanza di tre anni, con il Mondiale 2026 alle porte tra Canada, USA e Messico, quella rivoluzione è già realtà quotidiana nei club, nei laboratori di ricerca e persino nelle tasche dei tifosi. Ho quindi deciso di aggiornare il discorso con dati, paper e strumenti concreti che nel 2023 semplicemente non esistevano.
Il salto più visibile riguarda l’arbitraggio. Il sistema SAOT (Semi-Automated Offside Technology), introdotto a Qatar 2022, si basava su 12 telecamere e un sensore nel pallone che tracciava 29 punti del corpo di ogni giocatore. Per il Mondiale 2026, FIFA e Lenovo hanno sviluppato il VAR 3D: ogni calciatore delle 48 nazionali viene scansionato in stazioni con 36 fotocamere, generando un avatar digitale fedele fino a mezzo centimetro. Quando il fuorigioco supera i 10 centimetri, l’assistente riceve un segnale immediato sul proprio dispositivo. Dietro tutto questo ci sono oltre 17.000 dispositivi Lenovo e Motorola distribuiti nei sedici stadi, più Football AI Pro, un assistente linguistico che permette a ogni staff tecnico di analizzare oltre 2.000 metriche di gioco.
Attenzione però: la decisione finale resta umana. Come ha ricordato Pierluigi Collina, oggi responsabile arbitri FIFA, “sul fuorigioco è sempre l’arbitro ad avere la parola finale”, mentre solo la linea di porta è già completamente automatizzata. Il calcio senza arbitri di cui parlavo nel 2023 resta quindi, per ora, un orizzonte più che una realtà.
Se nel 2023 citavo strumenti commerciali, oggi il calcio produce anche letteratura scientifica vera e propria. Il caso più noto è TacticAI, l’assistente sviluppato da Google DeepMind con il Liverpool FC, pubblicato su Nature Communications nel 2024 (arXiv:2310.10553): un modello capace di suggerire schemi sui calci d’angolo, preferito dagli analisti del club nel 90% dei confronti con soluzioni umane. Nella sua versione più recente, TacticAI è in grado di anticipare le traiettorie di gioco fino a 8 secondi prima che accadano, ed è stato adottato anche dal Palmeiras, primo club sudamericano a utilizzarlo.
Il 2025 e il 2026 hanno visto una vera esplosione di ricerca su arXiv: dal dataset multimodale per il contesto tattico di Ochin et al., ai modelli di forecasting dei risultati su larga scala di Horton, fino all’EFPI di Bekkers per il riconoscimento automatico dei moduli di gioco e ai lavori di Bischofberger sulla misurazione delle prestazioni difensive senza palla tramite tracking data ed explainable AI. Un intero filone accademico che, dieci anni fa, semplicemente non esisteva.
Sul fronte scouting, IBM ha sviluppato per l’Empoli FC una piattaforma di talent scouting pensata per supportare la ricerca e lo sviluppo dei giovani. Nel frattempo il mercato si è consolidato: Hudl ha acquisito StatsBomb, integrando la storica libreria video di Wyscout con le analytics avanzate, creando di fatto uno degli ecosistemi dati più completi per club e agenzie di scouting.
Qui il salto rispetto al 2023 è enorme. Bayer Leverkusen e IBM hanno costruito su watsonx.ai una piattaforma che riconosce automaticamente gli eventi di gioco dai video, liberando tempo per analisti e staff medico. Real Madrid, Manchester City, Bayern Monaco, Palmeiras e Flamengo hanno invece investito in software che incrociano dati di GPS, sensori e videocamere per stimare quotidianamente il rischio infortunio di ogni giocatore, regolando di conseguenza i carichi di lavoro. Aziende come Zone7 Technologies applicano machine learning proprio a questo incrocio tra carico di lavoro, dati biometrici e storico infortuni.
Mikel Arteta ha dichiarato pubblicamente di usare l’intelligenza artificiale per preparare le partite dell’Arsenal, mentre il Liverpool utilizza TacticAI proprio per decidere chi debba ricevere un cross o tentare un tiro su azioni codificate come corner e punizioni. È l’evoluzione naturale di quello che nel 2023 chiamavo “machine learning per lo scouting”: oggi lo stesso approccio guida le scelte in campo, partita dopo partita.
