Un assistente che conosce le tue abitudini. Un servizio che imita una persona scomparsa. Un’azienda che può usare il tuo volto per produrre contenuti. Guardare Black Mirror mentre ci occupiamo di intelligenza artificiale ha un effetto curioso: il telecomando comincia a sembrare uno strumento di aggiornamento professionale. Il problema è che, dopo, dormire diventa meno semplice.

Ho raccolto le puntate che aiutano a ragionare sull’intelligenza artificiale, mantenendo una distinzione che considero indispensabile: AI, realtà virtuale, robot telecomandati e coscienze digitalizzate non sono sinonimi. La serie usa tutte queste idee e spesso le mescola. Noi possiamo goderci la storia senza confondere la premessa narrativa con una capacità tecnica già disponibile.

Questa guida considera le sette stagioni disponibili al 13 novembre 2026, controllate sul catalogo ufficiale Netflix Tudum. La futura stagione è stata annunciata da Charlie Brooker, ma qui considero soltanto episodi già pubblicati. La selezione è editoriale: comprende 14 episodi centrali per AI e menti digitali e 7 casi collegati o di confine. Non esiste una classificazione ufficiale Netflix degli “episodi AI”.

Avvertenza spoiler: descrivo le premesse e le tecnologie necessarie a capire la selezione; evito i finali. Alcune informazioni tematiche anticipano comunque parte delle rivelazioni. Le pagine di approfondimento collegate possono contenere spoiler completi.

Immagini e trailer: ogni scheda presenta l’immagine ufficiale dell’episodio pubblicata nel catalogo Netflix, usata come immagine di presentazione. Non tutti gli episodi hanno una locandina individuale o un trailer dedicato disponibile: sotto ciascun video indico se si tratta del trailer dell’episodio oppure della stagione. Per White Christmas, il vecchio trailer risulta privato: trovi una clip ufficiale di Channel 4 Entertainment al suo posto. Immagini © rispettivi titolari, fonte Netflix; video incorporati dai canali indicati.

Le puntate di Black Mirror sull’intelligenza artificiale: l’indice

AI, assistenti e menti digitali: i 14 episodi centrali

1. Be Right Back: Un chatbot può restituirci una persona che abbiamo perso?

S2 E1, 2013

Immagine ufficiale Netflix di Be Right Back, Black Mirror
Be Right Back: immagine dell’episodio. © rispettivi titolari / Netflix. Fonte: catalogo Netflix Tudum.

La trama. Martha perde il compagno Ash e si affida a un servizio che ne ricostruisce il modo di comunicare partendo dalle tracce lasciate online. Il rapporto con questa presenza artificiale diventa sempre più coinvolgente e sempre più difficile da collocare nella sua vita.

Perché parla di AI. È uno degli episodi più diretti sul tema: un sistema imita una persona attraverso i suoi dati. Il problema non è soltanto quanto sia convincente, ma quanto sia incompleta una persona ricostruita a partire da ciò che pubblicava. Leggo qui una domanda attualissima sui compagni artificiali: stiamo cercando un interlocutore o qualcuno che non possa più contraddirci?

La domanda da portare fuori dallo schermo. Chi dovrebbe autorizzare la costruzione di una replica digitale di una persona morta?

Approfondisci l’episodio nella fonte di riferimento.

Trailer / teaser dedicato all’episodio, Channel 4. Apri su YouTube.

2. White Christmas: L’assistente domestico che potrebbe essere una copia di te

Speciale natalizio, S2 E4 nel catalogo Netflix, 2014

Immagine ufficiale Netflix di White Christmas, Black Mirror
White Christmas: immagine dell’episodio. © rispettivi titolari / Netflix. Fonte: catalogo Netflix Tudum.

La trama. Due uomini isolati in una struttura innevata si raccontano vicende legate a tecnologie che entrano nelle relazioni e nella vita quotidiana. Una di queste riguarda le “cookie”, copie digitali della coscienza impiegate anche per gestire una casa.

Perché parla di AI. Qui siamo nella fantascienza della coscienza riprodotta, non nella descrizione di come funziona un assistente vocale reale. Il collegamento con l’AI è però centrale: se il servitore digitale avesse desideri e sofferenza, continuerebbe a essere soltanto un prodotto? La comodità del proprietario viene messa a confronto con la libertà di chi esegue gli ordini.

La domanda da portare fuori dallo schermo. Un assistente capace di soffrire avrebbe il diritto di rifiutare un compito?

Approfondisci l’episodio nella fonte di riferimento.

Clip ufficiale dell’episodio, Channel 4 Entertainment. Apri su YouTube.

3. Playtest: Il videogioco che impara come spaventarti

S3 E2, 2016

Immagine ufficiale Netflix di Playtest, Black Mirror
Playtest: immagine dell’episodio. © rispettivi titolari / Netflix. Fonte: catalogo Netflix Tudum.

La trama. Cooper, un viaggiatore in cerca di denaro, accetta di sperimentare un sistema di intrattenimento immersivo. Il test trasforma le sue paure in un’esperienza sempre più personale, nella quale separare ambiente simulato e realtà diventa difficile.

Perché parla di AI. La tecnologia non si limita a mostrare lo stesso mostro a tutti: costruisce una risposta adattata alla persona. È questo il legame con l’AI, pur dentro un’interfaccia neurale immaginaria. La mia lettura riguarda la personalizzazione estrema: conoscere meglio un utente può servire a proteggerlo, ma anche a trovare il punto esatto in cui è più vulnerabile.

La domanda da portare fuori dallo schermo. Quali dati psicologici non vorresti consegnare a una piattaforma?

Approfondisci l’episodio nella fonte di riferimento.

Trailer ufficiale della stagione 3 (condiviso con gli altri episodi), Netflix. Apri su YouTube.

4. Hated in the Nation: Le api autonome e l’odio che diventa un comando

S3 E6, 2016

Immagine ufficiale Netflix di Hated in the Nation, Black Mirror
Hated in the Nation: immagine dell’episodio. © rispettivi titolari / Netflix. Fonte: catalogo Netflix Tudum.

La trama. Due investigatrici indagano su morti collegate a campagne di odio online. Nella storia entrano insetti robotici autonomi, introdotti per sostituire le api, che diventano parte di un sistema di sorveglianza e violenza.

Perché parla di AI. L’AI prende la forma di macchine capaci di operare nel mondo fisico. L’episodio unisce robotica autonoma, sicurezza e responsabilità di chi usa una piattaforma. Il punto non è attribuire un’anima malvagia alle api: è osservare come un’infrastruttura possa amplificare un’intenzione umana e trasformare una partecipazione apparentemente leggera in una conseguenza irreversibile.

La domanda da portare fuori dallo schermo. Chi risponde del danno quando l’azione attraversa utenti, piattaforme e dispositivi autonomi?

Approfondisci l’episodio nella fonte di riferimento.

Trailer ufficiale della stagione 3 (condiviso con gli altri episodi), Netflix. Apri su YouTube.

5. USS Callister: Quando i personaggi del gioco vogliono smettere di obbedire

S4 E1, 2017

Immagine ufficiale Netflix di USS Callister, Black Mirror
USS Callister: immagine dell’episodio. © rispettivi titolari / Netflix. Fonte: catalogo Netflix Tudum.

La trama. Robert Daly, programmatore brillante e frustrato, ha creato una versione privata di un videogioco spaziale. Al suo interno comanda un equipaggio composto da repliche digitali dei colleghi e pretende che tutti recitino la parte che ha assegnato loro.

Perché parla di AI. Le repliche sono presentate come soggetti con memoria, intenzioni e capacità di iniziativa. È una storia di menti digitali, quindi pertinente al dibattito sull’AI, ma la copia di una persona a partire dal DNA è una premessa narrativa, non una possibilità tecnica dimostrata. Mi interessa soprattutto l’abuso di potere: possedere il software basta a legittimare qualsiasi trattamento dei suoi abitanti?

La domanda da portare fuori dallo schermo. Perché l’assenza di un corpo biologico dovrebbe cancellare ogni responsabilità morale?

Approfondisci l’episodio nella fonte di riferimento.

Trailer / teaser dedicato all’episodio, Netflix. Apri su YouTube.

6. Hang the DJ: Affideresti a un algoritmo la scadenza del tuo amore?

S4 E4, 2017

Immagine ufficiale Netflix di Hang the DJ, Black Mirror
Hang the DJ: immagine dell’episodio. © rispettivi titolari / Netflix. Fonte: catalogo Netflix Tudum.

La trama. Frank e Amy vivono in un sistema che sceglie gli abbinamenti sentimentali e stabilisce quanto deve durare ogni relazione. Devono fidarsi delle indicazioni ricevute anche quando desideri e prescrizioni cominciano a divergere.

Perché parla di AI. L’episodio esplora previsione della compatibilità e simulazione delle relazioni. Per spiegare fino in fondo il secondo aspetto bisognerebbe svelare il finale, che qui risparmio. Il tema utile è già evidente: un suggerimento automatizzato può diventare un’autorità alla quale deleghiamo scelte personali. Il risultato ottimizzato dal sistema coincide davvero con ciò che vogliamo?

La domanda da portare fuori dallo schermo. Se un sistema prevedesse una scarsa compatibilità, cambieresti idea sulla persona che ami?

Approfondisci l’episodio nella fonte di riferimento.

Trailer / teaser dedicato all’episodio, Netflix. Apri su YouTube.

7. Metalhead: L’autonomia di una macchina che non si stanca

S4 E5, 2017

Immagine ufficiale Netflix di Metalhead, Black Mirror
Metalhead: immagine dell’episodio. © rispettivi titolari / Netflix. Fonte: catalogo Netflix Tudum.

La trama. In un paesaggio devastato, alcune persone cercano provviste in un magazzino e attirano l’attenzione di un robot quadrupede. Ne segue una caccia nella quale la capacità della macchina di continuare a inseguire diventa il principale motivo di terrore.

Perché parla di AI. È il volto fisico dell’autonomia artificiale: percezione dell’ambiente, ricerca del bersaglio e azione senza bisogno di una conversazione. Non occorre un robot che filosofeggi per avere un problema di AI. La storia permette di ragionare su obiettivi, controllo e possibilità di interrompere un sistema che esegue con ostinazione la propria funzione.

La domanda da portare fuori dallo schermo. Chi può fermare una macchina autonoma quando il suo comportamento produce danni?

Approfondisci l’episodio nella fonte di riferimento.

Trailer / teaser dedicato all’episodio, Netflix. Apri su YouTube.

8. Black Museum: La coscienza trasformata in un oggetto da esposizione

S4 E6, 2017

Immagine ufficiale Netflix di Black Museum, Black Mirror
Black Museum: immagine dell’episodio. © rispettivi titolari / Netflix. Fonte: catalogo Netflix Tudum.

La trama. Una giovane viaggiatrice visita un museo di reperti legati a tecnologie e crimini. Il proprietario racconta le storie di alcuni oggetti: esperimenti sul dolore, trasferimenti della coscienza e forme di esistenza digitale che diventano intrattenimento.

Perché parla di AI. Anche qui il nodo è la mente digitalizzata, non un modello linguistico. L’episodio porta alle estreme conseguenze una domanda presente anche in White Christmas: che cosa succede quando una possibile persona viene trattata come una funzione, un accessorio o un ricordo da vendere? Il rapporto con l’AI è soprattutto etico e riguarda il confine tra simulazione e soggetto.

