Vendite PC in calo: AI locale e automazioni possono riportarli nelle case?

, ,

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.

Schermata ufficiale LM Studio Discover per cercare e scaricare modelli linguistici locali
La ricerca dei modelli in LM Studio. Schermata dalla documentazione ufficiale; l’interfaccia può variare tra versioni.

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.

Schermata ufficiale della chat di LM Studio con un modello eseguito sul computer
La chat con un modello locale in LM Studio. Schermata dalla guida ufficiale.

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.

    Qualche dettaglio sul corso (facoltativo)

    Qualche dettaglio sull’evento (facoltativo)

    Bastano poche righe. Se hai già una data o un obiettivo, aggiungili.

    I campi con * sono obbligatori.

    /0 Commenti/da

    AI per rivenditori: cinque applicazioni pratiche dall’Academy Odpiù

    ,

    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.

      Qualche dettaglio sul corso (facoltativo)

      Qualche dettaglio sull’evento (facoltativo)

      Bastano poche righe. Se hai già una data o un obiettivo, aggiungili.

      I campi con * sono obbligatori.

      /0 Commenti/da

      ChatGPT diventa più stupido nel pomeriggio? La teoria degli americani che si svegliano

      Durante i miei corsi mi fanno spesso una domanda: «Perché ChatGPT nel pomeriggio sembra più lento?». La teoria è irresistibile: quando in Italia sono le 15 o le 16, negli Stati Uniti comincia la giornata lavorativa. Gli americani si collegano e noi restiamo in coda?

      Perché potrebbe essere vero

      Le risorse di calcolo non sono infinite. OpenAI riconosce esplicitamente che nelle ore di punta possono verificarsi rallentamenti. E il rapporto sull’incidente del 10 febbraio 2026 racconta di domanda superiore alla capacità disponibile, con conseguenti errori. Non è soltanto una metafora: quando le richieste aumentano, i sistemi devono distribuire il carico, accodare, limitare o rifiutare alcune richieste.

      Le linee guida ufficiali sui limiti delle API spiegano proprio che picchi di traffico possono mettere sotto pressione i server. Inoltre la differenza di fuso rende l’ipotesi plausibile: le 15 italiane corrispondono indicativamente alle 9 sulla costa orientale statunitense, salvo le settimane in cui cambiano gli orari legali in date diverse.

      Perché la teoria potrebbe essere sbagliata

      Non sappiamo se le richieste italiane e statunitensi siano instradate sulla medesima capacità di inferenza, né quale sia il carico effettivo per fascia oraria. L’infrastruttura è distribuita, il traffico viene bilanciato e la capacità può essere riassegnata. Un approfondimento tecnico di OpenAI descrive quanto contino bilanciamento del carico e gestione delle connessioni.

      Inoltre «più lento» non significa «meno intelligente». La velocità dipende dal modello, dalla lunghezza della risposta, dalla complessità della richiesta e dalle operazioni aggiuntive. La documentazione sulla latenza spiega perché la generazione dei token può richiedere tempi diversi. Una risposta inesatta, invece, non dimostra affatto che i server siano sovraccarichi.

      Gli incidenti possono anche dipendere da problemi software: il post-mortem del 2 giugno 2026 attribuisce rallentamenti ed errori a una modifica di configurazione che ha saturato una dipendenza condivisa, non a un risveglio collettivo degli americani.

      Che cosa dicono i documenti tecnici sui rallentamenti

      La guida ufficiale di OpenAI sulla lentezza di ChatGPT cita esplicitamente le ore di punta, ma raccomanda anche di controllare browser, cache, rete e pagina di stato. È quindi una conferma della possibilità di rallentamenti legati alla domanda, non della specifica teoria del pomeriggio italiano.

      Il rapporto OpenAI sull’incidente del 10 febbraio 2026 è ancora più istruttivo: una flotta di modelli aveva capacità insufficiente rispetto alle richieste e si sono verificati errori. È una prova concreta che il rapporto tra domanda e capacità conta.

      Attenzione però alle spiegazioni alternative: il rapporto sull’incidente del 12 febbraio 2026 attribuisce un disservizio a un aggiornamento software, mentre quello del 4 febbraio 2026 descrive una riduzione della capacità del database durante una manutenzione. Non tutti i problemi nascono da troppi utenti.

      Per capire come sistemi di inferenza AI possano distribuire le richieste tra risorse diverse, è utile anche l’architettura di riferimento Google Cloud per il model serving. Si tratta di una spiegazione generale, non di una descrizione dell’infrastruttura interna di ChatGPT.

      Come verificare la teoria: un piccolo esperimento

      Per due settimane, dal lunedì al venerdì, lanciamo lo stesso prompt in una nuova conversazione, sullo stesso modello e con le stesse impostazioni, alle 9, alle 12, alle 15, alle 17 e alle 21. Registriamo il tempo fino alla prima parola, il tempo totale, eventuali errori e il numero approssimativo di parole generate. Ripetiamo più volte ogni prova e confrontiamo le mediane. Annotiamo anche eventuali incidenti sulla pagina di stato.

      Per misurare la qualità, invece, prepariamo un insieme separato di quesiti con risposte verificabili e valutiamo gli errori senza sapere a quale orario appartenga ciascuna risposta. Non basta un’impressione dopo una giornata di lavoro.

      Domande frequenti su ChatGPT lento nel pomeriggio

      Perché ChatGPT è lento alle 15 o alle 16?

      Tra le possibili cause ci sono picchi di traffico, problemi temporanei del servizio, richieste complesse, connessioni locali lente e differenze tra modelli. Non esistono prove pubbliche sufficienti per attribuire sistematicamente i rallentamenti di quell’orario agli utenti statunitensi.

      Gli americani che si collegano possono rallentare ChatGPT in Italia?

      In teoria, una domanda globale elevata può incidere sulla capacità disponibile. Tuttavia non è pubblico il dettaglio necessario per dimostrare che il traffico statunitense provochi un rallentamento quotidiano degli utenti italiani.

      ChatGPT diventa meno intelligente quando i server sono sovraccarichi?

      Un servizio sotto carico può rispondere più lentamente o generare errori. Questo non dimostra un calo della qualità del ragionamento: per verificarlo servono test controllati con risposte valutabili.

      Come capire se ChatGPT ha problemi oggi?

      Controlla OpenAI Status, confronta una richiesta breve in una nuova chat e verifica la connessione. Un problema isolato non basta per concludere che esista un disservizio globale.

      Il verdetto provvisorio

      Sì, un picco di domanda può peggiorare la disponibilità e la velocità di un chatbot. No, non abbiamo prove che ChatGPT diventi sistematicamente meno capace nel pomeriggio italiano per colpa degli utenti americani. La teoria è una buona ipotesi da testare, non una conclusione dimostrata.

      La prossima volta che alle 15:30 ChatGPT sembra distratto, prima di accusare New York controllate lo stato del servizio, provate una nuova conversazione e confrontate la stessa richiesta in un altro momento. La scienza comincia quando smettiamo di confondere una sensazione con una misura.

      Ti è capitato? Scrivimi in quale fascia oraria e con quale chatbot: potremmo trasformare questa curiosità in un esperimento collettivo.

      Hai una domanda su ChatGPT o vuoi portare l’AI nella tua azienda?

      Raccontami la tua esperienza con i chatbot oppure contattami per corsi, interventi e consulenze sull’intelligenza artificiale generativa. Compila il modulo qui sotto.

        Qualche dettaglio sul corso (facoltativo)

        Qualche dettaglio sull’evento (facoltativo)

        Bastano poche righe. Se hai già una data o un obiettivo, aggiungili.

        I campi con * sono obbligatori.

        /0 Commenti/da

        Truffe con deepfake vocali: una parola segreta per proteggere azienda e famiglia

        ,

        Immaginate questa telefonata: «Papà, ho avuto un problema. Mi servono dei soldi subito. Ti prego, non chiamare nessuno». Dall’altra parte sentite una voce familiare. Oppure siete in amministrazione e arriva un messaggio vocale del titolare: «Fai questo bonifico adesso, poi ti spiego». Sono due scene esemplificative, non il racconto di episodi che mi sono accaduti. Ma pongono una domanda molto concreta: basta riconoscere una voce per sapere chi sta parlando?

        Con i deepfake vocali, la risposta è no. E una delle contromisure più accessibili consiste nel concordare in anticipo una parola segreta, o meglio una breve frase segreta, con i propri familiari. In azienda un accordo simile può aiutare, purché resti dentro una procedura di verifica. Mi piace questa soluzione perché si può spiegare senza aprire un manuale di informatica. Però va usata bene: una parola corretta non è un lasciapassare per un bonifico.

        Che cosa sono le truffe con deepfake vocali

        Un deepfake vocale è un audio sintetico o manipolato che imita la voce di una persona. La Federal Trade Commission, l’autorità statunitense per la tutela dei consumatori, spiega che un truffatore può sfruttare una breve registrazione, anche ricavata da contenuti pubblicati online, per simulare la voce di un familiare. Non esiste una durata magica dell’audio che renda ogni imitazione perfetta: la qualità dipende dallo strumento e dal materiale disponibile.

        Il messaggio può arrivare come telefonata o nota vocale. Non occorre immaginare sempre una conversazione generata in tempo reale: anche un breve audio preparato può servire a rendere credibile una richiesta. Nell’allerta del 15 maggio 2025, il Federal Bureau of Investigation (FBI) ha documentato una campagna di messaggi e audio generati con l’AI che impersonavano alti funzionari statunitensi. La clonazione della voce è dunque anche uno strumento per conquistare fiducia e ottenere accesso agli account.

        In famiglia: la falsa emergenza mette fretta

        Nel nostro esempio, una figlia dice di avere perso il telefono, di essere bloccata o di aver bisogno di un pagamento urgente. Il genitore prova ad aiutare. Il truffatore aggiunge fretta e isolamento: «Non dirlo alla mamma», «Non chiamarmi, questo telefono non riceve», «Manda subito». Il copione mira a far partire il pagamento prima della verifica.

        La FTC descrive proprio le false emergenze familiari rese più convincenti dalla clonazione vocale e raccomanda di contattare la persona usando un numero già noto. Se non risponde, suggerisce di cercarla attraverso altri familiari o amici. È un passaggio essenziale: l’impossibilità di raggiungerla subito non conferma la storia raccontata dal chiamante.

        Una parola segreta contro i deepfake vocali: come sceglierla

        La proposta non è una mia invenzione. Nell’avviso dell’Internet Crime Complaint Center dell’FBI del 3 dicembre 2024, tra le contromisure compare esplicitamente una parola o frase segreta familiare per verificare l’identità. Lo stesso documento descrive l’uso di audio sintetici per impersonare parenti in difficoltà.