Un tema che nel 2023 avevo solo accennato è oggi centrale: Sportradar utilizza il proprio sistema UFDS (Universal Fraud Detection System), basato su intelligenza artificiale, per individuare flussi di scommesse anomali su scala globale. Il sistema ha contribuito a far emergere 438 partite sospette di match-fixing in un solo anno, in tutti gli sport monitorati.
Se nel 2023 parlavo di VR e AR per l’engagement, oggi il paradigma è cambiato: il tifoso è diventato un profilo dati da coltivare. Il Liverpool ha siglato una partnership globale con SAS per personalizzare comunicazione e marketing su scala mondiale. La Premier League ha lanciato, con Microsoft Azure OpenAI e Copilot, un assistente digitale integrato nell’app ufficiale che attinge a trent’anni di statistiche, circa 300mila articoli e 9mila video per rispondere ai tifosi e suggerire strategie di Fantacalcio. Il Nashville SC applica invece elaborazione del linguaggio naturale per analizzare il sentiment dei tifosi in tempo reale, mentre NTT Data ha costruito metodologie simili per Arsenal e Paris FC.
Non mancano i prodotti pensati per il grande pubblico, come PitchMate di Infobip, un compagno AI pensato per i tifosi. Non stupisce che, secondo un’indagine della Gazzetta dello Sport su 12mila tifosi in 11 Paesi, il 54% utilizzi già l’IA per notizie, statistiche e approfondimenti.
Oltre al software, il 2026 porta anche hardware inedito: il pallone ufficiale Trionda integra sensori che trasmettono dati in tempo reale per il fuorigioco semi-automatico; le stazioni di scansione corporea a 36 fotocamere generano gli avatar digitali dei giocatori in meno di un secondo; la Referee Camera, indossata dagli arbitri, usa algoritmi di stabilizzazione per offrire a tifosi e broadcaster la visuale in prima persona del direttore di gara, eliminando l’effetto mosso della corsa.
Tornando alla domanda che ponevo nel 2023: siamo più vicini a un calcio senza arbitri umani? I dati raccontano un’evoluzione, non una sostituzione. L’IA gestisce già in autonomia la linea di porta, supporta il fuorigioco con dati oggettivi, ma la decisione finale su episodi complessi resta affidata a un essere umano. È probabilmente questo l’equilibrio che vedremo consolidarsi nei prossimi anni: non un arbitro sostituito, ma un arbitro aumentato.
È il sistema sviluppato da FIFA e Lenovo che sostituisce le linee 2D del fuorigioco semi-automatico con avatar 3D dei giocatori, generati da scansioni corporee reali e intelligenza artificiale generativa.
È l’assistente tattico sviluppato da Google DeepMind con il Liverpool FC, pubblicato su Nature Communications nel 2024, oggi capace di anticipare le giocate fino a 8 secondi prima che avvengano.
Non nel breve termine: l’IA automatizza già la linea di porta e supporta il fuorigioco, ma le decisioni più complesse restano in mano al direttore di gara.
Liverpool, Arsenal, Bayer Leverkusen, Real Madrid, Manchester City, Bayern Monaco, Palmeiras e Flamengo sono tra i club che hanno investito maggiormente in tattica, scouting e prevenzione infortuni basati su IA.
Mandami un WhatsApp al 339.6325418 per organizzare un corso o una conferenza sull’A.I. generativa.
Quando si parla di intelligenza artificiale, la maggior parte delle persone continua a discutere dei modelli. GPT-5 o Claude? Gemini o Copilot? Meglio OpenAI o Anthropic? È una conversazione interessante, ma sempre meno utile. Per capire dove sta andando davvero l’AI bisogna osservare un altro fenomeno: che cosa stanno costruendo le persone normali con questi strumenti.
Mi è capitato di imbattermi in un video TikTok di Rakos Media che poneva una domanda semplicissima: “Cosa avete costruito con Claude?”
@rakos.media What are you building with Claude? I’ve built agents for my business and for others, automating email marketing, social media posting, research processes, etc. But I want to get more out of Claude, whether it’s Claude code or Claude cowork. #claude #claudecode #claudecowork #aiagent #automation ♬ original sound – Whitney Leavitt
Il risultato è sorprendente. In pochi giorni il video ha raccolto migliaia di commenti.