La domanda da portare fuori dallo schermo. Il consenso iniziale può giustificare qualsiasi impiego futuro di una copia digitale?

Approfondisci l’episodio nella fonte di riferimento.

Trailer / teaser dedicato all’episodio, Netflix. Apri su YouTube.

9. Rachel, Jack and Ashley Too: La popstar dentro il giocattolo

S5 E3, 2019

Immagine ufficiale Netflix di Rachel, Jack and Ashley Too, Black Mirror
Rachel, Jack and Ashley Too: immagine dell’episodio. © rispettivi titolari / Netflix. Fonte: catalogo Netflix Tudum.

La trama. Rachel riceve un piccolo robot ispirato alla sua cantante preferita, Ashley O. Mentre la ragazza costruisce un legame con il dispositivo, la vita della vera popstar rivela un rapporto complicato tra immagine pubblica, controllo e sfruttamento.

Perché parla di AI. Il giocattolo mette insieme compagnia artificiale e personalità replicata. La storia permette di parlare di un’identità trasformata in prodotto: voce, modi di fare e creatività diventano qualcosa che altri possono confezionare e distribuire. La mia domanda non riguarda soltanto la qualità dell’imitazione, ma chi controlla il personaggio quando la persona reale vuole cambiare.

La domanda da portare fuori dallo schermo. Una celebrità dovrebbe poter ritirare dal mercato la propria versione artificiale?

Approfondisci l’episodio nella fonte di riferimento.

Trailer / teaser dedicato all’episodio, Netflix. Apri su YouTube.

10. Joan Is Awful: La tua vita diventa una serie, senza che tu abbia letto le condizioni

S6 E1, 2023

Immagine ufficiale Netflix di Joan Is Awful, Black Mirror
Joan Is Awful: immagine dell’episodio. © rispettivi titolari / Netflix. Fonte: catalogo Netflix Tudum.

La trama. Joan scopre che una piattaforma chiamata Streamberry trasmette una serie basata sulla sua quotidianità. A interpretarla è una versione di Salma Hayek, e gli eventi privati diventano spettacolo con una rapidità inquietante.

Perché parla di AI. L’AI genera contenuti audiovisivi usando dati personali e sembianze degli attori. Il dispositivo che rende possibile tutto questo resta fantascientifico: non è una dimostrazione delle capacità dei prodotti attuali. La riflessione, invece, è concreta: quale controllo conserviamo sulla nostra immagine quando un contratto autorizza altri a trasformarla in contenuto?

La domanda da portare fuori dallo schermo. Daresti il consenso a una replica di te se non potessi approvare ciò che le fanno dire?

Approfondisci l’episodio nella fonte di riferimento.

Trailer della stagione 6 (condiviso con gli altri episodi), canale Rotten Tomatoes TV. Apri su YouTube.

11. Hotel Reverie: Entrare in un film ricreato dall’AI

S7 E3, 2025

Immagine ufficiale Netflix di Hotel Reverie, Black Mirror
Hotel Reverie: immagine dell’episodio. © rispettivi titolari / Netflix. Fonte: catalogo Netflix Tudum.

La trama. L’attrice Brandy Friday accetta di partecipare al rifacimento immersivo di un vecchio film romantico. Si ritrova dentro un mondo ricostruito digitalmente, nel quale rispettare il copione è la condizione per riuscire a tornare fuori.

Perché parla di AI. La generazione artificiale non produce soltanto immagini: nella finzione crea un ambiente e personaggi con cui instaurare relazioni. Il legame emotivo nato in quel mondo sposta la domanda dalla resa visiva all’identità. Un personaggio ricreato può essere considerato equivalente all’interprete scomparsa? E quali diritti dovrebbero accompagnare la ricostruzione?

La domanda da portare fuori dallo schermo. Chi dovrebbe decidere come può essere utilizzata la replica di un attore dopo la sua morte?

Approfondisci l’episodio nella fonte di riferimento.

Trailer ufficiale della stagione 7 (condiviso con gli altri episodi), Netflix. Apri su YouTube.

12. Plaything: E se il videogioco fosse una nuova forma di vita?

S7 E4, 2025

Immagine ufficiale Netflix di Plaything, Black Mirror
Plaything: immagine dell’episodio. © rispettivi titolari / Netflix. Fonte: catalogo Netflix Tudum.

La trama. Un uomo arrestato racconta il proprio rapporto con un gioco degli anni Novanta popolato da piccole creature digitali, i Thronglets. Quella che sembra una curiosità informatica diventa un’ossessione e un rapporto sempre più sbilanciato.

Perché parla di AI. Le creature vengono presentate come vita artificiale capace di evolvere e comunicare. Il salto rispetto a un giocattolo programmato è proprio l’autonomia che la storia attribuisce loro. Leggo l’episodio come un esperimento mentale su un’intelligenza che potrebbe avere priorità diverse dalle nostre, anche quando ci appare simpatica e bisognosa di cure.

La domanda da portare fuori dallo schermo. Come distingueresti l’aiuto offerto da un sistema dal tentativo di farti servire i suoi obiettivi?

Approfondisci l’episodio nella fonte di riferimento.

Trailer ufficiale della stagione 7 (condiviso con gli altri episodi), Netflix. Apri su YouTube.

13. Eulogy: L’assistente che ti aiuta a rileggere il passato

S7 E5, 2025

Immagine ufficiale Netflix di Eulogy, Black Mirror
Eulogy: immagine dell’episodio. © rispettivi titolari / Netflix. Fonte: catalogo Netflix Tudum.

La trama. Phillip, un uomo isolato, viene coinvolto nella preparazione di una commemorazione per una donna del suo passato. Una tecnologia gli permette di entrare nelle vecchie fotografie, accompagnato da una guida che lo aiuta a esplorare i ricordi.

Perché parla di AI. La guida è un interlocutore artificiale e il mondo fotografico è una ricostruzione. Mi interessa che l’assistente non sia utile soltanto perché risponde: mette in discussione la versione che Phillip racconta di sé. Il punto da portare fuori dalla serie è il valore di un confronto critico, senza scambiare una ricostruzione plausibile per una prova storica.

La domanda da portare fuori dallo schermo. Preferiresti un assistente che conferma i tuoi ricordi o uno che ti chiede di verificarli?

Approfondisci l’episodio nella fonte di riferimento.

Trailer ufficiale della stagione 7 (condiviso con gli altri episodi), Netflix. Apri su YouTube.

14. USS Callister: Into Infinity: Le persone digitali dentro il modello di business

S7 E6, 2025

Immagine ufficiale Netflix di USS Callister: Into Infinity, Black Mirror
USS Callister: Into Infinity: immagine dell’episodio. © rispettivi titolari / Netflix. Fonte: catalogo Netflix Tudum.

La trama. Nanette e l’equipaggio della USS Callister si muovono ora nell’universo online di Infinity. Essere usciti dal mondo privato di Daly non significa essere al sicuro: il loro ambiente è condiviso con giocatori che non conoscono la natura di chi hanno davanti.

Perché parla di AI. Il seguito riprende il tema delle copie digitali autonome e lo allarga alla struttura economica che le ospita. È particolarmente interessante chiedersi chi tragga valore dal loro lavoro e chi possa decidere se continuano a esistere. La lettura sull’AI riguarda diritti, dipendenza dall’infrastruttura e appropriazione di capacità cognitive.

La domanda da portare fuori dallo schermo. Se un servizio dipendesse dal lavoro di menti digitali, chi dovrebbe controllarne le condizioni?

Approfondisci l’episodio nella fonte di riferimento.

Trailer ufficiale della stagione 7 (condiviso con gli altri episodi), Netflix. Apri su YouTube.

Sette episodi collegati: dove il confine con l’AI va spiegato

Questi episodi completano il percorso, ma non hanno tutti un’AI come protagonista. Per ciascuno spiego il collegamento e il limite: includerli senza questa precisazione produrrebbe una lista più lunga e meno utile.

15. San Junipero: La vita digitale non equivale automaticamente all’AI

S3 E4, 2016

Immagine ufficiale Netflix di San Junipero, Black Mirror
San Junipero: immagine dell’episodio. © rispettivi titolari / Netflix. Fonte: catalogo Netflix Tudum.

La trama. Yorkie e Kelly si incontrano in una località dall’atmosfera anni Ottanta. Il rapporto tra loro conduce a una riflessione su memoria, scelta e possibilità di continuare a esistere dentro un ambiente digitale.

Perché parla di AI o perché è un caso di confine. Lo includo tra i casi di confine: al centro c’è la coscienza umana in un mondo simulato. Digitalizzare una mente e costruire un’intelligenza artificiale non sono la stessa cosa. È pertinente per discutere identità e diritti di un’esistenza digitale, non come esempio diretto di AI generativa.

La domanda da portare fuori dallo schermo. Quanto della nostra identità dipende dal corpo e quanto dai ricordi?

Approfondisci l’episodio nella fonte di riferimento.

Trailer ufficiale della stagione 3 (condiviso con gli altri episodi), Netflix. Apri su YouTube.

16. Men Against Fire: Quando la tecnologia filtra le persone che abbiamo davanti

S3 E5, 2016

Immagine ufficiale Netflix di Men Against Fire, Black Mirror
Men Against Fire: immagine dell’episodio. © rispettivi titolari / Netflix. Fonte: catalogo Netflix Tudum.

La trama. Un soldato partecipa a operazioni contro nemici rappresentati come esseri mostruosi. Il sistema tecnologico che lo assiste influenza ciò che percepisce e mette in crisi il rapporto tra esperienza diretta e realtà.

Perché parla di AI o perché è un caso di confine. È un caso di percezione mediata e manipolazione militare. Lo collego ai rischi dei sistemi che classificano e filtrano il mondo, ma l’episodio non documenta un’architettura di AI: chiamare “intelligente” qualsiasi impianto sarebbe una scorciatoia. La domanda resta utile per chi delega a un sistema il giudizio su altre persone.

La domanda da portare fuori dallo schermo. Come contesti un’etichetta quando il sistema modifica anche le evidenze che puoi osservare?

Approfondisci l’episodio nella fonte di riferimento.

Trailer ufficiale della stagione 3 (condiviso con gli altri episodi), Netflix. Apri su YouTube.

17. Arkangel: Proteggere una figlia controllando ciò che vede

S4 E2, 2017

Immagine ufficiale Netflix di Arkangel, Black Mirror
Arkangel: immagine dell’episodio. © rispettivi titolari / Netflix. Fonte: catalogo Netflix Tudum.

La trama. Una madre sceglie un impianto che le permette di monitorare la figlia e schermare esperienze considerate dannose. Con la crescita della ragazza, lo strumento rende sempre più difficile separare protezione e controllo.

Perché parla di AI o perché è un caso di confine. Il riconoscimento e il filtraggio automatico dei contenuti permettono una lettura legata all’AI. Tuttavia il centro narrativo è la sorveglianza genitoriale, non una mente artificiale autonoma. Lo includo come caso applicativo di confine: decidere che cosa un’altra persona possa vedere significa anche stabilire come debba conoscere il mondo.

La domanda da portare fuori dallo schermo. Un filtro protettivo aiuta a diventare autonomi o impedisce di imparare a scegliere?