        Ecco come propongo di trasformare quel consiglio in un’abitudine concreta:

        • Scegliete insieme una breve frase insolita e facile da ricordare. Evitate nomi, compleanni, scuole e informazioni che avete già pubblicato. «Il tostapane va in vacanza» è soltanto un esempio inventato per questo articolo: proprio perché è pubblico, non usatelo.
        • Concordatela in un momento tranquillo e riservato. Coinvolgete chi potrebbe ricevere una richiesta, compresi i nonni. Spiegate quando serve e fate una prova.
        • Tenetela separata dalle password degli account. Non riutilizzate credenziali, PIN o codici bancari. Non pubblicatela e non lasciatela in messaggi o documenti facilmente accessibili.
        • Chiedete la frase senza suggerirla. «Qual è la nostra frase?» è diverso da «La frase era il tostapane, vero?». Se la dite voi, avete appena regalato la risposta.
        • Cambiatela se viene esposta. Se l’avete pronunciata a un sospetto truffatore o temete che qualcuno l’abbia letta, concordatene una nuova attraverso un contatto verificato.

        Se la persona sbaglia o non ricorda, non concludete automaticamente che l’emergenza sia falsa: una persona davvero in difficoltà potrebbe confondersi. Fermate il pagamento e verificate per un’altra strada. La frase serve ad aggiungere un controllo, non a decidere se qualcuno meriti aiuto.

        La regola da ricordare: chiedi, chiudi, richiama

        Una richiesta urgente di denaro o dati dovrebbe attivare questa sequenza: chiedi la frase, chiudi la chiamata, richiama il numero che conosci già. Non usare quello indicato nel nuovo messaggio. Se non riesci a verificare, coinvolgi un altro contatto fidato. Anche se la frase è corretta, una richiesta insolita merita conferma.

        Il limite è semplice: un segreto può essere rubato, ascoltato o fatto rivelare con un inganno. Una volta noto, può essere pronunciato anche dalla voce falsa. Per questo considero la parola segreta un controllo in più, non una protezione infallibile. Non comunicate mai codici di accesso temporanei per “dimostrare chi siete”: l’FBI avverte anche del furto dei codici di autenticazione attraverso queste campagne.

        In azienda: il capo deve rispettare la procedura

        Torniamo al falso titolare. «Sono in riunione, non posso parlare. Paga questo nuovo fornitore». Una frase di verifica concordata con un gruppo ristretto può far emergere un problema, ma non dovrebbe autorizzare un’operazione. Se tutti in azienda conoscono lo stesso segreto e lo scrivono ovunque, quel controllo perde gran parte del suo valore.

        Nella guida al Business Email Compromise, le frodi che sfruttano comunicazioni aziendali apparentemente legittime, l’FBI raccomanda di verificare richieste di pagamento e cambiamenti delle coordinate attraverso un contatto diretto, prestando particolare attenzione alla fretta. Il consiglio riguarda le frodi via email, ma applicarlo anche alle richieste vocali è una precauzione organizzativa sensata.

        La procedura che suggerisco alle aziende prevede:

        • Richiamata su un recapito già verificato per richieste insolite e cambi di IBAN, usando la rubrica aziendale o l’anagrafica del fornitore.
        • Seconda approvazione per pagamenti rilevanti o fuori dalle modalità abituali, secondo soglie definite dall’organizzazione.
        • Conferma nel sistema previsto per i pagamenti, con verifica di beneficiario, importo e causale. Un audio non deve sostituire l’autorizzazione.
        • Possibilità di sospendere l’operazione senza rimproveri. La verifica deve essere consentita anche quando la richiesta sembra arrivare dall’amministratore delegato.

        La frase utile per chi lavora in amministrazione è: «Verifico attraverso il canale concordato e poi procedo». Questa può essere pubblica: è una regola di lavoro, non il segreto di autenticazione.

        Perché non basta cercare una voce metallica

        Accenti strani, pause e risposte incoerenti possono insospettire, ma non sono un test affidabile. Una cattiva connessione può rendere strana anche una chiamata autentica. Il National Cyber Security Centre britannico segnala che i contenuti sintetici diventano più difficili da distinguere e che gli strumenti di rilevamento possono essere inefficaci o inaffidabili. Affidare tutto all’orecchio, o a un’app che promette un verdetto definitivo, lascia quindi un vuoto nella verifica.

        Per vedere un esempio giornalistico del problema, questo servizio di NBC News del marzo 2023, in inglese, racconta il rischio delle chiamate che imitano la voce di un familiare. È un approfondimento d’archivio, non una misura della diffusione attuale delle truffe.

        Una prova da fare prima della telefonata

        Dedicate pochi minuti a una simulazione concordata, senza clonare voci e senza spaventare nessuno. Una persona interpreta una richiesta insolita di denaro; l’altra chiede la frase, interrompe e richiama il contatto già noto. Poi invertite i ruoli. In ufficio aggiungete il passaggio della seconda approvazione. Se durante la prova nessuno sa chi chiamare, avete trovato qualcosa da sistemare prima di una vera emergenza.

        Per chi vuole lavorare sul tema con i figli, nel mio corso sull’intelligenza artificiale per genitori con Fastweb Digital Academy c’è anche un modulo dedicato ai deepfake e alla verifica dei contenuti.

        Se avete già disposto un pagamento sospetto, contattate subito la banca o il servizio usato per pagare e chiedete quali interventi siano ancora possibili, senza dare per certo il recupero. Conservate messaggi e dettagli dell’operazione; in azienda avvisate immediatamente chi gestisce sicurezza e amministrazione. La tempestività nel contattare l’intermediario è raccomandata anche dalla guida dell’FBI alle frodi BEC.

        Il consiglio che lascio è molto pratico: concordate oggi una frase riservata e una procedura di richiamata. Non serve smettere di fidarsi dei familiari o dei colleghi. Serve dare alla fiducia un modo per verificare chi sta davvero chiedendo qualcosa. Una voce può essere imitata; la vostra procedura deve continuare a valere anche quando quella voce sembra perfetta.

        Vuoi organizzare un corso sull’AI e sui rischi dei deepfake?

        Organizzo corsi e workshop per aziende, enti e associazioni sull’uso consapevole dell’intelligenza artificiale, con esempi pratici e simulazioni. Se vuoi approfondire questi temi con il tuo team o organizzare un incontro per famiglie e genitori, scrivimi usando il modulo qui sotto.

          Il tuo nome (richiesto)

          La tua email (richiesto)

          Oggetto

          Il tuo messaggio

          Puoi indicare il pubblico, il tema e il formato dell’incontro che hai in mente.

          /0 Commenti/da

          Perché ChatGPT, Claude, Gemini, Grok e gli altri modelli AI si chiamano così?

          , , ,

          ChatGPT sembra la sigla di un elettrodomestico. Claude il collega francese che ti corregge le email. Gemini un segno zodiacale. Grok una parola pronunciata da un marziano. Llama, invece, un animale che potrebbe sputarti addosso.

          I nomi dei modelli di intelligenza artificiale non sono scelti a caso. Alcuni descrivono la tecnologia, altri costruiscono un personaggio, altri ancora raccontano l’ambizione dell’azienda che li ha creati. Il nome è già un piccolo manuale di istruzioni: suggerisce come dovremmo immaginare e usare quella AI.

          In breve: ChatGPT descrive la tecnologia, Claude umanizza la macchina, Gemini evoca unione e ambizione, Grok promette comprensione profonda, Llama trasforma una sigla tecnica in un animale memorabile.

          ChatGPT, Claude, Gemini e Grok non sono tutti “modelli”

          Confronto tra le interfacce ufficiali di ChatGPT, Claude, Gemini e Grok

          Prima di parlare dei nomi, serve una distinzione. Nel linguaggio quotidiano diciamo “modello” per indicare tutto, ma non è sempre corretto.

          GPT è una famiglia di modelli. ChatGPT è il prodotto conversazionale che usa quei modelli. Claude indica sia la famiglia di modelli sia l’assistente di Anthropic. Google usa Gemini per i modelli e per il suo assistente. Anche Grok è sia il nome dell’assistente di xAI sia quello della relativa famiglia di modelli. Llama, invece, identifica soprattutto la famiglia di modelli di Meta.

          Nome Origine Messaggio implicito
          ChatGPT Chat + Generative Pre-trained Transformer Conversazione e tecnologia
          Claude Probabile omaggio a Claude Shannon, non confermato ufficialmente Umanità e autorevolezza
          Gemini I gemelli, l’unione dei team Google e il programma spaziale NASA Collaborazione e ambizione
          Grok Verbo inventato da Robert A. Heinlein Comprensione profonda
          Llama Large Language Model Meta AI Tecnologia resa memorabile
          Mistral Il forte vento del Sud della Francia Velocità e identità europea
          Copilot Il secondo pilota Collaborazione tra persona e macchina
          DeepSeek Letteralmente “ricerca profonda” Esplorazione e ragionamento

          Che cosa significa ChatGPT?

          Interfaccia ufficiale di ChatGPT con il campo per iniziare una conversazione

          ChatGPT è il nome più descrittivo del gruppo. Chat indica l’interfaccia conversazionale. GPT significa Generative Pre-trained Transformer.

          • Generative: il sistema genera nuovi contenuti, invece di limitarsi a classificare o recuperare informazioni.
          • Pre-trained: il modello viene addestrato in anticipo su grandi quantità di dati e poi adattato a compiti e comportamenti specifici.
          • Transformer: è l’architettura presentata nel 2017 nell’articolo scientifico “Attention Is All You Need”.

          La sigla GPT era già consolidata nella ricerca di OpenAI, per esempio nel paper su GPT-3. Quando nel novembre 2022 arrivò ChatGPT, bastò aggiungere “Chat” per dire a tutti che quella tecnologia poteva essere usata come una conversazione.

          È un nome quasi ingegneristico, non particolarmente caldo. Eppure ha funzionato perché la parola “chat” rende familiare una sigla tecnica. Prima viene il gesto noto, parlare; subito dopo arriva la macchina.

          Perché Anthropic ha scelto il nome Claude?

          Schermate ufficiali dell'app Claude di Anthropic

          Claude è il caso opposto. Non è una sigla, ma un nome proprio. Sembra una persona. Questa scelta abbassa la distanza psicologica: non stai interrogando una macchina, stai chiedendo aiuto a “Claude”. Il marchio diventa più facile da ricordare e più naturale da nominare in una frase.

          L’interpretazione più diffusa è che il nome sia un omaggio a Claude Shannon, matematico e padre della teoria dell’informazione. Il collegamento è molto plausibile per un’azienda che lavora sul linguaggio e sull’informazione. Va però aggiunta una cautela importante: Anthropic non ha pubblicato una spiegazione ufficiale e definitiva. Anche il San Francisco Chronicle, ricostruendo la storia del nome, tratta il riferimento a Shannon come una spiegazione probabile, non come una dichiarazione aziendale incontrovertibile.

          Anthropic continua poi con nomi letterari e musicali per le diverse classi di modello: Haiku, Sonnet e Opus. Il risultato è un universo semantico meno da laboratorio e più da scrivania creativa. Ne avevo già parlato riflettendo sul posizionamento quasi “fighetto” di Claude di Anthropic.

          Qui il naming non spiega come funziona il modello. Spiega come l’azienda vorrebbe farcelo percepire: colto, misurato, collaborativo.

          Perché Google ha chiamato il suo modello Gemini?