Ho analizzato (grazie all’AI, ovviamente) un dataset di oltre 1.900 interventi, raccolti il 13 luglio 2026, e il quadro che emerge racconta molto meglio del marketing dove si sta dirigendo l’intelligenza artificiale.
La prima cosa che colpisce è questa. Quasi nessuno parla di chatbot. Quasi nessuno scrive “ho creato un assistente AI”. Al contrario, le persone stanno costruendo strumenti che eliminano piccoli problemi quotidiani. L’intelligenza artificiale è semplicemente il motore. L’applicazione è il prodotto. Ed è esattamente quello che, da mesi, ripeto durante i miei corsi: l’AI genera valore quando sparisce dalla vista dell’utente.
Il commento più apprezzato (oltre 8.000 like) racconta la realizzazione di un’app molto particolare.
L’utente entra al supermercato, inquadra un prodotto e scopre immediatamente:
Una specie di “Shazam” della filiera produttiva.
È interessante per un motivo: non serve una tecnologia rivoluzionaria. Servono database pubblici, API, riconoscimento del codice a barre e AI per interpretare i dati.
Il valore non è l’intelligenza artificiale. Il valore è la decisione d’acquisto migliore.
L’app tiene traccia di tutto ciò che possiedi in casa. Davvero tutto: frigorifero, caldaia, condizionatore, seggiolino auto, tetto, filtri, garanzie, manuali, scadenze, richiami ufficiali, ricambi, promemoria.
Quando è ora di sostituire un filtro, arriva la notifica. Quando un elettrodomestico viene richiamato dal produttore, arriva l’avviso. Quando sta per scadere una garanzia, lo sai in anticipo.
È il classico esempio di prodotto che probabilmente non avresti mai immaginato di cercare. Ma appena lo vedi pensi: “Perché non esiste già?”
Tra i commenti emergono applicazioni molto diverse:
| Problema | Soluzione |
|---|---|
| Cercare lavoro | Un coach AI prepara il colloquio, studia l’azienda e corregge le risposte. |
| Genitorialità | Mappa collaborativa dei fasciatoi pubblici. |
| Puntualità | Un assistente pianifica a ritroso tutte le attività prima di uscire. |
| Informazione | Un sistema raccoglie automaticamente solo le notizie rilevanti. |
| Creator economy | Pipeline completa che ricerca trend, scrive script, monta video e pubblica sui social. |
| Finanza personale | Analisi automatica dell’estratto conto per trovare sprechi e risparmi. |
Sono problemi minuscoli. Ma milioni di persone li hanno.
La parte più interessante non sono le app. Sono i commenti.
Molti utenti scrivono cose come: “Pensavo di essere poco creativo.” Oppure: “Io uso Claude solo per scrivere email.”
Questo racconta due mondi. Il primo è composto dai builder: persone che costruiscono prodotti. Il secondo è composto da chi continua a usare l’AI come un semplice correttore di testi.
La distanza tra questi due gruppi sta aumentando rapidamente.
Negli ultimi due anni abbiamo attraversato almeno quattro fasi.
Prima fase. Usiamo ChatGPT come Google.
Seconda fase. Scriviamo email migliori.
Terza fase. Automatizziamo piccoli processi.
Quarta fase. Costruiamo prodotti completi.
È esattamente ciò che emerge dal dataset. Le persone non chiedono più “come posso usare Claude?”. Chiedono “che problema posso eliminare?”.
Ed è una domanda completamente diversa.
Quasi tutte le idee più votate condividono quattro caratteristiche.
1. Nascono da un’esigenza (frustrazione?) personale. “Mi dimentico sempre di sostituire il filtro.” “Sono sempre in ritardo.” “Non trovo mai un fasciatoio.” Le startup migliori iniziano spesso così.
2. Automatizzano decisioni. L’AI non sostituisce l’utente. Gli evita decine di micro decisioni.
3. Organizzano informazioni disperse. Garanzie, ricevute, manuali, curriculum, notizie, documenti: l’intelligenza artificiale eccelle proprio in questo.
4. Sono quasi invisibili. L’utente non vuole usare l’AI. Vuole risolvere il problema. È una differenza enorme.
Questa analisi suggerisce una riflessione. Molte aziende stanno ancora cercando di capire “come possiamo usare ChatGPT?”.
La domanda migliore è un’altra: quale micro-problema affrontano ogni giorno i nostri clienti?