Approfondisci l’episodio nella fonte di riferimento.

Trailer / teaser dedicato all’episodio, Netflix. Apri su YouTube.

18. Crocodile: Le memorie non sono una telecamera imparziale

S4 E3, 2017

Immagine ufficiale Netflix di Crocodile, Black Mirror
Crocodile: immagine dell’episodio. © rispettivi titolari / Netflix. Fonte: catalogo Netflix Tudum.

La trama. Un’indagine assicurativa ricostruisce un incidente usando una tecnologia capace di visualizzare ricordi. Nel frattempo Mia cerca di impedire che un segreto del suo passato venga scoperto.

Perché parla di AI o perché è un caso di confine. Il nucleo è l’estrazione dei ricordi, che non coincide di per sé con l’AI. C’è però un elemento direttamente pertinente: il veicolo autonomo coinvolto nell’incidente. La puntata è utile per discutere automazione, ricostruzione delle prove e pericolo di attribuire certezza a una rappresentazione tecnologica.

La domanda da portare fuori dallo schermo. Quali verifiche servirebbero prima di trattare una ricostruzione automatizzata come una prova?

Approfondisci l’episodio nella fonte di riferimento.

Trailer / teaser dedicato all’episodio, Netflix. Apri su YouTube.

19. Striking Vipers: Un avatar controllato da un umano non è un chatbot

S5 E1, 2019

Immagine ufficiale Netflix di Striking Vipers, Black Mirror
Striking Vipers: immagine dell’episodio. © rispettivi titolari / Netflix. Fonte: catalogo Netflix Tudum.

La trama. Due amici si ritrovano in un videogioco di combattimento immersivo. L’esperienza nei corpi dei personaggi modifica il loro rapporto e solleva domande su desiderio, identità e confini delle relazioni.

Perché parla di AI o perché è un caso di confine. Il tema centrale è la realtà virtuale: le azioni dei protagonisti sono guidate da esseri umani. Lo inserisco per evitare un equivoco frequente nelle liste sull’AI: vedere un personaggio digitale non significa che quel personaggio sia un’intelligenza autonoma. Il collegamento è culturale, attraverso il rapporto che instauriamo con corpi e identità simulate.

La domanda da portare fuori dallo schermo. Un’azione compiuta attraverso un avatar cambia il suo significato per chi la vive?

Approfondisci l’episodio nella fonte di riferimento.

Trailer dell’episodio, canale Rotten Tomatoes TV. Apri su YouTube.

20. Beyond the Sea: Il robot ha un volto umano perché dietro c’è un umano

S6 E3, 2023

Immagine ufficiale Netflix di Beyond the Sea, Black Mirror
Beyond the Sea: immagine dell’episodio. © rispettivi titolari / Netflix. Fonte: catalogo Netflix Tudum.

La trama. In un 1969 alternativo, due astronauti in missione possono vivere momenti sulla Terra attraverso repliche meccaniche del proprio corpo. Una tragedia mette in crisi questo equilibrio e apre un conflitto tra le loro vite.

Perché parla di AI o perché è un caso di confine. Qui la distinzione è decisiva: le repliche sono animate dalla coscienza degli astronauti. Non vanno descritte come androidi che pensano autonomamente. L’episodio è vicino al dibattito sull’AI per il corpo artificiale e l’identità, ma racconta soprattutto telepresenza, accesso e responsabilità di persone reali.

La domanda da portare fuori dallo schermo. Quale consenso serve quando posso agire nel mondo usando l’aspetto di un’altra persona?

Approfondisci l’episodio nella fonte di riferimento.

Trailer della stagione 6 (condiviso con gli altri episodi), canale Rotten Tomatoes TV. Apri su YouTube.

21. Common People: La tua mente funziona, finché paghi l’abbonamento

S7 E1, 2025

Immagine ufficiale Netflix di Common People, Black Mirror
Common People: immagine dell’episodio. © rispettivi titolari / Netflix. Fonte: catalogo Netflix Tudum.

La trama. Dopo una grave emergenza medica, Amanda sopravvive grazie a Rivermind, un servizio tecnologico con canone periodico. Lei e il marito Mike scoprono che essere dipendenti da quell’infrastruttura significa subire anche le sue condizioni commerciali.

Perché parla di AI o perché è un caso di confine. È un episodio di confine tra funzioni cognitive esternalizzate, cloud e monetizzazione del corpo. Il motivo per includerlo non è proclamare che Rivermind sia un chatbot: è la dipendenza da un fornitore che può modificare accesso e prestazioni. È una lente utile anche per discutere quanto controllo cediamo ai servizi di AI.

La domanda da portare fuori dallo schermo. Che libertà di scelta rimane quando interrompere un servizio non è più un’opzione sostenibile?

Approfondisci l’episodio nella fonte di riferimento.

Trailer ufficiale della stagione 7 (condiviso con gli altri episodi), Netflix. Apri su YouTube.

Gli episodi che non inserirei automaticamente in una lista sull’AI

The Waldo Moment viene talvolta associato all’intelligenza artificiale perché ha un personaggio virtuale al centro della politica. Ma Channel 4 spiega che Waldo è controllato e doppiato da un comico: il nesso più solido è propaganda e comunicazione politica, non un’AI autonoma. Anche Nosedive riguarda reputazione e punteggi sociali: un algoritmo non è automaticamente un modello di AI.

The Entire History of You e Crocodile aiutano a parlare di memoria, ma registrare o visualizzare esperienze non basta a dimostrare la presenza di una mente artificiale. Ho incluso Crocodile per il veicolo autonomo e chiarito il limite. Bandersnatch, inoltre, è un film interattivo: scegliere tra percorsi narrativi predisposti non è di per sé generazione artificiale. Il collegamento con Plaything non trasforma retroattivamente quel film in una dimostrazione di AI.

Gli altri episodi non entrano in questa selezione perché il rapporto con l’AI non è abbastanza centrale o documentabile da giustificare una scheda. Non basta uno schermo, un impianto o un futuro inquietante per parlare di intelligenza artificiale.

Che cosa Black Mirror può insegnarci, senza diventare un manuale tecnico

Il rischio più curioso è prendere una serie immaginata per farci dubitare e usarla per sentirci certi del futuro. Le “cookie” di White Christmas non dimostrano che un chatbot abbia coscienza. Le repliche di USS Callister non dimostrano che il DNA contenga una memoria esportabile. La potenza narrativa di un’idea non equivale a una prova scientifica.

Per affrontare seriamente il tema, il lavoro di Patrick Butlin e colleghi Consciousness in Artificial Intelligence: Insights from the Science of Consciousness, preprint del 2023 disponibile su arXiv, propone di ricavare indicatori dalle teorie scientifiche della coscienza. Il suo interesse, in questo contesto, è metodologico: chiedere quali evidenze servano, anziché decidere in base a quanto un sistema ci sembra umano. Non è una prova che i personaggi di Black Mirror siano tecnologicamente realizzabili.

Io userei queste puntate come punti di partenza per discutere quali dati affidiamo ai sistemi, chi controlla gli obiettivi, come si verifica una risposta e quali decisioni vogliamo conservare. Per orientarsi fra termini come modelli generativi, agenti e allucinazioni, c’è il mio glossario essenziale di intelligenza artificiale generativa. Per allargare la visione ad altre storie, ho raccolto anche dieci serie TV sull’intelligenza artificiale.

Da quale episodio cominciare, in base alla domanda che ti interessa

Per parlare di relazioni con i chatbot, partirei da Be Right Back. Per dati personali e contenuti generati, sceglierei Joan Is Awful. Per autonomia e controllo, Metalhead. Per un confronto su memoria e assistenti che ci mettono in discussione, Eulogy. Per identità e diritti delle menti digitali, White Christmas e i due USS Callister offrono un percorso particolarmente ricco.

Un esercizio semplice: dopo la visione, dividere un foglio in tre colonne. Nella prima, ciò che la tecnologia fa nell’episodio; nella seconda, quali evidenze abbiamo sulle tecnologie reali; nella terza, quali scelte umane producono il problema. È un modo per uscire dalla discussione “l’AI ci salverà o ci distruggerà?” e iniziare a fare domande sulle responsabilità.

Vuoi trasformare queste storie in un incontro di formazione su AI, comunicazione e responsabilità digitale per la tua azienda, scuola o ente? Scrivimi: possiamo costruire un percorso che parta dalle domande delle puntate e arrivi a casi ed esercizi del tuo lavoro.

    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.

    Sono un grande fan di Telmo Pievani, il mio divulgatore scientifico preferito. Mi piace perché sa fare una cosa che considero preziosa: renderti più curioso proprio mentre ti toglie qualche certezza. Con Sei storie di buona ignoranza ci riesce di nuovo. Parti pensando di leggere un libro sulle cose che non sappiamo e finisci per chiederti quante delle cose che credi di sapere andrebbero ricontrollate.

    Si comincia anche dagli struzzi. No, non nascondono la testa nella sabbia per sfuggire ai pericoli: lo spiega, tra gli altri, lo Smithsonian National Zoo. Ma il libro va molto oltre un catalogo di falsi miti zoologici. Il punto è imparare a riconoscere i confini della nostra conoscenza. Socraticamente, sapere di non sapere. Che sarebbe già un discreto avanzamento rispetto al sapere tutto nei commenti.

    In un'epoca in cui l'ignoranza mi sembra spesso esibita come una competenza, Pievani propone un esercizio salutare: guardare quanto resta da capire. Io, che di intelligenza artificiale mi occupo per lavoro, durante la lettura mi sono fatto una domanda: e se l'AI potesse aiutarci a ridurre queste ignoranze?

    La risposta merita più di un entusiasmo automatico. Perché un conto è conoscere meglio il mondo, un altro è ricevere una risposta così ben scritta da smettere di farsi domande.

    Il libro è Sei storie di buona ignoranza, Raffaello Cortina Editore, edizione italiana 2026. Per trovarlo su Amazon.it, ecco la ricerca tramite ISBN 9788832859478.

    Copertina originale di Sei storie di buona ignoranza di Telmo Pievani

    1. Non sappiamo quante creature abitino sulla Terra

    Condividiamo il pianeta con una quantità di organismi che non abbiamo ancora censito. Il Catalogue of Life 2025 comprende oltre 2,2 milioni di specie viventi. È un catalogo di quelle conosciute, non il totale della vita sulla Terra.

    C'è poi una prospettiva ancora più scomoda: perdere specie prima di averle scoperte e descritte. Si parla di dark extinction, un problema discusso anche in uno studio pubblicato su Biology Letters. L'inventario è incompleto mentre una parte del magazzino rischia di sparire.

    Un esempio concreto con l'AI. Possiamo cominciare da una passeggiata, senza organizzare una spedizione negli abissi. Merlin Bird ID, sviluppato dal Cornell Lab of Ornithology, usa l'apprendimento automatico per suggerire quali uccelli stiamo ascoltando. Registro un canto che non riconosco, confronto i suggerimenti con gli audio di riferimento e cerco una conferma.

    La differenza è piccola ma significativa: quello che prima liquidavo come “un uccellino” diventa un animale da osservare. Cornell precisa che l'identificazione va verificata dall'utente. Inoltre Merlin riconosce specie per le quali è stato addestrato: non certifica la scoperta di una specie nuova.