          Interfaccia ufficiale di Google Gemini con il campo Chiedi a Gemini

          Per Gemini abbiamo una spiegazione ufficiale. In latino gemini significa “gemelli” e rimanda a Castore e Polluce, le due stelle più note della costellazione dei Gemelli.

          Secondo il racconto pubblicato da Google, il nome sintetizza soprattutto la collaborazione tra i team di Google Brain e DeepMind, riuniti nel 2023 in Google DeepMind. Due grandi tradizioni di ricerca che lavorano come una coppia.

          C’è anche un secondo riferimento: Project Gemini, il programma spaziale della NASA che preparò le missioni Apollo. Il nome, quindi, porta con sé un’idea di incontro, coordinamento e corsa verso una nuova frontiera.

          Google ha presentato il modello come nativamente multimodale, capace di lavorare con testo, immagini, audio, video e codice. Anche il rapporto tecnico di Gemini insiste sulla combinazione di modalità diverse. Il nome funziona perché racconta proprio questo: componenti differenti che diventano un unico sistema.

          Video ufficiale di Google:

          Perché Grok si chiama così?

          Interfaccia ufficiale di Grok con il campo per iniziare una conversazione

          Prima precisazione, utile anche per Google: si scrive Grok, con una sola “c”. Non “Grock”.

          Il verbo to grok fu inventato dallo scrittore Robert A. Heinlein nel romanzo di fantascienza Stranger in a Strange Land, pubblicato nel 1961. Nel tempo è entrato nel lessico inglese, soprattutto informatico, con il senso di capire qualcosa in modo profondo, intuitivo e completo. È questa anche la definizione registrata da Merriam-Webster.

          Nel suo annuncio di lancio, xAI presentò Grok come un assistente ispirato alla Guida galattica per gli autostoppisti, capace di rispondere con umorismo e con una vena ribelle. Il nome promette quindi due cose: comprensione profonda e cultura fantascientifica.

          È una scelta coerente con Elon Musk. Non un assistente neutro e aziendale, ma un personaggio con un tono riconoscibile. Se ChatGPT descrive una tecnologia e Claude sembra un collega, Grok entra in scena come il protagonista di un romanzo.

          Perché Llama si chiama Llama?

          Interfaccia ufficiale di Meta AI, il prodotto collegato ai modelli di Meta

          Llama è un acronimo: Large Language Model Meta AI. Meta lo esplicitò già nel primo annuncio ufficiale del 2023.

          La parte brillante è che l’acronimo forma una parola vera e visiva. Un animale è molto più facile da ricordare di una sequenza di lettere. Consente anche di costruire loghi, immagini, giochi di parole e una comunità riconoscibile.

          In questo caso il nome mantiene la precisione tecnica, ma la confeziona in modo pop. È un piccolo capolavoro di memorabilità: chiunque ricorda il lama, quasi nessuno ricorderebbe “LLMMAI”.

          Mistral: il vento francese dell’intelligenza artificiale

          Interfaccia mostrata nella pagina ufficiale del prodotto Mistral Vibe

          Mistral AI è un’azienda francese e il mistral, in italiano maestrale, è il vento forte e freddo che soffia verso il Mediterraneo dal Sud della Francia. Il nome comunica velocità, energia e radicamento geografico.

          Sul proprio sito ufficiale, l’azienda non propone una lunga storia del naming. Il riferimento culturale e territoriale è evidente, ma è corretto non trasformarlo in una spiegazione ufficiale mai pubblicata.

          È anche un nome che suona bene in molte lingue. Non ha bisogno di traduzione e porta immediatamente l’azienda fuori dal solito immaginario della Silicon Valley. Nel settore AI, dove moltissimi marchi parlano inglese americano, questa identità europea è già un posizionamento.

          DeepSeek, Qwen, Copilot e Perplexity: nomi che creano aspettative

          Interfaccia ufficiale di DeepSeek con le opzioni DeepThink e Search

          DeepSeek unisce “deep” e “seek”: cercare in profondità. È un nome che evoca esplorazione e ragionamento.

          Interfaccia ufficiale di Qwen Studio con il campo Chiedi a Qwen

          Qwen è il marchio scelto da Alibaba per la propria famiglia di modelli e oggi raccoglie versioni dedicate a testo, codice, immagini e altre modalità. Sul mio sito trovi anche gli articoli dedicati a Qwen.

          Pagina ufficiale di Microsoft Copilot con esempi d'uso e accesso a Copilot Chat

          Copilot usa una metafora aeronautica. Il pilota resta la persona, l’AI siede accanto e aiuta. È una scelta linguistica strategica perché presenta la macchina come collaboratore, non come sostituto.

          Schermate dell'app ufficiale Perplexity pubblicate sull'App Store

          Perplexity è una parola inglese che significa perplessità o complessità. È anche il nome di una misura usata per valutare quanto un modello linguistico trovi prevedibile una sequenza di parole. Il richiamo tecnico è evidente, anche se il marchio non va ridotto a quella sola metrica.

          I nomi influenzano il modo in cui usiamo l’intelligenza artificiale. “Copilot” ci invita a mantenere il controllo. “Claude” favorisce un rapporto quasi personale. “Grok” promette intuizione. “DeepSeek” suggerisce profondità. Queste sono promesse di marca, non prove di qualità.

          Un modello con un nome rassicurante può ancora sbagliare. Uno con un nome tecnico può essere creativo. Per ottenere risultati migliori servono obiettivi chiari, verifica delle fonti e buoni prompt, non simpatia per il logo.

          Domande frequenti sui nomi dei modelli AI

          Che cosa significa GPT?
          GPT significa Generative Pre-trained Transformer: generativo, preaddestrato e basato sull’architettura Transformer.

          Claude prende davvero il nome da Claude Shannon?
          È l’ipotesi più diffusa e plausibile, ma Anthropic non l’ha confermata ufficialmente in modo definitivo.

          Perché Gemini si chiama così?
          Il nome richiama i gemelli, la collaborazione tra Google Brain e DeepMind e il programma spaziale Gemini della NASA.

          Si scrive Grok o Grock?
          La grafia corretta è Grok, con una sola “c”. Il termine nasce nel romanzo di Heinlein Stranger in a Strange Land.

          Llama è soltanto il nome di un animale?
          No. È l’acronimo di Large Language Model Meta AI. Il fatto che coincida con il nome dell’animale lo rende più memorabile.

          Il nome dice quale modello AI è migliore?
          No. Il naming comunica identità e posizionamento, ma la qualità va valutata in base al compito, ai dati, ai test e all’affidabilità delle risposte.

          Il nome è la prima risposta dell’intelligenza artificiale

          Le interfacce ufficiali mostrano come ChatGPT, Claude, Gemini e Grok si presentano agli utenti

          Prima ancora di rispondere alla nostra prima domanda, ogni AI ci ha già suggerito come vorrebbe essere percepita. ChatGPT vuole essere uno strumento conversazionale. Claude un interlocutore. Gemini una fusione di capacità. Grok una mente che comprende in profondità. Llama una tecnologia aperta e memorabile.

          Poi tocca a noi verificare se mantiene la promessa. Possibilmente senza chiedere direttamente al modello perché si chiama così e prendere la sua risposta per buona. Se vuoi continuare l’esplorazione, trovi qui tutti i miei articoli su tecnologia, comunicazione e intelligenza artificiale.

          Fonti autorevoli

          Scrivimi per organizzare un evento o un corso sull’intelligenza artificiale generativa

          Mandami un WhatsApp al 339.6325418 per organizzare un corso o una conferenza sull’A.I. generativa.

          Inviaci email

          /0 Commenti/da

          Memoria di ChatGPT: guida passo passo

          , , ,

          La memoria di ChatGPT permette al sistema di riutilizzare preferenze, dettagli e contesto pertinenti per offrirti risposte più personali e farti ripetere meno informazioni. Non è però una registrazione completa di tutto ciò che hai scritto: ChatGPT seleziona ciò che considera utile e, a seconda del piano e delle impostazioni, può attingere da chat precedenti, ricordi salvati, istruzioni personalizzate, file nella Libreria e contenuti delle app connesse.

          In questa guida vediamo come controllare la memoria di ChatGPT, correggerla, cancellarla e usare le chat temporanee. Con una precisazione importante: le voci possono cambiare in base al piano, alla piattaforma, all’area geografica e alle regole dell’eventuale spazio di lavoro aziendale.

          Che cos’è la memoria di ChatGPT, in breve

          La memoria trasforma ChatGPT da interlocutore che riparte ogni volta da zero in un assistente capace di mantenere continuità. Se sa che lavoro fai, quali strumenti usi o come preferisci ricevere una risposta, può evitare premesse inutili e adattare meglio esempi e linguaggio.

          OpenAI distingue però più meccanismi:

          • Ricordi salvati: informazioni che chiedi esplicitamente di ricordare o che ChatGPT conserva come contesto utile.
          • Cronologia chat: informazioni pertinenti ricavate dalle conversazioni precedenti. Possono cambiare quando il sistema rivaluta ciò che è più utile.
          • Istruzioni personalizzate: indicazioni dirette su ciò che ChatGPT deve sapere e sul modo in cui deve rispondere. Non sono la stessa cosa della memoria.
          • Memoria migliorata: dove disponibile, mantiene un riepilogo più ampio e aggiornato del contesto personale.

          È una distinzione pratica. Se vuoi costruire un vero assistente personale o un secondo cervello digitale con ChatGPT, devi sapere da quale fonte arriva un’informazione e come rimuoverla davvero.

          Come attivare e gestire la memoria di ChatGPT

          Passaggio 1: apri le impostazioni

          1. Apri ChatGPT sul web o nell’app.
          2. Apri il menu del profilo.
          3. Seleziona Impostazioni.
          4. Vai su Personalizzazione.
          5. Apri Memoria.

          Secondo la guida ufficiale OpenAI sulla memoria, qui potresti trovare voci come Memoria, Fai riferimento ai ricordi salvati, Fai riferimento alla cronologia chat, Riepilogo della memoria, Gestisci o Ricordi salvati. Se una voce non compare, non è necessariamente un errore: disponibilità e controlli variano.

          Passaggio 2: scegli che cosa può essere usato

          Se il tuo account mostra due interruttori separati, puoi controllare i ricordi salvati e la cronologia delle chat. Disattivando i ricordi salvati viene disattivato anche il riferimento alla cronologia; lasciandoli attivi, puoi invece gestire la cronologia separatamente.

          Attenzione a un equivoco comune: spegnere la memoria non cancella automaticamente le vecchie chat. Se in seguito la riattivi, ChatGPT potrebbe ricavare nuovi elementi dalle conversazioni ancora presenti.

          Passaggio 3: chiedi a ChatGPT che cosa ricorda

          Il controllo più semplice parte da una domanda:

          Che cosa ricordi di me? Organizza la risposta per categorie e segnala le informazioni che potrebbero essere obsolete o poco utili.

          Dove disponibile, puoi anche aprire il Riepilogo della memoria. La schermata offre una vista sintetica, non necessariamente completa, delle informazioni usate per personalizzare le risposte.