Una volta trovato quello, l’AI diventa soltanto il motore. Non il prodotto.
Prendete carta e penna. Scrivete dieci frasi che iniziano così:
Poi chiedete a Claude, ChatGPT o Copilot: “Progetta un’applicazione che elimini completamente questo problema. Non limitarti a usare un chatbot: immagina un prodotto utilizzabile ogni giorno.”
Sono convinto che molte delle idee più interessanti nasceranno proprio da esercizi come questo.
Se questi temi ti interessano, potrebbero piacerti anche:
Sul mio blog trovi decine di esempi pratici dedicati all’intelligenza artificiale applicata al lavoro quotidiano.
Mandami un WhatsApp al 339.6325418 per organizzare un corso o una conferenza sull’A.I. generativa.
Immaginiamo la scena. In un ufficio comunale, la persona che da trent’anni sa come si gestisce una pratica complicata spegne il computer per l’ultima volta, saluta i colleghi e va in pensione. Il giorno dopo arrivano una richiesta urgente, un fascicolo incompleto e una domanda che nessun manuale aveva previsto.
Il problema dell’intelligenza artificiale nella Pubblica Amministrazione parte da qui: non soltanto dalla scrivania rimasta vuota, ma da tutto ciò che quella persona sapeva e che rischia di uscire dall’edificio insieme a lei.
Un articolo di HuffPost del 15 gennaio 2026, firmato da Valentina Nicolì, parte da un dato che merita attenzione: entro il 2034 potrebbe andare in pensione un dipendente pubblico su tre. Parliamo di circa 1,2 milioni di persone su una forza lavoro che, secondo i dati INPS citati nell’articolo, nel 2024 contava 3,74 milioni di addetti.
L’intelligenza artificiale nella Pubblica Amministrazione può essere una parte importante della risposta. Può aiutare a conservare la conoscenza, alleggerire il lavoro ripetitivo, rendere più semplici documenti e servizi e affiancare i nuovi assunti. Ma funziona solo se viene inserita in una trasformazione organizzativa seria: con dati affidabili, processi ripensati, formazione, sicurezza e responsabilità umana.
L’AI, insomma, non sostituisce il ricambio generazionale. Può però impedire che il ricambio diventi un gigantesco reset.
Quando si parla di pensionamenti nella PA, il dibattito si concentra quasi sempre sui numeri: quante persone escono, quante ne verranno assunte e quanto costerà sostituirle.
È corretto, ma incompleto.
Una parte decisiva del lavoro pubblico vive nella cosiddetta conoscenza tacita: procedure non scritte, eccezioni, precedenti, contatti tra uffici, interpretazioni sedimentate, piccoli accorgimenti che permettono di risolvere un caso senza farlo rimbalzare per settimane.
Non tutta questa esperienza è buona per definizione. Alcune abitudini vanno superate, alcuni passaggi eliminati, alcune procedure semplificate. Ma lasciare che la conoscenza scompaia senza prima distinguerne il valore sarebbe uno spreco enorme.
Il vero tema, quindi, non è usare l’AI per fare con meno persone ciò che si è sempre fatto. È usare questa transizione per decidere che cosa conservare, che cosa cambiare e che cosa non fare più.
La PA produce e gestisce una quantità immensa di testi: leggi, circolari, delibere, verbali, regolamenti, bandi, moduli, email, relazioni e risposte ai cittadini. L’AI generativa lavora proprio con il linguaggio e può quindi diventare un’interfaccia utile tra persone e patrimonio documentale.
Attenzione, però: “utile” non significa “infallibile”. Un modello linguistico genera risposte plausibili, non sentenze vere per natura. Per questo deve lavorare su fonti selezionate, mostrare i riferimenti usati e lasciare la decisione finale a un dipendente responsabile.
Fatta questa premessa, le applicazioni concrete sono molte.
Prima che una persona esperta lasci l’ente, si può organizzare un vero passaggio di conoscenze assistito dall’AI, costruendo una base documentale interrogabile con strumenti come NotebookLM.
Non basta chiedere: “Puoi scrivere tutto quello che sai?”. È una domanda troppo ampia. Meglio registrare interviste strutturate, raccogliere casi reali, catalogare le eccezioni più frequenti e ricostruire le decisioni prese nei fascicoli più complessi.