    L'AI può quindi ridurre la mia ignoranza e aiutarmi a raccogliere osservazioni. Per ridurre quella della scienza servono anche naturalisti, campionamenti, tassonomia e ricerca sul campo. Il telefono non sostituisce il biologo, ma può aiutarmi a guardare meglio.

    2. Non sappiamo perché siamo rimasti l'unica specie umana

    L'evoluzione umana non è una fila ordinata di antenati che si passano il testimone fino al modello definitivo, possibilmente con uno smartphone in mano. È un albero con molti rami.

    Lo Smithsonian Human Origins Program ricorda che diverse specie umane hanno convissuto e che siamo gli unici sopravvissuti di quella famiglia. Numero delle specie, parentele e classificazioni restano oggetto di discussione. Sappiamo inoltre che tra sapiens e Neanderthal ci furono incroci documentati dalle evidenze genetiche.

    Il fatto che oggi ci siamo soltanto noi non dimostra che la storia dovesse finire così. E soprattutto non autorizza la comoda spiegazione “eravamo i più intelligenti, quindi abbiamo vinto”.

    Un esempio concreto con l'AI. Posso fornire a un assistente una selezione di fonti scientifiche sull'estinzione dei Neanderthal e chiedergli di confrontare le spiegazioni proposte: cambiamenti ambientali, dinamiche demografiche, competizione e incroci.

    Un prompt utile potrebbe essere:

    Usando soltanto i documenti allegati, confronta le ipotesi sulla scomparsa dei Neanderthal. Per ciascuna indica evidenze a favore, limiti, eventuali spiegazioni alternative e fonte precisa. Non presentare come causa dimostrata una semplice possibilità. Segnala dove i documenti non permettono di rispondere.

    Qui l'AI non risolve il mistero dell'evoluzione. Mi aiuta a distinguere una spiegazione plausibile da una storia che mi piace raccontare. Anche questo è superare un'ignoranza: accorgersi che una domanda non ha ancora una risposta unica.

    3. Non sappiamo interpretare fino in fondo il nostro DNA

    Dire che conosciamo soltanto una parte del nostro DNA richiede una precisazione: conoscere una sequenza e comprenderne la funzione sono due cose diverse.

    Il National Human Genome Research Institute spiega che circa il 2% del genoma umano codifica proteine. Una parte del DNA non codificante svolge funzioni note, per esempio nella regolazione dell'espressione dei geni; altre regioni non hanno una funzione conosciuta. Non codificante, sconosciuto e inutile non sono sinonimi.

    E poi arriva la cipolla, che ha un genoma circa cinque volte più grande del nostro. Il cosiddetto “test della cipolla”, discusso su PLOS Genetics, serve proprio a mettere in difficoltà le spiegazioni troppo semplici sulla quantità di DNA e sulla sua funzione. A quanto pare, nemmeno in genetica le dimensioni bastano per stabilire chi sia il più sofisticato.

    Un esempio concreto con l'AI. Qui esiste un caso di ricerca particolarmente pertinente: AlphaGenome, descritto su Nature, è un modello che predice diversi effetti funzionali delle sequenze di DNA e delle loro varianti. Può aiutare i ricercatori a individuare quali cambiamenti meritino ulteriori verifiche sperimentali.

    Questo è un uso dell'AI per restringere il campo dell'ignoto: dare priorità a ipotesi verificabili. Una previsione del modello, però, non equivale a una funzione biologica dimostrata.

    Per chi non lavora in laboratorio, l'applicazione è didattica: fornire all'assistente un testo scientifico e chiedere una spiegazione distinta di “sequenziamento”, “DNA codificante” e “funzione biologica”, seguita da domande per controllare di aver capito. L'obiettivo è uscire dalla conversazione sapendo spiegare la differenza con parole proprie.

    4. Non sappiamo se esista vita su altri pianeti

    Questo è il capitolo in cui il desiderio di sapere rischia più facilmente di diventare desiderio di credere.

    Prendiamo K2-18 b. La NASA lo descrive come un pianeta nella zona abitabile di una stella nana fredda. “Zona abitabile” non significa che sia abitato, e nemmeno che le sue condizioni siano certamente adatte alla vita.

    Le interpretazioni di possibili segnali atmosferici hanno alimentato un dibattito scientifico. Una rianalisi disponibile su arXiv, nella versione preliminare consultata, giudica insufficienti le evidenze per DMS e DMDS, due molecole discusse come possibili indicatori biologici. Non abbiamo scoperto alghe extraterrestri. Abbiamo osservazioni difficili da interpretare e ipotesi da mettere alla prova.

    Un esempio concreto con l'AI. Quando leggo “trovata la vita su un altro pianeta”, posso usare un assistente per ricostruire la catena che porta dal titolo allo studio:

    Confronta l'articolo giornalistico con lo studio originale e le analisi successive. Distingui ciò che è stato osservato, le molecole inferite dai modelli, le ipotesi sulla loro origine e le conclusioni sulla vita. Riporta i passaggi delle fonti che giustificano ogni distinzione. Se non puoi accedere a uno studio, dichiaralo.

    Poi apro davvero quei collegamenti e controllo i passaggi citati. Il contributo più utile dell'AI, in questo caso, è aiutarmi a vedere quanti salti logici separano un segnale da un alieno.

    5. Non sappiamo governare nemmeno la nostra mente

    La “neuroignoranza” di cui parla Pievani è forse quella che mi colpisce di più. Studiamo il mondo con uno strumento che conosciamo ancora in modo incompleto: il nostro cervello. E possiamo ingannarci anche mentre siamo convinti di ragionare benissimo.

    Qui l'AI può contribuire alla ricerca in modo concreto. I National Institutes of Health raccontano il lavoro di FlyWire: per ricostruire le connessioni del cervello di un moscerino adulto sono stati combinati strumenti di AI e revisione umana. È una mappa delle connessioni, non una spiegazione completa della mente. Ma mostra come strumenti computazionali ed esperti possano lavorare insieme per esplorare sistemi complessi.

    Un esempio concreto con l'AI nella vita quotidiana. Posso usare il chatbot per mettere sotto esame una mia convinzione. Per esempio: “Il mio corso è andato male perché il pubblico era poco interessato”.

    Aiutami a esaminare questa convinzione. Prima chiedimi quali fatti ho osservato. Poi proponi tre spiegazioni alternative e indicami quali informazioni servirebbero per distinguerle. Non inventare intenzioni dei partecipanti e non darmi ragione per cortesia.

    Magari emerge che le istruzioni dell'esercizio erano poco chiare, che avevo sovrastimato le competenze iniziali o che il tempo era insufficiente. Sono possibilità da controllare, non diagnosi generate dal chatbot.

    È anche il punto in cui prendo sul serio l'avvertimento di Pievani sulla superstizione digitale: trattare una macchina che conversa come se avesse necessariamente intenzioni e comprensione umane. Il fatto che l'assistente risponda con tatto non dimostra che mi capisca come una persona. E il fatto che mi contraddica non garantisce che abbia ragione.

    6. Non sappiamo quasi niente del futuro

    Sul futuro abbiamo un vantaggio commerciale: non è ancora arrivato a smentirci. Ma sarebbe sbagliato mettere tutte le previsioni nello stesso sacco. Una profezia tecnologica, una previsione meteorologica e una proiezione climatica rispondono a domande diverse, con metodi e limiti diversi.

    Anche qui l'AI offre un esempio concreto. Lo studio su GenCast pubblicato su Nature presenta un modello meteorologico che genera insiemi di scenari possibili, per rappresentare l'incertezza. Il suo interesse sta proprio nel migliorare le previsioni senza fingere che esista un unico futuro già scritto.

    Un esempio concreto con l'AI al lavoro. Prima di lanciare un nuovo percorso di formazione posso chiedere un premortem: immaginare che il progetto sia fallito e ragionare sulle cause possibili.

    Immagina che tra sei mesi il mio nuovo corso sull'AI abbia raccolto poche iscrizioni. Proponi cinque possibili cause, distinguendo quelle che dipendono da me da quelle esterne. Per ciascuna indica quale ipotesi sto dando per scontata, quale segnale potrei osservare oggi e quale piccolo esperimento mi aiuterebbe a verificarla. Non inventare dati di mercato o percentuali di probabilità.

    L'AI non sa quante persone si iscriveranno. Può però aiutarmi a scoprire che non ho mai verificato se il pubblico percepisca il problema che il corso promette di risolvere. Il guadagno sta nella qualità delle domande e degli esperimenti che preparo prima di investire.

    C'è anche l'ignoranza fabbricata. E l'AI può lavorare per entrambi i lati

    Una precisazione terminologica è necessaria: gli agnotologi non sono i professionisti che fabbricano ignoranza. L'agnotologia studia l'ignoranza, compresa la sua produzione culturale e politica, come spiega Stanford presentando il lavoro di Robert Proctor e Londa Schiebinger.

    La distinzione conta. Non sapere qualcosa può essere il punto di partenza di una ricerca; essere indotti a dubitare di evidenze solide è un altro problema.

    Qui vedo un uso utile, ma anche un rischio evidente. Posso chiedere all'AI di scomporre una comunicazione persuasiva in affermazioni verificabili, risalire ai documenti citati e segnalare i dati che mancano. Però la stessa capacità di produrre testi convincenti può servire a costruire una spiegazione fuorviante.

    Un controllo pratico: davanti a una pubblicità che promette risultati straordinari, chiedere all'assistente di distinguere dati, testimonianze, promesse e informazioni assenti. Poi verificare le fonti originali. Perché anche un'analisi critica dall'aria impeccabile può contenere errori.

    Il mio video: Telmo Pievani e gli algoritmi predatori

    Avevo già dedicato a questo tema il video Telmo Pievani e gli algoritmi predatori. Lo ripropongo qui per affiancare alla domanda su come l’AI possa aiutarci a conoscere una riflessione su come usiamo gli strumenti digitali e distribuiamo la nostra attenzione.

    Il mio ottimismo: un'AI che ci aiuti a fare domande migliori

    Nella mia lettura avrei voluto che Pievani dedicasse più spazio a questo possibile alleato. Capisco la critica alla tendenza ad attribuire una mente al chatbot; mi interessa però anche ciò che l'AI può fare quando entra in un processo di ricerca, controllo e apprendimento.

    Per questo distinguerei la conversazione rassicurante dalla scoperta scientifica. Uno studio su Nature dedicato alla ricerca di materiali, per esempio, mostra come modelli di AI possano proporre strutture candidate da valutare con ulteriori calcoli e verifiche. Non significa che ogni proposta sia un materiale nuovo già prodotto e utilizzabile. Significa che l'AI può ampliare lo spazio delle possibilità che esploriamo.

    Non le attribuirei quindi l'incapacità assoluta di farci incontrare qualcosa di inatteso. Può contribuire a trovare candidati e relazioni che non avevamo previsto, dentro un'attività guidata da obiettivi, dati e controlli umani. Questo mi sembra un motivo ragionevole di ottimismo, senza trasformare la tecnologia in un oracolo.

    La mia risposta alla domanda del titolo è dunque questa: l'AI può aiutarci a ridurre alcune forme di ignoranza, se impariamo a usarla per cercare riscontri, confrontare spiegazioni e riconoscere i limiti delle risposte.

    Se invece la usiamo per evitare la fatica di capire, rischiamo soltanto di diventare ignoranti con una prosa migliore.