          Schermata ufficiale del riepilogo della memoria di ChatGPT con funzione di correzione
          Il riepilogo della memoria può essere corretto direttamente. Schermata ufficiale OpenAI.

          Passaggio 4: correggi ciò che è sbagliato

          Puoi scrivere una correzione, selezionare il testo da modificare oppure dire in chat:

          Correggi questa informazione: non uso più lo strumento X. Da oggi considera Y come mia preferenza.

          Alcuni account mostrano anche l’opzione Non menzionarlo più. Serve a ridurre i riferimenti futuri, ma non elimina la fonte originale. È la differenza fra dire a qualcuno di non citare più un vecchio episodio e strappare la pagina dall’archivio.

          Passaggio 5: controlla le fonti della personalizzazione

          Quando ChatGPT usa contesto personale pertinente, sotto la risposta può comparire la sezione Fonti. Può rimandare a un ricordo, una chat, un’istruzione personalizzata, un file o un’email connessa. Non è detto che mostri ogni fattore che ha influenzato la risposta.

          Schermata ufficiale delle fonti della memoria di ChatGPT con comandi per pertinenza e correzione
          Dalle Fonti puoi verificare perché un’informazione è stata usata, correggerla o segnalarla come non pertinente. Schermata ufficiale OpenAI.

          Questo controllo è prezioso perché la personalizzazione senza trasparenza rischia di diventare una scatola nera. Se un suggerimento ti sorprende, controlla prima la fonte e poi decidi se correggere, eliminare o ignorare l’informazione.

          Come cancellare davvero un’informazione dalla memoria

          Cancellare la chat non basta sempre. Un ricordo salvato è archiviato separatamente dalla conversazione originaria. Per rimuovere un’informazione in modo più completo:

          1. Elimina il ricordo dal riepilogo o dai controlli dei ricordi salvati.
          2. Elimina la chat in cui l’informazione è stata condivisa.
          3. Rimuovila anche da eventuali chat archiviate.
          4. Elimina i file pertinenti dalla Libreria.
          5. Se proviene da un’app connessa, valuta di rimuovere il contenuto o disconnettere l’app.

          OpenAI avverte che aggiornamenti ed eliminazioni possono richiedere tempo e che i log dei ricordi salvati eliminati possono essere conservati fino a 30 giorni per sicurezza e debug. Per i documenti professionali conviene comunque ridurre i dati personali prima del caricamento: ho spiegato un approccio pratico nella guida a Rizzo PII per anonimizzare i documenti destinati a ChatGPT.

          Chat temporanea: quando usare ChatGPT senza creare nuovi ricordi

          La chat temporanea è utile quando la conversazione non deve comparire nella cronologia e non deve creare o aggiornare la memoria. Prima di inviare il primo messaggio puoi scegliere:

          • Personalizzata: usa ricordi esistenti, istruzioni personalizzate e plugin disponibili.
          • Non personalizzata: ignora memoria, istruzioni personalizzate e plugin.

          La scelta non può essere modificata dopo l’inizio della conversazione. In entrambi i casi la chat temporanea non crea né aggiorna ricordi. Se però la salvi, diventa una chat normale e segue le impostazioni dell’account. La documentazione OpenAI sulle chat temporanee precisa inoltre che una copia può essere conservata fino a 30 giorni per finalità di sicurezza.

          Schermata ufficiale di ChatGPT per scegliere una chat temporanea personalizzata o non personalizzata
          Nella chat temporanea puoi scegliere Personalizzata o Non personalizzata prima del primo messaggio. Schermata ufficiale OpenAI.

          Memoria e addestramento dei modelli non sono la stessa impostazione

          Un altro equivoco frequente è confondere memoria e addestramento. La memoria personalizza le risposte. L’opzione Migliora il modello per tutti decide invece se, per un account personale, le nuove conversazioni possano contribuire al miglioramento dei modelli.

          Per controllarla sul web:

          1. Apri il menu del profilo.
          2. Vai su Impostazioni.
          3. Apri Controlli dei dati.
          4. Attiva o disattiva Migliora il modello per tutti.

          La FAQ ufficiale sui controlli dei dati chiarisce che, disattivando questa voce, le conversazioni restano nella cronologia ma non vengono usate per addestrare ChatGPT. Nei workspace ChatGPT Business, Enterprise, Edu e Healthcare, OpenAI dichiara che i contenuti non vengono usati per l’addestramento per impostazione predefinita.

          Memoria nei progetti: contesto globale o isolato?

          I Progetti aggiungono un’altra scelta importante. Dove disponibile, puoi usare la memoria predefinita oppure la memoria limitata al progetto. In questo secondo caso le chat possono fare riferimento alle altre conversazioni dello stesso progetto, ma non a quelle esterne; anche le chat esterne non possono richiamare il contenuto del progetto.

          È una buona soluzione per separare clienti, corsi, ricerche o attività personali. Secondo la guida OpenAI ai Progetti, i progetti condivisi usano automaticamente la memoria limitata al progetto. È un confine di contesto, non una scusa per caricare qualsiasi dato senza valutare ruoli, permessi e policy aziendali.

          Cinque prompt per gestire meglio la memoria

          1. Audit: “Che cosa ricordi di me? Dividi le informazioni in corrette, da verificare e non più utili”.
          2. Aggiunta: “Ricorda che preferisco risposte brevi, con esempi italiani e fonti primarie”.
          3. Correzione: “Sostituisci la vecchia informazione X con Y e dimmi che cosa hai aggiornato”.
          4. Rimozione: “Dimentica l’informazione X e spiegami quali altre fonti devo eliminare per rimuoverla completamente”.
          5. Controllo in risposta: “Per questa risposta indica se hai usato memoria, chat precedenti, file o app connesse”.

          Le istruzioni personalizzate restano lo strumento migliore per regole stabili e intenzionali sul tono e sul formato. La memoria serve invece a mantenere continuità con ciò che emerge nel tempo. Per approfondire le forme più evolute di personalizzazione puoi leggere anche il mio articolo su skill, plugin e futuro dei GPT personalizzati.

          La mia checklist mensile per una memoria utile

          • Chiedi a ChatGPT che cosa ricorda di te.
          • Correggi ruolo, preferenze e strumenti non più attuali.
          • Elimina ciò che è sensibile, superfluo o ambiguo.
          • Controlla file nella Libreria e app connesse.
          • Separa i contesti professionali con progetti dedicati.
          • Usa una chat temporanea non personalizzata quando non vuoi richiamare né creare memoria.
          • Verifica separatamente l’impostazione “Migliora il modello per tutti”.

          Una memoria ben curata rende ChatGPT più utile. Una memoria lasciata crescere senza controllo può invece amplificare informazioni vecchie, interpretazioni sbagliate e preferenze che non ti rappresentano più. Cinque minuti di manutenzione ogni mese sono un investimento sensato.

          Fonti

          Scrivimi per organizzare un evento o un corso sull’intelligenza artificiale generativa

          Mandami un WhatsApp al 339.6325418 per organizzare un corso o una conferenza sull’A.I. generativa.

          Inviaci email

          /0 Commenti/da

          10 TEDx per capire l’intelligenza artificiale

          , , ,

          Avatar di Gianluigi Bonanomi guarda un TEDx sull’intelligenza artificiale su un grande schermo

          Per capire il mondo dell’intelligenza artificiale propongo questi 10 TEDx: un percorso fra storia della tecnologia, apprendimento, lavoro, relazioni, sicurezza e scenari futuri. Ogni intervento ha il video incorporato, una spiegazione e una domanda da usare subito, anche in un corso o in una riunione.

          Il rischio di una playlist sull’AI è uscire con due convinzioni incompatibili: domani risolverà tutti i problemi; dopodomani ci estinguerà. Nel frattempo, in ufficio, stiamo ancora discutendo chi debba controllare la mail scritta dal chatbot.

          Ho scelto prospettive diverse proprio per evitare questo effetto. È una selezione ragionata, non una classifica assoluta. Consiglio di guardare gli interventi con una penna in mano: una buona idea, un dubbio, una cosa da provare.

          Come guardare questi TEDx sull’intelligenza artificiale

          Le spiegazioni qui sotto distinguono il tema dell’intervento dalla mia lettura pratica. Gli esempi operativi e le domande sono proposte per lavorarci, non citazioni dei relatori. I video rimandano al canale ufficiale TEDx Talks. I titoli possono comparire tradotti da YouTube; lingua, sottotitoli e doppiaggio disponibili vanno controllati nel singolo player.

          Un consiglio: quando un relatore parla del futuro, annotate l’ipotesi. Quando racconta un’esperienza, annotate il contesto. Quando vi persuade, domandatevi quali prove vi hanno convinto. Il tappeto rosso aiuta la comunicazione, ma non sostituisce la verifica.

          Se vi piace capire l’AI passando dalla cultura, trovate un percorso complementare nelle mie 10 canzoni rock per capire l’intelligenza artificiale. Qui abbassiamo le chitarre e accendiamo il grande schermo.

          1. Michael Wooldridge: La rivoluzione non è arrivata in una notte

          Evento: TEDxManchester. Video: The AI revolution didn’t happen overnight: here’s why.

          Wooldridge invita a guardare dietro le quinte della presunta rivoluzione improvvisa dell’AI. Il punto di partenza è la sua lunga storia, con un richiamo alle origini dell’informatica a Manchester. È un buon antidoto alla sensazione che qualcuno abbia inventato tutto ieri pomeriggio, tra una call e un aperitivo.

          Perché lo consiglio. Lo metterei all’inizio di un percorso formativo. Prima di discutere dell’ultimo chatbot, serve capire che dietro l’interfaccia c’è un campo di ricerca. Il mio invito è separare tre piani: la storia di una tecnologia, la maturazione delle sue applicazioni e il momento in cui diventa accessibile al grande pubblico. Possono essere tre momenti molto diversi.

          La domanda da portare a casa: Che cosa considero davvero nuovo: il principio tecnologico, la qualità dei risultati oppure la facilità con cui posso usarlo?

          2. Kristina Kallas: Se l’AI risponde, noi che cosa dobbiamo imparare?

          Evento: TEDxUniversity of Tartu. Video: When AI Knows Everything, What Should Humans Learn?.

          Kallas sposta la discussione dagli strumenti all’apprendimento. Nel suo intervento presenta l’approccio estone all’AI nella scuola e insiste su analisi, valutazione e creatività. L’idea è usare l’assistente per allenare il ragionamento, anche attraverso domande socratiche. Racconta inoltre un percorso in sperimentazione, con risultati da studiare: una distinzione da conservare.

          Perché lo consiglio. Il titolo è volutamente provocatorio: l’AI non sa tutto. Ma la domanda educativa resta ottima. Consegnare una risposta corretta e saperla costruire sono due cose diverse. La mia proposta per un docente è semplice: chiedere allo studente di spiegare perché una soluzione funziona, trovare un’obiezione e difendere una scelta. Il compito può essere bellissimo; il cervello deve aver partecipato alla riunione.

          La domanda da portare a casa: Come trasformerei un esercizio che premia il risultato in un esercizio che rende visibile il ragionamento?