L’AI può aiutare a:
È una specie di “intervista di uscita aumentata”. Non serve a clonare chi va in pensione, espressione da film di fantascienza che possiamo serenamente evitare. Serve a non perdere trent’anni di esperienza in trenta minuti di saluti e pasticcini.
Il ricambio richiederà nuove assunzioni. Il rischio è inserire migliaia di persone in uffici che non hanno tempo per formarle, consegnando loro una cartella condivisa chiamata “Documenti definitivi” con dentro file come “definitivo_v7_ultimo_bis.pdf”.
Un assistente interno, costruito sui documenti approvati dall’ente, potrebbe rispondere a domande come:
La condizione è fondamentale: ogni risposta deve rimandare alle fonti. Se il sistema non trova una base affidabile, deve dichiararlo. Un “non lo so” ben progettato vale più di una risposta sicura ma inventata.
Una parte rilevante del lavoro amministrativo consiste nel recuperare informazioni già presenti, confrontare versioni, estrarre dati da documenti e riscrivere lo stesso contenuto per destinatari diversi.
L’AI può preparare una prima bozza di:
Qui la parola chiave è bozza. Il dipendente non dovrebbe limitarsi a premere “genera” e inoltrare. Deve controllare dati, riferimenti, tono, completezza e conseguenze amministrative.
Il guadagno non sta nell’eliminare la persona, ma nel restituirle tempo per i casi difficili, il rapporto con il pubblico, il coordinamento e la decisione.
Digitalizzare un modulo incomprensibile non lo rende automaticamente semplice. A volte otteniamo soltanto un modulo incomprensibile che, in più, richiede una password dimenticata.
L’intelligenza artificiale può aiutare gli uffici a riscrivere testi in linguaggio chiaro, verificare la leggibilità, produrre versioni multilingue e creare percorsi guidati che pongono al cittadino soltanto le domande necessarie per il suo caso.
Per esempio, invece di presentare venti campi e una nota normativa di tre pagine, un servizio potrebbe chiedere poche informazioni iniziali e spiegare:
Il cittadino non dovrebbe essere costretto a imparare l’organigramma dell’ente per ottenere una risposta.
Molte richieste arrivano all’ufficio sbagliato, sono incomplete o contengono incongruenze visibili soltanto dopo giorni. Sistemi di AI ben controllati possono classificare i documenti, estrarre informazioni, segnalare campi mancanti e suggerire il percorso corretto.
Questo non significa affidare a un algoritmo la decisione su un contributo, una graduatoria o un diritto. Significa usare la macchina per preparare il lavoro, evidenziare anomalie e ridurre gli errori banali.
Più una decisione incide sulla vita delle persone, più devono essere forti trasparenza, tracciabilità, possibilità di contestazione e controllo umano.
Un assistente virtuale può rispondere alle domande frequenti, guidare nella compilazione di una domanda e indicare il canale corretto senza costringere il cittadino ad aspettare il lunedì mattina.
Ma il chatbot non deve diventare un muro elegante dietro cui nascondere l’amministrazione. Deve sempre offrire una via d’uscita: parlare con una persona, aprire una richiesta, prenotare un appuntamento o ricevere una risposta tracciata.
Il parametro di successo non è quante conversazioni “gestisce” il bot. È quanti problemi risolve senza aumentare frustrazione, esclusione digitale o contenzioso.
Dire che l’intelligenza artificiale può aiutare la PA non significa sostenere che 1,2 milioni di pensionamenti possano essere compensati con qualche licenza software.
Serviranno persone nuove: profili amministrativi, tecnici, sociali, sanitari, giuridici, informatici e gestionali. Serviranno anche competenze che oggi non sempre trovano posto negli organigrammi: governo dei dati, progettazione dei servizi, sicurezza, valutazione degli algoritmi e comunicazione chiara.
L’AI può aumentare la capacità di queste persone. Non può assumersi responsabilità pubbliche, comprendere da sola il contesto sociale o sostituire l’empatia richiesta nei casi delicati.
Se viene usata soltanto per tagliare costi, automatizzerà anche difetti, disordine e burocrazia. Più velocemente, certo. Ma una pratica sbagliata consegnata in dieci secondi resta una pratica sbagliata.
Nella Pubblica Amministrazione l’adozione dell’AI richiede più prudenza rispetto a molti usi privati, perché tratta dati sensibili, incide su diritti e deve rendere conto delle proprie decisioni.