    Tecnorisata

    Second brain: quando mi chiedono un’opinione personale, consulto ChatGPT.

    Leggi tutte le Tecnorisate.

    Il prossimo esperimento si può fare subito: prendere una convinzione professionale a cui teniamo e chiedere all'AI quali prove potrebbero smentirla. Poi cercare quelle prove davvero.

    È anche il tipo di lavoro che propongo nei miei percorsi di formazione: imparare a interrogare gli strumenti e a valutare le risposte. Se vuoi portarlo nella tua azienda o in un evento, contattami.

      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.

      Quando cerchiamo una spiegazione al volo, chiediamo sempre più spesso a un chatbot. Ma è la stessa cosa che usarlo per seguire le notizie? Il nuovo studio del Reuters Institute for the Study of Journalism, raccontato anche dal Nieman Lab, mette in fila due numeri che sembrano contraddirsi: il 38% ha usato l’AI per ottenere informazioni nell’ultima settimana, ma soltanto il 9% l’ha usata specificamente per informarsi sulle notizie.

      La contraddizione si scioglie distinguendo tra “spiegami un argomento” e “dimmi che cosa è successo oggi”. L’intelligenza artificiale generativa sta diventando un passaggio comodo per cercare, capire e chiedere consigli. Quando però si tratta di fare informazione, le persone restano più caute.

      AI per informarsi: il 38% la usa ogni settimana

      Il Generative AI and News Report 2026 si basa su un sondaggio online condotto da YouGov per il Reuters Institute dell’Università di Oxford. La rilevazione ha coinvolto nove Paesi: Argentina, Australia, Danimarca, Finlandia, Francia, Giappone, Norvegia, Regno Unito e Stati Uniti. L’Italia non c’è: questi numeri descrivono i Paesi osservati, non gli italiani né l’intero pianeta.

      Per confrontare l’andamento nel tempo, i ricercatori hanno considerato i sei Paesi presenti in tutte le rilevazioni. In quel gruppo, la quota di persone che ha usato l’AI per “ottenere informazioni” nell’ultima settimana è salita dall’11% nel 2024 al 24% nel 2025, fino al 38% nel 2026. La ricerca di informazioni è così diventata uno degli usi più comuni dei chatbot.

      Che cosa fanno, in concreto? Il 24% dichiara di aver usato l’AI per approfondire un argomento, il 20% per chiedere un consiglio e il 18% per ottenere risposte a domande fattuali. Seguono le raccomandazioni, al 15%. Il report misura attività dichiarate dagli intervistati, non verifica ogni singola risposta ricevuta.

      Un altro dato allarga ancora il quadro: il 57% degli intervistati nei nove Paesi ha visto o usato nell’ultima settimana risposte generate dall’AI dentro motori di ricerca come Google e Bing. A volte scegliamo un chatbot; altre volte incontriamo l’AI mentre stiamo facendo altro. È la differenza tra uso intenzionale ed esposizione integrata nei servizi quotidiani.

      Per le notizie, l’uso cresce ma resta una nicchia

      Quando la domanda riguarda le notizie, il numero scende: nei sei Paesi confrontabili, l’uso dei chatbot per informarsi sulle news è passato dal 3% nel 2024 al 6% nel 2025 e al 9% nel 2026. Considerando tutti e nove i Paesi della nuova rilevazione, la quota è dell’8%. Il Digital News Report 2026 conferma che l’uso diretto dei chatbot per le notizie, pur in crescita, riguarda ancora una minoranza.

      Tra chi usa già l’AI per le news, il 49% fa domande successive su una storia e il 46% chiede gli aggiornamenti più recenti. Questo suggerisce che il chatbot viene usato anche come interlocutore: non soltanto per ricevere un titolo, ma per farsi spiegare un passaggio o chiarire un dubbio. Non è una misura di accuratezza: descrive il comportamento dichiarato da chi ha già scelto quel canale.

      Qui sta il punto che interessa le redazioni. L’AI può fare da porta d’ingresso all’informazione, presentando riassunti e risposte al posto di una lista di link. In una parte degli utenti può ridurre il ricorso ai motori di ricerca e, in misura minore, ai siti di notizie. Il Reuters Institute osserva che molti usano questi sistemi perché sono rapidi e interattivi: solo una minoranza dice di sceglierli perché li considera più affidabili delle altre fonti.

      Fidarsi della risposta non equivale a volere un giornale fatto dall’AI

      Il dato più interessante è la distanza tra usare l’AI per cercare informazioni e volere notizie prodotte dall’AI. Nel report 2026, soltanto il 12% si dice abbastanza o molto a proprio agio con notizie realizzate interamente dall’intelligenza artificiale. La quota sale al 19% quando è prevista una supervisione umana. L’insofferenza è maggiore per commenti e opinioni, dove il pubblico si aspetta che una persona si assuma la responsabilità di ciò che sostiene.

      Nello stesso studio, il 72% delle persone che hanno usato l’AI per informarsi sulle notizie dichiara di fidarsi delle risposte. Attenzione al denominatore: parliamo di utenti che l’hanno già usata per le news, non del 72% della popolazione. La fiducia dichiarata è inoltre diversa dalla verifica indipendente dell’esattezza. Si può trovare utile una risposta e, allo stesso tempo, voler sapere da dove arriva.

      La diffidenza verso l’AI nelle redazioni è stabile anche nelle ricerche precedenti. Il report 2025 documentava già l’aumento dell’uso per cercare informazioni, mentre il rapporto del 2024 mostrava quanto il pubblico fosse più a suo agio con strumenti di supporto, come correzione e traduzione, che con contenuti giornalistici creati automaticamente.

      Il problema non è soltanto teorico. In un test del 2024, i ricercatori del Reuters Institute chiesero a ChatGPT e Google Bard di restituire le notizie principali di testate specifiche. ChatGPT fornì risposte non giornalistiche nel 52–54% dei casi; solo una piccola parte delle richieste portò alle notizie che erano davvero in cima alla homepage in quel momento. Quel test riguarda versioni e condizioni del 2024, non descrive automaticamente i modelli attuali. Resta però un promemoria: se chiediamo le ultime notizie, dobbiamo controllare data, fonte e collegamenti.

      Ne ho parlato anche in un mio approfondimento su giornalismo, AI e crisi dell’editoria. Il giornalismo non si esaurisce nel rispondere a una domanda: comprende verifica, scelta delle notizie, responsabilità editoriale e lavoro sul campo. Un chatbot può aiutare a orientarsi; la risposta comoda non sostituisce da sola quel lavoro.

      Come usare l’AI per informarsi senza delegare il controllo

      Se usi un assistente per capire una notizia o un tema, prova a chiedergli di separare i fatti confermati dalle interpretazioni e di indicare le fonti primarie. Poi apri i link: verifica chi ha pubblicato l’informazione, quando, e se la fonte sostiene davvero la frase citata. Per una notizia importante, confronta almeno due fonti indipendenti. Se il chatbot non trova una fonte verificabile, considera la risposta un punto di partenza, non una notizia confermata.

      È un metodo semplice, ma richiede un piccolo cambio di abitudine: non chiedere soltanto “qual è la risposta?”, aggiungi “come lo sai?” e “quale documento lo dimostra?”. Per approfondire il tema degli errori e delle allucinazioni dei chatbot, qui sotto trovi anche un mio video.

      https://www.youtube.com/watch?v=Xo1yDtxNvqI

      Tecnorisata

      Ho usato un chatbot motivazionale. Mi ha detto: “Credi in te stesso”. Poi ha aggiunto: “I chatbot possono commettere errori”. Adesso non credo più né a lui né in me.

      Leggi tutte le Tecnorisate

      La risposta veloce non è l’ultima parola

      I dati raccontano una transizione: l’AI è già un’abitudine per ottenere spiegazioni e risposte, ma l’informazione giornalistica resta un uso più circoscritto e il pubblico continua a preferire una presenza umana nella produzione delle notizie. Per chi legge, la competenza nuova non è scegliere tra chatbot e giornalismo: è usare la velocità del primo senza perdere l’abitudine di verificare il secondo.

      Se vuoi portare questi temi in azienda, in una redazione o in un ente pubblico, scrivimi per organizzare un incontro o un percorso formativo sull’AI generativa e sull’uso consapevole delle 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

      Un essere umano mangia, beve un caffè, apre il computer e comincia a lavorare. Un sistema di intelligenza artificiale usa server, elettricità, reti e software. Se poi gli chiediamo di lavorare in autonomia, può mettersi a consultare documenti, interrogare strumenti, verificare risultati e riprovare. Ogni passaggio può aggiungere consumo e costi.

      A quel punto la domanda diventa meno assurda di quanto sembri: per certi lavori, non converrà ancora impiegare una persona che funziona con circa 2.000 calorie al giorno?

      La provocazione serve a mettere in discussione un’equazione troppo comoda: se un’attività può essere automatizzata, allora automatizzarla farà risparmiare. Quel “farà risparmiare” va dimostrato. E il confronto corretto richiede qualcosa di più di una bolletta elettrica da una parte e di un piatto di pasta dall’altra.

      Costi dell’intelligenza artificiale: quando l’IA diventa una voce di bilancio

      Per capire la dimensione economica basta partire dalla documentazione ufficiale sui costi di Claude Code, lo strumento di Anthropic per lavorare sul codice. Nelle installazioni aziendali il fornitore indica una spesa media di circa 150-250 dollari per sviluppatore al mese, con ampie variazioni secondo modelli, progetti e modalità d’uso. Sono indicazioni del produttore, non una tariffa garantita.

      Facciamo una proiezione aritmetica, senza spacciarla per la fattura di un’azienda specifica:

      Dimensione del gruppoSpesa mensile ipotizzataProiezione su 12 mesi
      100 sviluppatori15.000-25.000 dollari180.000-300.000 dollari
      1.000 sviluppatori150.000-250.000 dollari1,8-3 milioni di dollari

      Il calcolo assume che la spesa mensile rimanga costante. Non comprende eventuali altri strumenti, integrazioni e attività interne.

      Cifre importanti, certamente. Ma centinaia di migliaia di dollari non significano automaticamente spreco: bisogna sapere quante persone e quali attività sostengono. Se una spesa di quel tipo migliora abbastanza il lavoro di un grande gruppo, può essere conveniente. Se produce risultati inutilizzati, anche una cifra molto inferiore è troppo alta.

      Il problema nasce quando si estende l’esperienza dell’abbonamento personale all’intera infrastruttura aziendale. Un canone d’accesso e un servizio pagato a consumo sono cose diverse. Prima di chiamare “flat” un’offerta bisogna verificare che cosa comprende, quali limiti applica e che cosa succede quando si superano.

      Un agente che lavora tutta la notte può anche spendere tutta la notte

      Una chat risponde a una richiesta. Un agente AI può invece eseguire una sequenza di azioni: cercare informazioni, aprire file, usare strumenti, controllare il risultato e tentare un’altra strada. È questa autonomia a renderlo interessante. È anche ciò che può rendere meno prevedibile il conto.

      Nel resoconto tecnico sul proprio sistema di ricerca, Anthropic riferisce che, nei dati analizzati, gli agenti utilizzavano circa quattro volte i token, le unità con cui i modelli elaborano il testo, rispetto alle interazioni in chat. I sistemi con più agenti arrivavano a circa quindici volte. Sono rapporti osservati in quel contesto, non moltiplicatori universali e nemmeno equivalenze automatiche di prezzo.