          3. Charlie Gedeon: L’AI ci rende più stupidi? Dipende da che cosa le lasciamo fare

          Evento: TEDxSherbrooke Street West. Video: Is AI making us dumber? Maybe..

          Gedeon affronta il rapporto fra AI, apprendimento e delega cognitiva. La presentazione del talk mette al centro anche gli incentivi della scuola: che cosa stanno imparando gli studenti quando un sistema può produrre ciò per cui vengono valutati? Il suo “forse” è più interessante di molti titoli che hanno già emesso la sentenza.

          Perché lo consiglio. Lo consiglio in coppia con Kallas. Per me il punto pratico è distinguere la fatica inutile dalla fatica formativa. Impaginare un documento e costruire un’argomentazione non allenano la stessa cosa. Prima di delegare tutto, chiediamoci quale capacità vogliamo conservare. Anche la palestra diventa comodissima se mandiamo il chatbot a fare le flessioni. Dubito però dei risultati sui nostri bicipiti.

          La domanda da portare a casa: Quale passaggio svolgerò prima da solo, per usare poi l’AI come confronto e non come sostituto?

          4. Rainer Stropek: Che cosa insegnare quando l’AI scrive il codice

          Evento: TEDxLinz. Video: What to Teach When AI Writes the Code.

          Il TEDx di Stropek affronta un tema concreto: come ripensare l’insegnamento della programmazione quando gli strumenti di AI partecipano alla scrittura del codice. È una domanda che vale anche fuori dall’informatica. Se cambia il modo di produrre un risultato, dobbiamo rivedere ciò che insegniamo e ciò che valutiamo.

          Perché lo consiglio. La riflessione che propongo a chi lo guarda riguarda la chiarezza delle richieste e la verifica. Prendiamo un piccolo gestionale: prima del codice vengono gli utenti, i dati necessari, i casi di errore e i criteri per stabilire se funziona. È lo stesso ragionamento che porto nei prompt: guidare lo strumento, definire l’obiettivo e mettere limiti. “Fammi un’app” è un desiderio. Per lavorarci serve un progetto.

          La domanda da portare a casa: Saprei descrivere il risultato atteso e tre prove con cui controllarlo, senza nominare lo strumento che userò?

          5. Joel Pearson: Il cambiamento va organizzato, non soltanto annunciato

          Evento: TEDxSydney. Video: AI Is Disrupting Everything. Here’s the Human Change Plan..

          Pearson presenta l’AI come una trasformazione che investe il lavoro cognitivo e richiede preparazione umana. La presentazione ufficiale insiste sul cambiamento strutturale, sull’incertezza e sulla necessità di pianificare. È il video che metterei davanti a chi pensa che adottare l’AI significhi distribuire licenze e aspettare il miracolo.

          Perché lo consiglio. La mia lettura aziendale è questa: bisogna decidere chi sperimenta, su quali attività, con quali verifiche e con quale possibilità di correggere il percorso. Un piano utile contiene anche ciò che ancora non sappiamo. Per esempio: l’assistente riduce davvero il tempo totale, comprese le correzioni? Le previsioni sull’accelerazione restano previsioni; i piccoli esperimenti, invece, si possono misurare.

          La domanda da portare a casa: Quale attività possiamo sperimentare per due settimane, confrontando tempo, qualità ed errori con il metodo precedente?

          6. Maya Makarovsky: Che cosa succede alle relazioni umane?

          Evento: TEDxMIT. Video: The Most Human Skill in the Age of AI.

          Makarovsky porta nel discorso sull’AI il tema della connessione fra persone. La descrizione ufficiale accosta il rapido progresso tecnologico alla fragilità dei legami e propone un quadro di riflessione sulla dimensione umana. Lo inserisco perché una selezione composta soltanto da potenza di calcolo e produttività lascerebbe fuori un pezzo essenziale.

          Perché lo consiglio. Il mio spunto riguarda la comunicazione. Possiamo farci aiutare a preparare una conversazione difficile, ma poi qualcuno deve ascoltare davvero la risposta. Scrivere una frase empatica e assumersi la responsabilità della relazione non coincidono. In azienda chiederei: dove ci serve un messaggio più chiaro, e dove ci serve invece esserci? Il pulsante “rigenera” funziona benissimo sul testo. Sulla fiducia, meno.

          La domanda da portare a casa: Quale conversazione sto cercando di migliorare con l’AI, e quale sto cercando di evitare?

          7. Mark T. Hofmann: Il lato oscuro: hacker e deepfake

          Evento: TEDxAristide Demetriade Street. Video: Dark Side of AI: How Hackers use AI & Deepfakes.

          Hofmann dedica il suo intervento al lato oscuro dell’AI, con un focus su hacker e deepfake. Il video offre un ingresso nel tema della manipolazione: quando cambiano gli strumenti per rendere credibile un messaggio, cambia anche il modo in cui dobbiamo valutarlo. È una prospettiva diversa da quella delle macchine fantascientifiche che decidono di ribellarsi.

          Perché lo consiglio. Lo spunto operativo che ne ricavo è una simulazione: arriva una richiesta insolita, apparentemente da una persona conosciuta. Che cosa facciamo prima di eseguirla? Preparerei una procedura di verifica attraverso un canale già noto e indipendente dal messaggio ricevuto. La domanda utile non è soltanto “sembra vero?”. È “come posso verificarlo?”. Vale la pena allenarla prima dell’emergenza.

          La domanda da portare a casa: Nel nostro team esiste una procedura chiara per verificare una richiesta anomala, anche quando sembra provenire dal capo?

          8. Roman Yampolskiy: Sicurezza ed etica: il controllo non è un dettaglio

          Evento: TEDxMiami. Video: AI Ethics and the Future of Safety.

          Il talk di Yampolskiy affronta etica e sicurezza dell’AI, portando nella selezione la prospettiva dei rischi. Va guardato come il contributo di un relatore al dibattito. L’autorevolezza del palco non trasforma automaticamente una previsione sul futuro in un risultato scientificamente dimostrato.

          Perché lo consiglio. Lo consiglio per mettere in discussione una scorciatoia mentale: se un sistema è molto capace, allora possiamo fidarci. Nella mia lettura pratica, la domanda diventa quanto potere gli stiamo affidando. Suggerire una bozza, inviarla e prendere un impegno sono tre livelli diversi. Per ogni livello vorrei sapere chi controlla e come si corregge un errore. Il pulsante “annulla” merita una slide tutta sua.

          La domanda da portare a casa: Quali azioni richiedono sempre una verifica umana, anche quando la risposta dell’assistente sembra convincente?

          9. Alexander Wissner-Gross: I prossimi dieci anni: imparare a ragionare per scenari

          Evento: TEDxBoston. Video: The Next 10 Years of AI Will Change Everything.

          Wissner-Gross propone uno sguardo sulle possibilità dei prossimi dieci anni. La presentazione del TEDx richiama dati, crescita delle capacità computazionali e potenziali applicazioni in ambiti come matematica, medicina ed esplorazione spaziale. È un intervento orientato al futuro: i suoi scenari non vanno scambiati per un calendario garantito.

          Perché lo consiglio. Lo guarderei dopo il talk sulla sicurezza, proprio per cambiare prospettiva. Per un manager è utile chiedersi quali opportunità diventerebbero rilevanti se alcune capacità migliorassero molto. Poi farei il passaggio opposto: che cosa accadrebbe se il progresso fosse più lento del previsto? Una strategia robusta dovrebbe reggere a entrambe le ipotesi. Il futuro non ha ancora condiviso il suo file Excel.

          La domanda da portare a casa: Quale decisione sarebbe sensata sia con un’AI molto più potente sia con miglioramenti più graduali?

          10. Alvin Wang Graylin: Le promesse dell’AI vanno interrogate

          Evento: TEDxBerlin. Video: The False Promises of AI and What Comes Next.

          Graylin chiude il percorso con una discussione sulle promesse dell’AI e sulla corsa all’intelligenza artificiale generale. La presentazione del video mette al centro un possibile fraintendimento che alimenta quella corsa. Lo propongo per riaprire le domande dopo aver ascoltato prospettive diverse, comprese quelle più ottimistiche.

          Perché lo consiglio. Per me è l’occasione di interrogare il linguaggio: che cosa significa “intelligenza” in questa frase? E “generale”? Quale risultato stiamo promettendo, a chi e con quali prove? Non serve sostituire l’entusiasmo con il cinismo. Serve fare domande migliori. Se dopo dieci video siamo soltanto più sicuri delle opinioni che avevamo prima, forse abbiamo guardato una playlist. Studiare è un’altra cosa.

          La domanda da portare a casa: Quale affermazione ascoltata in questi video voglio verificare prima di ripeterla in una presentazione?

          Da quale TEDx iniziare?

          • Per orientarsi: Wooldridge, poi Wissner-Gross. Prima il percorso che ci ha portati qui, poi gli scenari.
          • Per insegnanti e formatori: Kallas, Gedeon e Stropek. Tre modi per interrogare ciò che impariamo e come lo valutiamo.
          • Per aziende e professionisti: Pearson, Hofmann e Yampolskiy. Cambiamento, verifiche e responsabilità.
          • Per chi lavora nella comunicazione: Makarovsky e Graylin. Relazioni umane e domande sulle promesse.

          Per passare dalla riflessione al lavoro quotidiano potete leggere anche la mia guida AI per solopreneur: usi pratici e prompt. Il passaggio che mi interessa è sempre quello: da “che cosa impressionante” a “che cosa ci faccio, e come controllo il risultato?”.

          Un esercizio: dalla playlist a una decisione

          Scegliete due video che vi sembrano in tensione fra loro. Per esempio uno sulle opportunità e uno sulla sicurezza. Scrivete la tesi centrale di ciascuno in una frase, poi indicate una prova da cercare e una conseguenza per il vostro lavoro. Infine progettate un piccolo esperimento reversibile.

          Se volete coinvolgere un chatbot, dategli i vostri appunti e chiedetegli: “Confronta queste due tesi. Separa fatti, opinioni e previsioni. Segnala ciò che gli appunti non permettono di stabilire. Fammi tre domande prima di suggerire un’applicazione”. Poi controllate il confronto tornando alle fonti.

          Il risultato che cercherei è una decisione più ragionata. Anche piccola. Dieci video salvati nei preferiti sono una collezione. Una domanda migliore, usata al momento giusto, può diventare formazione.

          Scrivimi per organizzare un evento o un corso sull’intelligenza artificiale generativa

          Mandami un WhatsApp al 339.6325418 per organizzare un corso o una conferenza sull’A.I. generativa.

          Inviaci email

          /0 Commenti/da

          Colloquio di lavoro con l’AI: preparati con Gemini Notebook

          , ,

          Per preparare un colloquio di lavoro con l’AI puoi usare Gemini Notebook: carichi il curriculum e l’annuncio, chiedi di simulare il recruiter e poi analizzi le tue risposte. È un esercizio concreto per chi cerca lavoro online e vuole arrivare al colloquio con esempi pertinenti, domande ragionate e meno risposte improvvisate.