I principali rischi sono:
Il quadro europeo va proprio nella direzione di un’AI più responsabile. L’AI Act dell’Unione europea, entrato in vigore il 1° agosto 2024, prevede un’applicazione basata sul livello di rischio. Dal 2 febbraio 2025 sono inoltre applicabili le disposizioni sull’AI literacy: chi utilizza sistemi di intelligenza artificiale deve possedere un livello adeguato di competenza e consapevolezza. Ho approfondito il tema anche nella guida sulla formazione AI e sull’AI Act.
Non basta quindi acquistare uno strumento. Bisogna formare chi lo sceglie, chi lo configura, chi lo usa e chi controlla i risultati.
Ogni ente dovrebbe sapere quali ruoli perderà nei prossimi tre, cinque e dieci anni, quali processi dipendono da poche persone e quali competenze non sono documentate.
Meglio partire da un archivio documentale circoscritto, dalle domande frequenti di uno sportello o dalla preparazione di bozze interne. Non dal progetto “AI per tutto il Comune”, che di solito produce molte slide e pochi risultati. Nella guida dedicata a ChatGPT nella PA raccolgo altri esempi operativi.
Bisogna stabilire quali documenti sono validi, chi li aggiorna, chi può accedere ai dati e chi risponde degli errori. L’AI non risolve una base informativa caotica: la rende soltanto più facile da interrogare, caos compreso.
I dipendenti senior conoscono le eccezioni, i nuovi arrivati vedono meglio le assurdità date per scontate e i cittadini sperimentano gli ostacoli reali. La progettazione deve ascoltare tutti e tre.
Gli indicatori utili possono essere: tempo medio di risposta, errori evitati, pratiche completate al primo tentativo, soddisfazione degli utenti, accessibilità, numero di risposte con fonti corrette e interventi umani necessari.
Se il sistema risponde più in fretta ma aumenta reclami e correzioni, non è innovazione. È debito burocratico con un’interfaccia moderna.
Il dato dei pensionamenti mette una scadenza davanti alla PA italiana. Entro il 2034 una parte enorme della sua forza lavoro cambierà. Possiamo aspettare che l’esperienza esca dagli uffici e poi correre a tappare i buchi. Oppure possiamo usare questi anni per trasferire conoscenze, semplificare procedure e costruire servizi pensati intorno alle persone.
L’intelligenza artificiale può essere il moltiplicatore di questa trasformazione. Non è la soluzione da sola, perché nessuna tecnologia lo è. Ma può diventare un’infrastruttura cognitiva: aiuta a trovare ciò che l’ente già sa, a spiegare ciò che il cittadino non comprende e a liberare tempo per le decisioni che richiedono esperienza e responsabilità.
Il punto non è creare una PA senza dipendenti. È creare una PA in cui i dipendenti non debbano sprecare il proprio talento facendo copia e incolla tra documenti, cercando una circolare introvabile o rispondendo per la centesima volta alla stessa domanda.
La sfida del 2034 si vince prima del 2034. E il momento per iniziare non è quando l’ultima persona esperta avrà già chiuso la porta.
No. Può automatizzare attività ripetitive, supportare la ricerca documentale e affiancare i nuovi assunti, ma servono comunque persone, competenze e responsabilità umana.
Trasferimento della conoscenza, ricerca nei documenti, preparazione di bozze, semplificazione del linguaggio, controllo preliminare delle pratiche e assistenza ai cittadini.
Non dovrebbe decidere autonomamente su diritti, contributi o graduatorie. Può fornire informazioni e supporto, mentre le decisioni rilevanti devono essere trasparenti, verificabili e soggette a controllo umano.
Si limita il sistema a fonti approvate, si obbliga la risposta a citare i documenti utilizzati, si impostano soglie di affidabilità e si mantiene la revisione umana.
Da un progetto circoscritto e misurabile, come organizzare le procedure di un ufficio, creare una base di conoscenza interna o migliorare le risposte alle domande frequenti.
È l’insieme di competenze che permette a personale e organizzazioni di usare l’AI in modo informato, comprendendone possibilità, limiti e rischi.
Mandami un WhatsApp al 339.6325418 per organizzare un corso o una conferenza sull’A.I. generativa.