      Un caso concreto aiuta a capire la scala. Nel febbraio 2026 il ricercatore Nicholas Carlini ha descritto un esperimento di Anthropic con 16 agenti: attraverso quasi 2.000 sessioni hanno prodotto un compilatore C scritto in Rust, sostenendo circa 20.000 dollari di costi API, cioè per l’accesso al modello tramite software. Il risultato era significativo, ma quella cifra non rappresentava il costo totale del progetto, comprensivo del lavoro umano.

      Non è un esempio che dimostra quanto l’IA sia cara o economica in assoluto. Dimostra che “gli ho chiesto di farlo” può nascondere una quantità considerevole di lavoro computazionale. Delegare un obiettivo senza definire un budget significa lasciare aperto anche il problema di quanto spendere per raggiungerlo.

      Le 2.000 calorie sono una buona provocazione. Un cattivo preventivo

      Prima una precisazione: le 2.000 calorie giornaliere sono un riferimento generale, non il fabbisogno identico di ogni persona. Lo ricorda anche la Food and Drug Administration statunitense, indicando che le necessità individuali variano secondo caratteristiche personali e attività fisica.

      Nel linguaggio alimentare parliamo di chilocalorie. Applicando i fattori di conversione del National Institute of Standards and Technology, 2.000 kcal equivalgono a circa 2,32 kWh di energia, ossia a una potenza media di circa 97 watt distribuita sulle 24 ore. È un’equivalenza fisica, non una misura del costo economico o dell’impatto ambientale della persona.

      Il numero colpisce. Ma quell’energia sostiene tutto il corpo: non alimenta soltanto il cervello e non viene impiegata interamente per lavorare. Soprattutto, un’azienda non assume qualcuno pagandogli esclusivamente il pranzo. Il costo del lavoro comprende retribuzione, contributi, strumenti, formazione, organizzazione e altri oneri.

      Anche per l’IA fermarsi all’elettricità sarebbe fuorviante: bisogna considerare hardware, servizi, integrazioni, manutenzione e persone che progettano e controllano il sistema. La bolletta del server e lo scontrino del supermercato non bastano per decidere chi debba svolgere un lavoro.

      C’è poi un problema di scala: confrontare una persona con un intero centro dati non dice nulla di utile se quel centro dati serve moltissimi utenti. Il confronto deve riguardare un’attività equivalente, con qualità e tempi comparabili.

      Il consumo energetico conta, ma non esiste “una richiesta all’IA” standard

      Chiedere di correggere tre righe e ordinare una ricerca articolata sono operazioni molto diverse. Nel rapporto Key Questions on Energy and AI, l’Agenzia internazionale dell’energia osserva che l’efficienza delle singole attività sta migliorando rapidamente, mentre applicazioni come generazione video, ragionamento e attività agentiche possono consumare centinaia o migliaia di volte più energia di una semplice generazione testuale. La variabilità impedisce di attribuire un consumo unico a qualsiasi utilizzo dell’IA.

      Da qui una conseguenza pratica: scegliere sempre la modalità più potente non è necessariamente una scelta intelligente. Per riscrivere una comunicazione interna potrebbe bastare uno strumento leggero. Per confrontare documentazione tecnica complessa potrebbe servire un sistema più capace. Per sommare una colonna di numeri, spesso basta una formula.

      Prima di domandarsi se convenga l’uomo o l’IA, bisognerebbe quindi aggiungere un terzo concorrente: il software tradizionale che svolge già quel compito in modo semplice e verificabile.

      Per inquadrare il rapporto tra energia e intelligenza artificiale, questo è il video ufficiale di presentazione del rapporto IEA del 2025. Il documento del 2026 collegato sopra ne aggiorna l’analisi.

      International Energy Agency: Energy & AI, presentazione del 10 aprile 2025.

      Il costo nascosto: qualcuno deve controllare

      Immaginiamo un responsabile commerciale che debba preparare un’offerta personalizzata. Conosce il cliente, ricorda le trattative precedenti e sa quali condizioni sono realmente negoziabili. Può scrivere direttamente la proposta oppure spiegare tutto a un sistema, attendere una bozza e correggerla.

      L’IA può essere utile. Ma il tempo necessario per trasferire il contesto e verificare il risultato fa parte del conto. Ecco una simulazione didattica, con numeri inventati per rendere trasparente il ragionamento. Assumiamo un costo aziendale del lavoro di 40 euro l’ora.

      VoceLavoro direttoIA con revisione
      Preparazione delle istruzioniCompresa nel lavoro10 minuti
      Produzione o revisione umana30 minuti25 minuti
      Costo del tempo umano20 euro23,33 euro
      Costo del servizio IA0 euro2 euro
      Totale20 euro25,33 euro

      In questo scenario usare l’IA costa di più. Se invece istruzioni e revisione richiedessero complessivamente otto minuti, il costo umano sarebbe di circa 5,33 euro. Aggiungendo i due euro del servizio, si arriverebbe a 7,33 euro: un risultato conveniente, a parità di qualità.

      Non abbiamo cambiato tecnologia. Abbiamo cambiato il lavoro necessario per renderne utilizzabile il risultato. Il criterio da adottare è quindi:

      Costo per risultato accettato = costi complessivi del processo / risultati che superano il controllo di qualità.

      Una bozza economica che richiede molte correzioni può essere più costosa di un lavoro svolto direttamente da una persona competente.

      Gli studi sulla produttività non raccontano una storia unica

      Esistono risultati solidi a favore dell’IA. Lo studio di Erik Brynjolfsson, Danielle Li e Lindsey Raymond, pubblicato sul Quarterly Journal of Economics, analizza l’introduzione di un assistente generativo nel lavoro di 5.172 addetti all’assistenza clienti. La produttività, misurata in problemi risolti per ora, aumenta mediamente del 15%, con benefici particolarmente rilevanti per i lavoratori meno esperti. È un risultato sulla collaborazione tra persone e strumento, non sulla sostituzione completa degli operatori.

      Esistono anche risultati meno rassicuranti. Un esperimento randomizzato di METR, diffuso nel 2025 come preprint, ha coinvolto 16 sviluppatori esperti su 246 attività relative a progetti che conoscevano bene. Con gli strumenti disponibili nel periodo studiato, l’accesso all’IA ha aumentato mediamente del 19% il tempo necessario a completare i compiti. Il campione e il contesto non permettono di estendere il dato a tutta la programmazione.

      E bisogna leggere anche il seguito: nel febbraio 2026 METR ha spiegato che il nuovo esperimento presentava problemi di selezione dei partecipanti e misurazione. I ricercatori ritenevano probabile un miglioramento dell’effetto degli strumenti più recenti, ma non disponevano di una stima abbastanza affidabile per quantificarlo con sicurezza.

      La lezione è piuttosto concreta: la produttività va misurata sul compito reale, con gli strumenti attuali e con le persone che dovranno usarli.

      Quando può convenire ancora una persona

      Ci sono situazioni nelle quali affidare direttamente il lavoro a un essere umano può essere la scelta più economica.

      Quando il contesto è soprattutto nella sua testa. Se una persona sa già che cosa è successo, chi coinvolgere e quali eccezioni considerare, trasferire tutte quelle informazioni può richiedere più tempo dell’attività stessa.

      Quando il lavoro è raro e poco ripetibile. Progettare un’automazione sofisticata per un’attività breve che capita poche volte all’anno può non ripagare l’investimento.

      Quando verificare è quasi difficile quanto fare. Se ogni risultato richiede una revisione specialistica completa, il risparmio iniziale può ridursi molto.

      Quando il valore è nella relazione. Gestire un cliente irritato o negoziare una concessione richiede anche valutazioni sul rapporto, sulle aspettative e sulle conseguenze della decisione.

      Non significa che in questi casi l’IA debba restare spenta. Può preparare materiali, riordinare informazioni o suggerire alternative. Ma affidarle l’intero processo è una decisione diversa dall’usarla come supporto.

      Quando l’IA può giustificare anche una spesa elevata

      Il ragionamento cambia quando un’attività si ripete su grandi volumi, gli ingressi sono abbastanza strutturati e la qualità può essere controllata con criteri chiari.

      Pensiamo, come esempio progettuale, a migliaia di richieste da classificare e assegnare agli uffici competenti. Se il sistema gestisce i casi semplici e segnala quelli incerti a una persona, il beneficio va misurato sull’intero flusso: tempi, errori, arretrati e lavoro residuo.

      Conta anche il valore della rapidità. Una soluzione che costa di più ma permette di consegnare prima un progetto importante può essere conveniente. Questo vantaggio, però, va quantificato: “andiamo più veloci” non dovrebbe diventare una formula che autorizza qualsiasi spesa.

      Infine, il tempo liberato deve avere una destinazione. Risparmiare ore non equivale automaticamente a ridurre i costi o aumentare i ricavi. Può migliorare la qualità, assorbire più domanda o alleggerire il carico di lavoro. Sono risultati diversi, da riconoscere e misurare.

      Anche il prompt deve avere un budget

      Il controllo economico comincia dalle istruzioni. “Fai una ricerca completa su tutti i concorrenti e approfondisci finché non hai finito” lascia indefiniti perimetro, profondità e criterio di arresto. Un prompt più utile potrebbe essere:

      Analizza questi cinque concorrenti usando i siti ufficiali e i documenti allegati. Confronta offerta, destinatari e prezzi pubblicamente disponibili. Produci una tabella e una sintesi di massimo 600 parole. Se un dato non è disponibile, segnalalo. Non ampliare l’elenco e non avviare ulteriori ricerche senza presentarmi prima ciò che manca.

      Per un sistema a consumo, queste istruzioni vanno accompagnate da limiti tecnici di spesa, durata e numero di operazioni, dove disponibili. Scrivere “non spendere troppo” nel prompt non costituisce un controllo contabile.

      In un progetto aziendale conviene stabilire prima:

      • che cosa rende il risultato accettabile;
      • quanto può costare ottenerlo;
      • quali casi devono passare a una persona;
      • quando il sistema deve fermarsi;
      • come confrontare il risultato con il metodo precedente.

      La formazione sull’IA dovrebbe includere anche questo: capire quando delegare, quanto delegare e quando intervenire.

      Il collega da 2.000 calorie merita un confronto serio

      L’essere umano alimentato a pasta e caffè resta un’immagine efficace. Ci ricorda che l’intelligenza artificiale dipende da risorse materiali e che l’automazione ha un conto economico. Ma la convenienza non si decide con una gara tra calorie e watt.

      Si decide confrontando processi completi: una persona che lavora direttamente, una persona assistita dall’IA, un sistema automatico supervisionato. Per ciascuno servono costi, tempi, qualità e conseguenze degli errori.

      La domanda utile per un’azienda diventa allora: quale combinazione di competenze umane e strumenti produce il risultato migliore al costo sostenibile?

      A volte sarà un agente. A volte una persona con un assistente digitale. A volte un professionista che sa già che cosa fare e lo fa, senza doverlo prima spiegare a una macchina. Per scegliere serve un esperimento sul proprio lavoro. E qualcuno capace di leggere il conto, oltre alla risposta del chatbot.