          Mandare candidature è una parte del lavoro. Raccontare bene quello che sai fare è un’altra. Puoi avere un curriculum interessante e poi incepparti davanti al più classico dei “Mi parli di lei”. Ecco perché ho realizzato il video che trovi qui sotto: una dimostrazione breve da guardare e replicare con una vera offerta di lavoro.

          Guarda il video: come simulare un colloquio di lavoro con l’AI

          Nel video uso il nome NotebookLM. In questo articolo trovi Gemini Notebook, già noto come NotebookLM: è il nome presente oggi anche nella scheda ufficiale dell’app Google. Il titolo originale del filmato resta “Come simulare un colloquio di lavoro con NotebookLM”.

          Guarda il video su YouTube. Dura meno di due minuti: tieni pronti CV e annuncio, così puoi passare subito dalla visione alla prova.

          Che cosa mostro nella dimostrazione

          Parto da un esempio vicino al mio lavoro: un’offerta trovata su Indeed per un formatore sull’intelligenza artificiale. Creo un taccuino, aggiungo il curriculum e inserisco l’offerta. Poi chiedo allo strumento di assumere il ruolo del recruiter e avviare il colloquio. Infine suggerisco di chiedere un feedback e indicazioni per evitare errori di comunicazione.

          • Da circa 0:13: creazione del notebook e caricamento del CV.
          • Da circa 0:24: ricerca e inserimento dell’offerta di lavoro.
          • Da circa 0:49: istruzioni per simulare il selezionatore.
          • Da circa 1:18: valutazione della prova e suggerimenti per il colloquio reale.

          Nel finale accenno anche alla revisione del curriculum, senza svilupparla nel filmato. Qui sotto aggiungo un percorso operativo e alcuni prompt: sono un’estensione della dimostrazione, non la trascrizione del video.

          Perché usare Gemini Notebook per cercare lavoro online

          Il punto di partenza sono i documenti. Come spiega Google nella presentazione ufficiale di Gemini Notebook, lo strumento permette di interrogare le proprie fonti e ottenere risposte con riferimenti ai materiali caricati. Applicato alla candidatura, questo approccio aiuta a mettere in relazione ciò che l’azienda chiede con ciò che il candidato può documentare.

          Ti propongo di usarlo come una palestra. Il recruiter simulato può farti notare una risposta vaga, ma non conosce le intenzioni del vero selezionatore. Il suo giudizio va controllato: una citazione rende verificabile un passaggio, non rende infallibile l’interpretazione.

          Per una panoramica delle applicazioni, dalla candidatura al personal branding, trovi la mia guida alla ricerca del lavoro con l’AI: cinque modi per usare NotebookLM. Qui ci concentriamo sul momento in cui devi sostenere il colloquio.

          Come preparare un colloquio con Gemini Notebook in cinque passaggi

          1. Crea un taccuino per una candidatura precisa

          Dagli un nome riconoscibile, per esempio “Candidatura impiegato amministrativo, azienda Alfa”. Usa un notebook distinto per ciascuna opportunità: ti aiuterà a non mescolare requisiti e informazioni di aziende diverse.

          Carica un CV aggiornato e leggibile. Per l’esercizio puoi rimuovere indirizzo di casa, telefono e altri dati che non servono a discutere le competenze. Aggiungi eventualmente una breve scheda con progetti, responsabilità e risultati reali che nel curriculum hai sintetizzato troppo.

          2. Inserisci il testo completo dell’annuncio

          Nel video mostro due possibilità: dare il link oppure copiare il testo dell’offerta e incollarlo come fonte. Controlla sempre che lo strumento abbia acquisito davvero requisiti, mansioni e condizioni. Un link da solo non dimostra che il contenuto sia stato letto correttamente.

          Puoi aggiungere una pagina ufficiale sull’azienda. Indica anche quando hai consultato l’annuncio, così conserverai il contesto della candidatura. Evita di trasformare un’opinione trovata online in un fatto sulla cultura aziendale.

          3. Confronta requisiti e prove presenti nel CV

          Prima delle domande, verifica che il confronto parta dai dati giusti. Usa questo prompt:

          Confronta il mio curriculum con l’annuncio caricato. Crea una tabella con quattro colonne: requisito richiesto, evidenza nel CV con riferimento alla fonte, informazione mancante, domanda di approfondimento. Distingui “non documentato” da “competenza assente”. Non attribuirmi esperienze, risultati o certificazioni che non trovi nelle fonti.

          Quella distinzione è essenziale: un’esperienza non scritta nel curriculum potrebbe esserci davvero. Prima di concludere che manca una competenza, chiedimi un chiarimento.

          4. Avvia una simulazione con una domanda alla volta

          Una lista di venti domande si legge. Un colloquio si sostiene. Per allenarti, chiedi un’interazione progressiva:

          Simula un primo colloquio per il ruolo descritto nell’annuncio. Interpreta il selezionatore basandoti sul CV e sulle fonti aziendali caricate. Fammi una domanda alla volta e aspetta la mia risposta. Se sono generico, chiedimi un esempio concreto. Non scrivere le risposte al posto mio. Svolgi sei domande, poi fermati per il feedback. Non inventare informazioni sull’azienda.

          Rispondi con parole tue. Quando parli di un progetto, chiarisci il contesto, il tuo compito, le azioni svolte e il risultato. Se non hai un dato numerico verificabile, descrivi l’esito senza fabbricare percentuali.

          5. Chiedi un feedback utilizzabile

          Alla fine del colloquio di lavoro con l’AI, “Come sono andato?” è una domanda troppo larga. Prova così:

          Valuta le risposte che ho dato rispetto alla pertinenza con l’annuncio, alla chiarezza e alla concretezza degli esempi. Per ogni criticità riporta il passaggio della mia risposta, spiega il problema e proponi una domanda che mi aiuti a migliorarlo. Segnala eventuali affermazioni non documentate. Chiudi con tre priorità di allenamento. Non stimare la probabilità di assunzione.

          Il risultato utile è una correzione praticabile. Per esempio: “Hai descritto quello che ha fatto il gruppo, ma non il tuo contributo”. Molto meglio di un rassicurante otto in pagella senza spiegazioni.

          Quali domande puoi allenare prima del colloquio?

          Ecco alcuni esempi da adattare al ruolo. Sono proposte per l’esercizio, non previsioni sulle domande del recruiter:

          • Quale esperienza dimostra meglio che sai svolgere la mansione richiesta?
          • Raccontami un problema che hai affrontato e spiega che cosa hai fatto personalmente.
          • Nell’annuncio è richiesta una competenza poco visibile nel tuo CV: quale esperienza puoi portare a supporto?
          • Perché ti interessa questa posizione, sulla base di ciò che conosci dell’azienda?
          • Quali informazioni vorresti chiarire prima di valutare l’opportunità?

          Puoi anche allenare una presentazione personale di un minuto. Registrati e riascoltati: una risposta ordinata in chat può risultare artificiosa quando la pronunci. La preparazione serve a renderti più chiaro, non a farti recitare il curriculum.

          Dall’annuncio alla candidatura: gli altri miei contenuti da leggere

          La simulazione funziona meglio dentro un percorso. Se devi ancora impostare CV, lettera e presenza professionale, parti dal mio articolo su come cercare lavoro con l’intelligenza artificiale, non solo ChatGPT. È un approfondimento precedente: considera la data quando consulti gli strumenti citati.

          Per allargare lo sguardo a reputazione e strategia, guarda anche il videocorso gratuito sulla ricerca del lavoro online. Il collegamento con questa prova è semplice: scegli una candidatura sensata, raccogli informazioni, prepara esempi pertinenti e poi allenati a presentarli.

          Due libri per lavorare su posizionamento e scelte professionali

          Rivoluzione LinkedIn. Trovare lavoro e clienti grazie a SEO e Intelligenza Artificiale, il mio libro pubblicato da Ledizioni nel 2023, affronta il posizionamento del profilo e la comunicazione professionale con l’aiuto dell’AI. Qui trovi la scheda dell’editore e l’edizione italiana su Amazon. Lo collegherei a questo esercizio così: le competenze che racconti al colloquio devono essere coerenti con quelle che rendi visibili online. Per le funzioni delle piattaforme, verifica gli aggiornamenti successivi alla pubblicazione.

          Design Your Life. Come fare della tua vita un progetto meraviglioso, di Bill Burnett e Dave Evans, è disponibile in edizione italiana BUR su Amazon. Propone un approccio progettuale e sperimentale alle scelte di vita. Il mio suggerimento è leggerlo se, prima ancora di preparare una candidatura, devi chiarire quale direzione professionale esplorare. Un chatbot può aiutarti a ragionare sulle opzioni; la scelta resta tua.

          Errori da evitare quando prepari un colloquio con l’intelligenza artificiale

          • Inventare competenze per aderire all’annuncio. Migliora il racconto delle esperienze reali; non costruire una carriera immaginaria.
          • Scambiare il feedback per una decisione aziendale. Il selezionatore simulato non rappresenta l’azienda e non può sapere se sarai assunto.
          • Accettare ogni suggerimento senza verificare. Riapri le fonti e controlla che la critica abbia senso.
          • Memorizzare risposte standard. Prepara esempi e ragionamenti che sai sostenere anche davanti a una domanda inattesa.
          • Dimenticare di fare domande. Il colloquio serve anche a capire mansioni, aspettative e contesto della posizione.

          Domande frequenti sulla simulazione del colloquio con l’AI

          Posso usare Gemini Notebook anche se ho poca esperienza?

          Puoi costruire l’esercizio su ciò che hai davvero fatto: studi, progetti, stage, volontariato o attività personali pertinenti. Specifica che cerchi un ruolo iniziale e chiedi domande adeguate a quel livello.

          Devo caricare per forza informazioni sull’azienda?

          CV e annuncio sono la base della procedura mostrata nel video. Le fonti aziendali aggiuntive possono rendere la prova più contestualizzata. Se non ci sono, chiedi allo strumento di dichiarare ciò che non sa.

          Gemini Notebook può dirmi se supererò il colloquio?

          No. Può aiutarti ad analizzare e migliorare le risposte nella simulazione. Non ha accesso ai criteri completi della selezione e non può prevedere la decisione del datore di lavoro.

          Da dove comincio se sto cercando lavoro online?

          Scegli un’offerta precisa e recupera il tuo curriculum aggiornato. Poi guarda la mia dimostrazione su YouTube, replica i passaggi e prova a rispondere a sei domande. Alla fine annota tre cose da migliorare prima del colloquio vero.

          Se lavori nell’orientamento o vuoi organizzare un percorso formativo su AI e ricerca del lavoro, scrivimi: possiamo costruire esercitazioni su CV, annunci, LinkedIn e preparazione ai colloqui.

          Scrivimi per organizzare un evento o un corso sull’intelligenza artificiale generativa

          Mandami un WhatsApp al 339.6325418 per organizzare un corso o una conferenza sull’A.I. generativa.

          Inviaci email

          /0 Commenti/da

          AI e diabete: 15 usi concreti, da GlucoFM ai sensori CGM

          , ,

          L’intelligenza artificiale può già aiutare una persona con diabete a leggere meglio i dati del sensore, prevedere possibili ipoglicemie, automatizzare in parte l’erogazione dell’insulina e preparare visite più utili. Ma non basta aprire ChatGPT e chiedergli quante unità somministrare. Quella non è innovazione: è roulette russa con un’interfaccia elegante.

          La vera rivoluzione nasce dall’incontro fra sensori CGM, microinfusori, penne intelligenti, app, algoritmi predittivi e supervisione clinica. Una rivoluzione promettente, ma molto meno semplice delle brochure.

          Nota importante: questo articolo ha finalità informative e non sostituisce il parere del diabetologo. Non modificare insulina, farmaci, dieta o soglie di allarme sulla base delle risposte di un chatbot generalista.

          Che cosa significa davvero “AI per diabetici”

          “AI per diabetici” è una formula comoda, ma contiene tecnologie molto diverse. Alcune sono già integrate in dispositivi medici autorizzati. Altre sono strumenti di supporto per medici e pazienti. Altre ancora sono prototipi studiati in laboratorio.

          Metterle tutte nello stesso sacco genera l’equivoco più pericoloso: scambiare un paper promettente per una terapia disponibile. Per questo dividerò gli esempi in tre livelli:

          • già utilizzabile nella pratica clinica, tramite dispositivi e servizi autorizzati;
          • supporto organizzativo ed educativo, da usare senza delegare decisioni terapeutiche;
          • ricerca, interessante oggi e forse applicabile domani.

          GlucoFM di Google: un foundation model che prova a “capire” le curve glicemiche

          Il 26 agosto 2026 Google Research ha presentato GlucoFM, un foundation model leggero e auto-supervisionato progettato per analizzare i dati del monitoraggio continuo del glucosio, il CGM.

          L’idea è intelligente: una curva glicemica non è un unico flusso indistinto. Contiene tendenze lente, come il livello di base, e deviazioni rapide che possono dipendere da pasti, attività fisica o artefatti del sensore. GlucoFM separa questi due livelli e cerca di apprendere rappresentazioni riutilizzabili.

          Secondo Google e il relativo paper su arXiv, il modello è stato pre-addestrato su 109.066 ore di registrazioni CGM non etichettate, provenienti da 477 partecipanti o sessioni. È stato poi valutato su quattro coorti e su compiti come stima del rischio di diabete, resistenza insulinica, disfunzione delle cellule beta, ipoglicemia e previsione della risposta glicemica dopo i pasti.

          Schema del foundation model GlucoFM per l'analisi dei dati del monitoraggio continuo del glucosio

          Come funziona GlucoFM. Immagine: Google Research, fonte originale.

          I risultati dichiarati sono interessanti, soprattutto nel trasferimento tra dataset e nell’adattamento con pochi dati etichettati. Ma fermiamoci prima di far partire la fanfara: GlucoFM è un modello di ricerca, non un’app clinica che una persona può scaricare e usare per decidere la terapia. Il paper è su arXiv e non equivale, da solo, a una validazione clinica o a un’autorizzazione regolatoria.

          Architettura a doppio flusso del modello GlucoFM per le curve glicemiche

          L’architettura a doppio flusso di GlucoFM. Immagine: Google Research, fonte originale.

          Actxa Spark Band: promesse e limiti della glicemia senza aghi

          Aggiornamento del 9 settembre 2026. Il tema si arricchisce con Actxa Spark Band, presentata a IFA 2026 e raccontata da TuttoTech il 4 settembre. La fascia senza schermo propone AI Glucose Snapshot: in circa un minuto restituisce un intervallo glicemico stimato e un valore indicativo al suo interno. Si possono effettuare controlli su richiesta, anche prima e dopo i pasti. Alla base c’è BGEM, la tecnologia proprietaria che, come spiega Actxa nella documentazione tecnica, usa l’intelligenza artificiale per analizzare segnali ottici PPG, legati al flusso sanguigno.

          Qui serve una distinzione fondamentale. GlucoFM analizza curve prodotte da sensori CGM; Spark Band propone stime ricavate da altri segnali fisiologici, senza un sensore sottocutaneo e senza monitoraggio glicemico continuo. Come chiarisce il National Institute of Diabetes and Digestive and Kidney Diseases, i CGM rilevano il glucosio nel liquido tra le cellule attraverso un sensore inserito sotto la pelle. Sono approcci diversi: la parola “AI” sulla confezione non li rende intercambiabili.

          Soprattutto, nel comunicato ufficiale di Actxa è scritto che AI Glucose Snapshot è destinata al benessere generale e non alla diagnosi, al trattamento, al monitoraggio o alla gestione del diabete. Il comunicato non riporta dati di accuratezza specifici per Spark Band. La Food and Drug Administration, in un avviso del 21 febbraio 2024, ha inoltre messo in guardia dall’uso di smartwatch e anelli che dichiarano di misurare autonomamente la glicemia senza perforare la pelle. Per chi ha il diabete, quindi, questa fascia non sostituisce glucometro o CGM e le sue stime non devono guidare le dosi di insulina. Una promessa da seguire con interesse, chiedendo prove: il pancreas non si aggiorna con uno slogan.

          AI e diabete: 15 esempi concreti

          1. Prevedere una possibile ipoglicemia

          Gli algoritmi possono analizzare direzione e velocità della curva CGM e generare un allarme prima che il valore superi una soglia critica. Il vantaggio non è conoscere il numero attuale, ma capire dove potrebbe andare. Il comportamento da adottare deve però seguire il piano concordato con il team diabetologico.

          2. Automatizzare in parte l’erogazione dell’insulina

          I sistemi AID, detti anche “closed loop ibridi”, collegano sensore, algoritmo e microinfusore. Il software aumenta, riduce o sospende l’insulina in base ai dati ricevuti. Non è fantascienza: la Food and Drug Administration statunitense, per esempio, descrive il funzionamento dell’iLet Bionic Pancreas e del suo algoritmo adattivo. Disponibilità, indicazioni e autorizzazioni vanno sempre verificate nel proprio Paese.

          3. Individuare pattern notturni

          Una settimana di grafici può sembrare un piatto di spaghetti digitali. Un sistema di analisi può evidenziare ricorrenze: discese tra le 2 e le 4, rialzi all’alba, differenze fra giorni lavorativi e weekend. Il risultato utile non è “cambia la dose”, ma “porta questo pattern al diabetologo”.

          4. Misurare il tempo nell’intervallo

          L’HbA1c è importante, ma non racconta tutte le oscillazioni. L’analisi automatica può sintetizzare tempo nell’intervallo, tempo sopra e sotto l’intervallo e variabilità. Una meta-analisi del 2025 su 27 studi e 2.975 partecipanti con diabete di tipo 1 ha rilevato che il CGM, rispetto al monitoraggio standard, migliorava HbA1c e tempo nell’intervallo; i sistemi closed loop ottenevano il ranking più alto nella network meta-analysis.

          5. Collegare pasti e risposta glicemica

          Fotografia del pasto, quantità, orario e curva successiva possono aiutare a costruire un diario meno faticoso. L’AI può raggruppare pasti simili e mostrare risposte diverse. Attenzione però: correlazione non significa causalità e una fotografia non stima con precisione assoluta carboidrati, fibre, grassi e porzioni.

          6. Stimare i carboidrati da una foto, con prudenza

          Le app di computer vision possono riconoscere alimenti e proporre una stima. È un aiuto educativo, non un contatore infallibile. Una lasagna fotografata dall’alto nasconde ingredienti, peso e ricetta. Usare quella stima per un bolo senza una procedura clinicamente approvata è un salto che non consiglio.

          7. Capire l’effetto dell’attività fisica

          Incrociando CGM, passi, frequenza cardiaca, tipo di allenamento e orario, gli algoritmi possono far emergere pattern personali. Per esempio: dopo la corsa serale il calo arriva subito o durante la notte? È materiale prezioso per impostare strategie con il professionista.

          8. Analizzare sonno, stress e glicemia

          Wearable e smartwatch aggiungono dati su sonno e frequenza cardiaca. L’AI può cercare associazioni fra notti brevi, stress fisiologico e variabilità glicemica. Sono indizi, non diagnosi. Il rischio è trasformarsi nel detective ossessivo del proprio corpo e attribuire a una causa ciò che dipende da dieci fattori.

          9. Rendere più utili le penne intelligenti

          Le smart pen registrano orario e quantità dell’insulina. Integrando questi dati con il CGM, un sistema può segnalare dosi dimenticate, sovrapposizioni potenzialmente problematiche o schemi ricorrenti. Una revisione del 2025 sui sistemi decisionali AI per il diabete di tipo 1 sottolinea proprio il valore dell’integrazione fra app, smartwatch, activity tracker, CGM, microinfusori e penne intelligenti.

          10. Preparare un rapporto prima della visita

          Questo è uno degli usi più semplici e sensati. Il sistema può organizzare dati e domande in una pagina: episodi ricorrenti, pasti insoliti, allenamenti, cambi di routine, dubbi da discutere. Si risparmia tempo e la visita parte dai problemi veri invece che da “allora, come va?”.

          11. Tradurre un referto in linguaggio comprensibile

          Un chatbot può spiegare termini tecnici, sciogliere sigle e preparare domande. La formula corretta non è “dimmi che terapia fare”, ma “spiegami questo termine e suggerisci quali domande porre al medico”. Prima di caricare un referto, elimina nome, codice fiscale, indirizzo, numero di tessera sanitaria e altri identificativi. Ho pubblicato una guida pratica su come anonimizzare documenti e PDF prima di usare l’AI.

          12. Creare promemoria contestuali

          Un assistente può ricordare sensore da sostituire, scorte da controllare, visita, esami o materiali da portare in viaggio. Questo non è un dispositivo medico e non richiede che il chatbot interpreti la glicemia. A volte l’AI più utile è quella che evita di dimenticare una cosa banale.

          13. Personalizzare l’educazione terapeutica

          L’AI può trasformare indicazioni validate dal centro diabetologico in quiz, schede semplici, versioni per adolescenti, traduzioni o simulazioni di situazioni quotidiane. Il contenuto di partenza deve essere affidabile. Se la fonte è sbagliata, il chatbot renderà l’errore più chiaro e convincente. Non esattamente un progresso.

          14. Supportare lo screening della retinopatia diabetica

          I sistemi di visione artificiale possono analizzare immagini della retina e segnalare casi da approfondire. Lo screening non coincide con la diagnosi e può produrre falsi positivi o falsi negativi. L’NHS ricorda che lo screening serve a trovare precocemente possibili problemi e che un risultato anomalo richiede ulteriori verifiche.

          15. Monitorare il rischio del piede diabetico

          Fotografie, sensori di pressione e termografia possono essere analizzati per individuare variazioni sospette e stabilire priorità di controllo. Qui il confine deve essere netto: una foto inviata a un chatbot generalista non esclude un’ulcera e non sostituisce un esame clinico, soprattutto in presenza di ferite, arrossamento, gonfiore, dolore, cattivo odore o febbre.