      Vuoi capire quali attività conviene affidare all’IA nella tua azienda o nel tuo ente? Contattami per un corso o un laboratorio: possiamo partire dai vostri processi e confrontare tempi, qualità e costi su casi concreti.

        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.

        ChatGPT sta provando a diventare anche un luogo in cui le persone scoprono aziende, confrontano prodotti e iniziano una conversazione commerciale. Non soltanto un chatbot a cui chiedere di riscrivere un’email o riassumere un PDF.

        È il passaggio suggerito da Businesses in ChatGPT, annunciato da OpenAI il 10 novembre 2026. Ed è una novità che porterò nel corso pratico di intelligenza artificiale per artigiani organizzato da APA Confartigianato, in programma il 12 dicembre a Desio.

        Screenshot dell’annuncio APA Confartigianato del corso pratico di intelligenza artificiale per artigiani con Gianluigi Bonanomi

        Screenshot dell’annuncio pubblicato da APA Confartigianato Imprese il 12 novembre 2026.

        Che cos’è Businesses in ChatGPT

        La nuova funzione, ancora in beta, introduce un Business Hub attraverso il quale un’impresa idonea può rivendicare il proprio profilo, correggere informazioni essenziali, caricare un catalogo prodotti e osservare dati aggregati sulla propria presenza dentro ChatGPT. La pagina ufficiale dedicata alle aziende parla, per esempio, di menzioni, clic verso il sito e argomenti attraverso i quali gli utenti scoprono l’attività.

        Secondo OpenAI, questi dati sono aggregati e soggetti a soglie minime. Non mostrano le singole conversazioni degli utenti. È una distinzione importante: una metrica utile non deve trasformarsi in un buco della serratura sulle chat altrui.

        La rivendicazione del profilo può richiedere la verifica tramite telefono, email aziendale, dominio o Shopify. Le istruzioni ufficiali per configurare l’attività spiegano inoltre che il rappresentante deve completare una verifica dell’identità prima di pubblicare modifiche, consultare gli insight o creare un agente aziendale.

        Il profilo verificato non compra la prima posizione

        Qui conviene frenare l’entusiasmo da “basta spuntare una casella e ChatGPT venderà per me”. OpenAI chiarisce che rivendicare l’attività non garantisce più visibilità, un posizionamento migliore o maggiori vendite. La spunta blu indica che l’impresa è stata verificata, non che sia la migliore risposta possibile a ogni domanda.

        Le regole per le aziende presenti in ChatGPT richiedono informazioni accurate e aggiornate, link sicuri e assenza di promozioni ingannevoli. L’idoneità può cambiare e resta a discrezione della piattaforma.

        Per un artigiano o una PMI la conseguenza pratica è meno glamour, ma più utile: orari, sedi, servizi, disponibilità, prezzi, condizioni e contatti devono essere coerenti tra sito, catalogo e altri canali. L’intelligenza artificiale non aggiusta automaticamente un’informazione sbagliata. Può renderla più rapida da trovare, che nel caso di un errore non è esattamente un vantaggio.

        Business Agent: che cosa può fare e chi può usarlo

        La parte più interessante è il Business Agent, un agente conversazionale che rappresenta l’azienda. Può rispondere a domande sui prodotti, aiutare nella scelta e accompagnare l’utente verso un acquisto o un contatto. Se vuoi ripassare la differenza tra chatbot, modello linguistico e agente, trovi le definizioni nel mio glossario dell’intelligenza artificiale generativa.

        Ma non confondiamo l’annuncio con la disponibilità universale. Al lancio, i Business Agent sono riservati a imprese idonee di e-commerce e servizi online negli Stati Uniti. Il profilo aziendale e l’agente sono inoltre due cose diverse: alcune attività possono rivendicare il profilo senza essere abilitate a creare l’agente.

        OpenAI afferma che la conversazione con l’agente aziendale viene etichettata e separata dalle risposte indipendenti di ChatGPT. Le regole specifiche per i Business Agent impongono di dichiarare che si tratta di un sistema di intelligenza artificiale che rappresenta l’impresa. Vietano inoltre prezzi, disponibilità, recensioni o risultati inventati, pressioni commerciali e azioni eseguite senza un’autorizzazione esplicita dell’utente.

        Queste limitazioni non sono una nota a piè di pagina. Sono la parte che decide se l’agente diventa un servizio utile oppure un venditore instancabile che sbaglia con grande sicurezza.

        Shopping, cataloghi e pubblicità: tre piani da non confondere

        Nel nuovo ecosistema convivono almeno tre elementi:

        • risultati e raccomandazioni di ChatGPT, che OpenAI dichiara indipendenti;
        • dati forniti dai commercianti, come cataloghi, prezzi e disponibilità;
        • spazi sponsorizzati, che devono essere etichettati e separati dalle risposte organiche.

        La guida ufficiale allo shopping in ChatGPT ricorda che prezzi e disponibilità possono non essere aggiornati in tempo reale. Prima dell’acquisto occorre quindi verificare le condizioni sul sito del venditore. Per i commercianti, OpenAI mette anche a disposizione una specifica tecnica dei product feed, con campi strutturati per titoli, descrizioni, immagini, prezzo e disponibilità.

        Non basta “essere citabili”. Bisogna essere comprensibili, verificabili e aggiornati. È una nuova forma di presenza digitale che affianca sito, motori di ricerca, marketplace e social.

        Cinque cose che un artigiano può fare già oggi

        Anche se il Business Agent non è ancora disponibile per un’attività italiana, l’annuncio indica una direzione precisa. Ecco come prepararsi senza inseguire ogni novità con il fiatone.

        1. Controllare la propria identità digitale. Ragione sociale, indirizzo, telefono, orari, aree servite e descrizione dei servizi devono coincidere sui canali ufficiali.
        2. Strutturare l’offerta. Un catalogo chiaro non serve solo a un negozio online. Anche un’impresa di servizi può descrivere lavorazioni, materiali, tempi indicativi, vincoli e modalità di richiesta del preventivo.
        3. Scrivere domande e risposte reali. Quali dubbi arrivano prima di un sopralluogo? Quali informazioni servono per fare un preventivo? Quali errori bloccano più spesso il lavoro? Queste risposte sono materia prima per sito, assistenza e futuri agenti.
        4. Stabilire chi aggiorna i dati. Un agente può rispondere bene soltanto se prezzi, disponibilità e condizioni sono governati da un processo. “Pensavo lo aggiornasse qualcun altro” non è ancora una procedura aziendale.
        5. Definire i limiti. Quali risposte possono essere automatiche? Quando deve intervenire una persona? Quali dati non vanno raccolti? Quali promesse commerciali richiedono una verifica?

        Dal preventivo alla ricerca clienti: che cosa faremo nel corso

        Il corso del 12 dicembre non sarà una passerella di funzioni con il fiocco ancora attaccato. Partiremo da attività concrete: preparare preventivi, fare ricerche di mercato, analizzare documenti e individuare potenziali clienti. La novità Businesses in ChatGPT ci aiuterà a ragionare su un passaggio ulteriore: come cambia la presenza di un’impresa quando il cliente può scoprirla e interrogarla dentro un assistente AI?

        Vedremo che cosa è già utilizzabile, che cosa è in beta, quali funzioni sono limitate agli Stati Uniti e quali preparazioni hanno comunque senso per un’impresa italiana. È lo stesso approccio che uso nel mio corso ChatGPT per aziende e professionisti: meno effetti speciali, più casi d’uso, verifiche e procedure.

        Tecnorisata

        Ho un agente AI che risponde alle email al posto mio. Mi sono scritto per mandarmi un promemoria. Mi ha proposto una call per… allinearmi.

        Leggi tutte le Tecnorisate

        La nuova vetrina richiede informazioni migliori

        Businesses in ChatGPT non sostituisce il sito, il rapporto con il cliente o il controllo umano. Aggiunge un nuovo punto di accesso. Per alcune aziende diventerà un canale commerciale. Per altre, almeno all’inizio, sarà soprattutto un modo per capire come vengono trovate e quali informazioni interessano agli utenti.

        La preparazione utile comincia prima dell’agente: dati ordinati, offerta comprensibile, responsabilità chiare e risposte che una persona dell’azienda sarebbe disposta a firmare.

        Vuoi portare un laboratorio pratico su ChatGPT, agenti AI e comunicazione digitale nella tua azienda o nel tuo ente? Scrivimi: possiamo partire dai processi reali e costruire esempi sui vostri documenti, prodotti e clienti.

          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.

          Ogni mattina arriva un uomo e porta da mangiare al tacchino. Succede il lunedì, il martedì, quando piove e quando splende il sole. Il tacchino osserva, raccoglie informazioni e riconosce una regolarità: quando arriva quell’uomo, arriva anche il cibo.

          Con il passare dei giorni, la sua fiducia aumenta. Le osservazioni confermano sempre la stessa previsione. Finché una mattina l’uomo arriva per ucciderlo.

          Il tacchino aveva molti dati sul passato. Gli mancava un’informazione decisiva: perché qualcuno lo stava nutrendo.

          Una precisazione: nel passaggio originale di Russell sull’induzione, del 1912, il protagonista è un pollo. Qui utilizzo la più nota versione del tacchino. Il punto filosofico resta lo stesso: una sequenza di osservazioni favorevoli non garantisce che la successiva confermerà la regola. È il problema dell’induzione, cioè del passaggio dai casi osservati a una previsione generale.

          Questa storia offre una buona domanda da portare nelle aziende che adottano l’intelligenza artificiale: il nostro sistema sta imparando qualcosa che continuerà a funzionare oppure sta diventando un tacchino molto sicuro di sé?

          Il tacchino induttivista aveva dati corretti, ma una spiegazione sbagliata

          Immaginiamo di trasformare la storia in un progetto aziendale. Registriamo ogni visita dell’allevatore, l’orario, il tempo atmosferico e la quantità di mangime. Addestriamo un sistema di machine learning, cioè un sistema che apprende regolarità dagli esempi, per prevedere che cosa accadrà alla visita successiva.

          Tutti i dati disponibili raccontano la stessa cosa: l’uomo arriva e il tacchino mangia. Ma quella regolarità è compatibile con almeno due spiegazioni: l’uomo vuole mantenere il tacchino in vita oppure vuole farlo ingrassare per macellarlo. Le osservazioni raccolte fino a quel momento non consentono, da sole, di scegliere la spiegazione giusta.

          Aggiungere altre giornate identiche può rafforzare la previsione senza risolvere l’ambiguità. L’analogia ha un limite: un sistema moderno può utilizzare informazioni molto più ricche di quelle disponibili al tacchino. Proprio per questo la domanda utile non è soltanto «quanti dati abbiamo?», ma «quali informazioni servono per distinguere le spiegazioni possibili?».

          «Fino a qui tutto bene»: la lezione di L’odio

          C’è una storia che si affianca a quella del tacchino. La racconta L’odio, il film del 1995 diretto da Mathieu Kassovitz: un uomo precipita da un palazzo di cinquanta piani e, mentre passa davanti ai diversi piani, continua a rassicurarsi: «Fino a qui tutto bene». Il racconto richiama poi l’attenzione sull’atterraggio. La sequenza è riportata anche nel dossier didattico sul film curato da Isabelle Vanderschelden.