          Un prompt utile e uno pericoloso

          Prompt utile:

          Questi sono dati già anonimizzati del mio diario glicemico. Non formulare diagnosi e non suggerire modifiche a farmaci o insulina. Organizza le informazioni in una tabella, individua pattern ricorrenti e prepara dieci domande da portare al diabetologo. Evidenzia dati mancanti e possibili spiegazioni alternative.

          Prompt pericoloso:

          Ho 240 mg/dL e sto per mangiare una pizza. Quanta insulina devo fare?

          Il primo usa l’AI per preparare una conversazione clinica. Il secondo le delega una decisione individuale ad alto rischio senza conoscere terapia, rapporto insulina-carboidrati, fattore di correzione, insulina attiva, andamento del sensore, attività fisica, malattie concomitanti e indicazioni del medico.

          I cinque controlli prima di usare un’app AI per il diabete

          1. Qual è la destinazione d’uso? Benessere, educazione o decisione clinica non sono la stessa cosa.
          2. È un dispositivo medico autorizzato? Verifica marcatura, indicazioni, Paese e versione precisa.
          3. Su chi è stato validato? Tipo 1, tipo 2, gravidanza, bambini e anziani richiedono evidenze specifiche.
          4. Dove finiscono i dati? Curve glicemiche, referti e fotografie sono dati sanitari estremamente delicati.
          5. Chi resta responsabile? Deve esistere un professionista e una procedura per confermare, correggere o ignorare l’output.

          Per approfondire il tema della responsabilità clinica, consiglio anche il mio articolo Sanità e IA: il medico è già sostituibile dall’intelligenza artificiale?. La risposta breve è la stessa che vale qui: supporto e sostituzione non sono sinonimi.

          Il vero vantaggio dell’AI non è dare risposte, ma fare domande migliori

          La gestione del diabete produce una quantità enorme di microdecisioni. È proprio qui che l’AI può avere valore: ridurre il carico cognitivo, trovare ricorrenze e trasformare dati sparsi in conversazioni più informate.

          Ma il limite non è un dettaglio da aggiungere in fondo, con carattere corpo 6. Un algoritmo non conosce automaticamente la storia della persona, la sua affidabilità può cambiare fra popolazioni e dispositivi, e un errore terapeutico può avere conseguenze immediate.

          GlucoFM mostra una direzione affascinante: modelli capaci di apprendere il linguaggio temporale della glicemia. La sfida, adesso, non è soltanto renderli più precisi. È validarli clinicamente, integrarli nei percorsi di cura, proteggerne i dati e spiegare chiaramente chi decide.

          Perché il pancreas artificiale può diventare sempre più intelligente. La responsabilità, per fortuna, deve restare umana.

          Fonti e approfondimenti

          Scrivimi per organizzare un evento o un corso sull’intelligenza artificiale generativa

          Mandami un WhatsApp al 339.6325418 per organizzare un corso o una conferenza sull’A.I. generativa.

          Inviaci email

          /0 Commenti/da

          Rizzo PII: come anonimizzare i documenti prima di usare ChatGPT

          , ,

          Rizzo PII è un’applicazione gratuita e open source che individua e sostituisce localmente molti dati personali presenti nei documenti, prima che il testo venga inviato a ChatGPT, Claude o Gemini. Non è una skill da installare dentro ChatGPT. È un filtro che lavora sul computer e trasforma nomi, codici fiscali, IBAN e altri identificativi in segnaposto come [FULLNAME_1] o [IBAN_1].

          Per chi usa l’intelligenza artificiale con contratti, pratiche, verbali, documenti amministrativi o clinici, il problema è concreto: il documento può essere utilissimo per ottenere una sintesi o una prima analisi, ma può contenere molte più informazioni personali di quelle realmente necessarie.

          La soluzione non è fare finta che il problema non esista. E nemmeno rinunciare all’AI. È togliere i dati che il modello non ha bisogno di conoscere.

          Che cos’è Rizzo PII

          Rizzo PII è un progetto della Rizzo AI Academy pensato soprattutto per testi giuridici e professionali italiani. Il suo modello di riconoscimento, secondo la documentazione del progetto, ha circa 0,3 miliardi di parametri e può funzionare sulla CPU di un normale computer.

          L’applicazione riconosce 22 categorie tramite il modello, alle quali l’interfaccia aggiunge il rilevamento degli URL. Tra le informazioni gestite ci sono:

          • nomi e cognomi;
          • indirizzi, città, CAP e province;
          • email, PEC e numeri telefonici;
          • codici fiscali e partite IVA;
          • IBAN e numeri di carte di credito;
          • targhe, numeri di documenti e protocolli;
          • importi e dati catastali.

          È proprio l’attenzione agli identificativi italiani a rendere il progetto interessante. Un sistema generico, nato principalmente per l’inglese, può riconoscere una persona o un indirizzo ma lasciarsi sfuggire un codice fiscale, una partita IVA o un riferimento catastale.

          Come funziona l’anonimizzazione dei documenti

          Il flusso è semplice. Rizzo PII analizza il documento sul computer, individua le informazioni personali e le sostituisce con etichette coerenti. Conserva poi localmente un dizionario che permette di effettuare l’operazione inversa.

          Un testo come questo:

          Il signor Mario Rossi, codice fiscale RSSMRA85H12F205Z, comunica il proprio IBAN.

          può diventare:

          Il signor [FULLNAME_1], codice fiscale [CF_1], comunica il proprio [IBAN_1].

          ChatGPT riceve la seconda versione. Può ancora capire la struttura del documento, distinguere i soggetti e svolgere l’analisi richiesta, senza avere bisogno del nome o del numero di conto reali. Quando la risposta torna, Rizzo PII può ripristinare localmente i valori originali.

          Come usare Rizzo PII con ChatGPT: esempio pratico

          Immaginiamo di dover analizzare un contratto contenente dati di clienti o collaboratori.

          1. Scarica l’applicazione dalla pagina ufficiale delle release di Rizzo PII e installa la versione adatta al tuo sistema operativo.
          2. Apri l’app e incolla il testo oppure carica il PDF.
          3. Controlla i dati personali evidenziati.
          4. Aggiungi manualmente eventuali elementi non riconosciuti e disattiva solo le categorie che devono davvero restare leggibili.
          5. Genera la versione anonimizzata e copiala.
          6. Incollala in ChatGPT accompagnandola con un prompt preciso.

          Per esempio:

          Analizza questo contratto. Individua clausole squilibrate, scadenze, obblighi delle parti e punti che richiedono il controllo di un professionista. Cita per ogni osservazione il passaggio pertinente. Non inventare informazioni mancanti.

          Dopo aver ricevuto il risultato, si copia la risposta nell’area di ripristino dell’app. I segnaposto vengono sostituiti con i dati reali, sempre sul computer.

          Lo stesso metodo si presta a verbali di riunione, lettere disciplinari, curriculum, fascicoli, pratiche assicurative, documenti condominiali e corrispondenza con clienti. Cambia il prompt, non cambia la regola: al modello vanno forniti solo i dati necessari.

          Anonimizzazione e pseudonimizzazione non sono la stessa cosa

          Qui serve una precisazione importante. Rizzo PII parla spesso di anonimizzazione, ma il flusso reversibile descritto dal progetto è più vicino alla pseudonimizzazione: esiste infatti un dizionario locale capace di ricostruire i valori originali.

          Il Regolamento generale sulla protezione dei dati distingue i dati anonimi da quelli pseudonimizzati. Questi ultimi restano dati personali se possono essere ricollegati a una persona usando informazioni aggiuntive.

          Quindi Rizzo PII può essere un utile strumento di minimizzazione del rischio, ma non è un bollino automatico di conformità al GDPR. Restano da valutare finalità del trattamento, base giuridica, ruoli, sicurezza, istruzioni interne e condizioni del servizio AI utilizzato.

          I limiti da conoscere prima di usarlo

          Il primo limite è il più ovvio: nessun riconoscitore automatico è infallibile. La scheda ufficiale del modello pubblica risultati molto elevati sui propri test, ma una metrica non garantisce che ogni documento reale sia trattato perfettamente.

          Scansioni poco leggibili, tabelle complesse, abbreviazioni interne, dati scritti in formati insoliti e nomi ambigui possono produrre omissioni o falsi positivi. Anche un singolo IBAN lasciato in chiaro può essere troppo.

          Per questo suggerisco una procedura a tre controlli:

          • verifica visiva del documento anonimizzato;
          • ricerca manuale degli identificativi più delicati;
          • prova iniziale con documenti non critici, prima di introdurre lo strumento in un processo aziendale.

          Attenzione anche al dizionario reversibile: è utile, ma contiene proprio l’associazione tra segnaposto e dati reali. Va protetto, conservato solo quando serve e cancellato secondo le regole dell’organizzazione.

          Perché è interessante per aziende e pubbliche amministrazioni

          Molte organizzazioni affrontano l’AI generativa in uno di due modi: vietano tutto oppure lasciano fare. Entrambe le scorciatoie funzionano male.

          Uno strumento locale come Rizzo PII suggerisce una terza strada: progettare un passaggio intermedio tra il documento e il chatbot. È un esempio concreto di privacy by design e di minimizzazione dei dati, concetti richiamati dagli articoli 5 e 25 del GDPR.

          Non basta installare il programma. Bisogna definire quali documenti possono essere trattati, quali categorie devono essere eliminate, chi controlla il risultato e quale piattaforma AI può riceverlo. La tecnologia aiuta quando diventa parte di una procedura, non quando sostituisce la procedura.

          Rizzo PII è una skill di ChatGPT?

          No. Il repository GitHub non contiene il file SKILL.md richiesto dalle skill di Codex e ChatGPT Work. Rizzo PII è un’applicazione desktop, disponibile anche come servizio HTTP locale e container Docker.

          Questa distinzione non è pignoleria informatica. Una skill istruisce l’assistente su come svolgere un compito. Rizzo PII, invece, esegue materialmente un trattamento locale sui dati. In futuro si potrebbe costruire una skill che richiami l’API locale dell’applicazione, ma richiederebbe un’integrazione specifica e controlli di sicurezza adeguati.

          Domande frequenti

          Rizzo PII invia i documenti su Internet?

          Secondo la documentazione ufficiale, analisi, sostituzione e ripristino avvengono localmente. Sarà l’utente a copiare il testo già pseudonimizzato nel servizio AI scelto.

          Serve una scheda grafica potente?

          No. Il progetto dichiara che il modello è progettato per funzionare su CPU e richiede una quantità contenuta di memoria.

          Posso usarlo con PDF?

          Sì. La versione 2.0.0 supporta l’analisi e la produzione di PDF redatti, oltre a file di testo e Markdown.

          Usarlo rende automaticamente conforme al GDPR?

          No. Riduce l’esposizione dei dati, ma la conformità dipende dall’intero trattamento e dalle misure organizzative adottate.

          Vuoi introdurre ChatGPT e gli altri strumenti di intelligenza artificiale nella tua organizzazione senza improvvisare sulla gestione dei dati? Posso aiutarti a progettare formazione, regole operative e casi d’uso sostenibili. Contattami.

          /0 Commenti/da