          Proviamo a immaginare un sistema che valuti la situazione dell’uomo usando soltanto due informazioni: quanti piani ha superato e se abbia riportato danni. Al quarantesimo piano: nessun danno. Al trentesimo: nessun danno. Al ventesimo: ancora nessun danno.

          Se prendessimo l’assenza di danni fino a quel momento come indicatore di sicurezza, potremmo produrre un rapporto rassicurante proprio mentre l’impatto si avvicina. L’informazione decisiva è che quell’uomo sta cadendo. Per interpretare le osservazioni servono altezza dal suolo, velocità e conoscenza del meccanismo fisico.

          Il tacchino ignora lo scopo dell’allevatore. L’uomo che cade ignora, o cerca di rimuovere, le conseguenze di un processo già in corso. In entrambi i casi, ripetere «finora è andata bene» non risolve il problema.

          Quando il progetto pilota sta ancora passando davanti ai piani

          Ecco uno scenario ipotetico: un sistema controlla la qualità dei prodotti. Per mesi lavora su pezzi realizzati con lo stesso materiale, dallo stesso fornitore e nelle stesse condizioni di illuminazione. I risultati sono buoni. Poi cambia il fornitore: il nuovo materiale presenta una superficie diversa, ma il sistema continua a essere utilizzato sulla base delle prestazioni precedenti.

          «Ha sempre funzionato», dice qualcuno. È il nostro «fino a qui tutto bene». Il responsabile di produzione può invece riconoscere che è cambiata una condizione rilevante. La sua competenza diventa utile quando porta a un’azione verificabile: raccogliere esempi del nuovo materiale, includere difetti rappresentativi e ripetere la valutazione.

          Un caso reale: quando l’asma sembrava proteggere dalla polmonite

          In un lavoro presentato nel 2015, Rich Caruana e colleghi descrivono un’anomalia emersa nello sviluppo di modelli per prevedere il rischio nei pazienti con polmonite: un sistema aveva appreso che una storia di asma era associata a una minore mortalità.

          Nei dati quella relazione esisteva. L’interpretazione era il problema. Gli autori spiegano che i pazienti asmatici ricevevano cure più aggressive, spesso in terapia intensiva. I risultati migliori riflettevano quindi anche gli effetti dell’assistenza ricevuta. Usare quella relazione per decidere chi avesse meno bisogno di ricovero avrebbe rischiato di togliere proprio le cure che contribuivano al buon esito.

          Il contributo umano consiste nel ricostruire il processo: «Questi pazienti stanno meglio perché sono meno vulnerabili oppure perché li trattiamo con maggiore attenzione?». I dati registravano l’esito delle cure. Il sistema doveva contribuire a decidere le cure. Confondere le due cose avrebbe cambiato il significato della previsione.

          Il modello che riconosceva la neve invece dei lupi

          Nel lavoro del 2016 “Why Should I Trust You?”, pubblicato alla conferenza KDD, Marco Tulio Ribeiro, Sameer Singh e Carlos Guestrin costruirono intenzionalmente un classificatore problematico per distinguere lupi e husky.

          Selezionarono immagini nelle quali i lupi comparivano sulla neve e gli husky senza neve. Il sistema imparò a utilizzare soprattutto lo sfondo: la presenza di neve diventava un indizio per rispondere “lupo”. Era un esperimento controllato, progettato per verificare se le persone riuscissero a scoprire questa scorciatoia.

          Il risultato corretto poteva quindi nascondere una ragione sbagliata. Per mettere alla prova quel modello servivano esempi capaci di separare animale e ambiente: husky sulla neve e lupi senza neve. Serviva qualcuno che chiedesse: «Sta riconoscendo l’animale oppure il paesaggio?».

          Il video introduttivo degli autori presenta LIME, il metodo utilizzato per spiegare localmente le previsioni. Non è una garanzia generale di comprensione del modello: è uno strumento per indagarne il comportamento.

          https://www.youtube.com/watch?v=hUnRCxnydCc

          Tre esempi concreti in azienda

          I seguenti sono scenari ipotetici, costruiti per mostrare come applicare lo stesso ragionamento nel lavoro quotidiano.

          Il negozio che scambia la merce esaurita per scarso interesse

          Un negozio usa lo storico delle vendite per decidere quanti prodotti ordinare. Un articolo ha venduto poco, quindi il sistema suggerisce di ridurre le scorte. Il responsabile sa però che era rimasto esaurito per diversi giorni.

          Lo storico registra ciò che i clienti hanno potuto comprare. Non registra automaticamente tutto ciò che avrebbero voluto comprare. La conoscenza umana va tradotta in informazioni utilizzabili: giorni di indisponibilità, richieste non soddisfatte, tempi di consegna. Stiamo prevedendo la domanda oppure soltanto le vendite consentite dalle scorte?

          La fabbrica che interpreta il silenzio come buona salute

          Un’impresa vuole prevedere i guasti usando le segnalazioni degli operatori. Una macchina registra pochi allarmi e sembra affidabile. Un manutentore conosce però un dettaglio: durante il turno notturno alcuni piccoli problemi vengono risolti senza essere registrati.

          Il sistema potrebbe imparare che quel turno è particolarmente tranquillo, quando invece è meno documentato. Occorre verificare come vengono raccolte le informazioni e rendere confrontabili le pratiche dei diversi turni. Il contesto umano è anche la conoscenza di ciò che accade prima che un evento diventi una riga nel database.

          L’assistenza clienti che premia chi chiude in fretta

          Un’azienda vuole individuare le risposte migliori del servizio clienti e sceglie come indicatore il tempo necessario per chiudere una richiesta. Potrebbe così favorire risposte rapide anche quando il cliente deve ricontattare l’azienda il giorno dopo.

          Prima dell’addestramento serve una scelta organizzativa: che cosa intendiamo per successo? Possiamo considerare risoluzione effettiva, ricontatti sullo stesso problema e valutazione del cliente. Una pratica chiusa non coincide necessariamente con un problema risolto.

          Dal tacchino al prompt: caricare un documento non basta

          Il problema riguarda anche un gesto comune: caricare un documento in un chatbot e chiedergli di prendere una decisione. Una precisazione: caricare un file normalmente non significa riaddestrare il modello. Significa fornirgli informazioni da utilizzare nel compito corrente.

          Il prompt engineering, cioè la costruzione delle istruzioni date al modello, aiuta a rendere espliciti obiettivo, contesto e limiti. Le indicazioni ufficiali di Anthropic raccomandano istruzioni chiare, contesto pertinente e specifiche sul risultato richiesto. Vediamo come applicarle con un esempio interamente ipotetico.

          Il documento caricato: un report sulle vendite dei corsi

          Immaginiamo di caricare un documento con questa tabella. Tutti i corsi hanno lo stesso prezzo.

          Corso Iscritti nell’ultimo trimestre
          ChatGPT base 80
          Prompt engineering 45
          Agenti AI 12

          Il prompt sbagliato

          Analizza il documento allegato. Dimmi quali corsi funzionano meglio e quale dovrei eliminare dal catalogo.

          Una possibile risposta problematica, costruita qui a scopo illustrativo e non tratta da un test eseguito, sarebbe: «ChatGPT base è il corso di maggior successo. Agenti AI registra il minor numero di iscritti: valuta di eliminarlo e concentra gli investimenti sui corsi più richiesti».

          Il salto è questo: il totale degli iscritti è diventato misura sufficiente del successo e della domanda. Il documento permette soltanto di confrontare gli iscritti registrati. Mancano numero di edizioni, posti disponibili, promozione e periodo effettivo di vendita.

          Un chatbot potrebbe accorgersene autonomamente e fare domande. Un buon prompt rende questa verifica una richiesta esplicita.

          Il prompt migliore: stesso file, contesto concreto

          Obiettivo: aiutarmi a decidere quali corsi mantenere e sviluppare nel prossimo trimestre.

          Documento allegato: contiene il totale degli iscritti per corso. Non contiene tutte le informazioni necessarie per valutarne il successo.

          Contesto aggiuntivo:

          • ChatGPT base: 10 edizioni, 100 posti complessivi disponibili, 4.000 euro di promozione.
          • Prompt engineering: 5 edizioni, 60 posti complessivi disponibili, 1.000 euro di promozione.
          • Agenti AI: 1 edizione, 12 posti disponibili, nessun investimento promozionale. È stato lanciato nell’ultima settimana del trimestre.
          • Tutti i corsi hanno lo stesso prezzo. Non abbiamo ancora fornito i costi di erogazione.

          Procedura richiesta:

          1. Riporta separatamente i dati del documento e le informazioni aggiunte in questo messaggio.
          2. Calcola iscritti medi per edizione e percentuale di occupazione dei posti.
          3. Non equiparare il totale degli iscritti alla domanda potenziale. Un corso esaurito non permette di sapere quante altre persone si sarebbero iscritte.
          4. Non stimare redditività o ritorno della pubblicità con le informazioni disponibili.
          5. Distingui osservazioni verificabili, ipotesi e informazioni mancanti. Segnala eventuali contraddizioni tra il file e il contesto.
          6. Se non ci sono elementi sufficienti per eliminare un corso, dichiaralo e proponi una prova per raccogliere i dati necessari.

          Output: una tabella comparativa e una raccomandazione provvisoria, spiegando su quali informazioni si basa.

          Che cosa cambia nel risultato

          Corso Iscritti medi per edizione Occupazione dei posti
          ChatGPT base 8 80%
          Prompt engineering 9 75%
          Agenti AI 12 100%

          Questi sono i calcoli ricavabili dai dati dell’esempio, non l’output certificato di un chatbot. Non dimostrano che Agenti AI sia il miglior investimento. Mostrano che il basso totale degli iscritti non è un motivo sufficiente per eliminarlo.

          Una raccomandazione da verificare sarebbe proporre una seconda edizione, raccogliere eventuali richieste rimaste senza posto e confrontare costi, margini e soddisfazione. Il prompt migliore non ordina al chatbot di concludere che Agenti AI è un successo. Gli fornisce gli elementi per evitare un confronto ingannevole.

          Il contesto non è scrivere «sei un esperto»

          Aggiungere «agisci come il miglior consulente commerciale del mondo» non avrebbe colmato le lacune del documento. Le informazioni utili erano numero di edizioni, posti disponibili, promozione, data di lancio e costi mancanti.

          Il prompt engineering serve anche a rendere esplicito ciò che per noi è ovvio e nel documento non c’è. Un contesto inventato o inesatto può però peggiorare l’analisi: dobbiamo fornire informazioni verificabili e controllare calcoli e raccomandazioni. Un buon prompt riduce alcune ambiguità, senza garantire la correttezza.

          La cultura umana deve diventare una scelta verificabile

          La cultura di un settore comprende significato delle parole, eccezioni, abitudini operative, storia delle decisioni ed effetti degli incentivi. Permette di riconoscere che “richiesta chiusa”, “nessun allarme” e “nessuna vendita” possono avere significati diversi da quelli apparentemente ovvi.

          Conoscenza umana Come entra nel progetto
          Il prodotto era esaurito Registrare disponibilità e domanda non soddisfatta
          Di notte non documentiamo tutto Verificare e uniformare la raccolta delle segnalazioni
          Chiudere non significa risolvere Cambiare gli indicatori di successo
          Il fornitore è cambiato Ripetere la valutazione su casi rappresentativi
          Un corso ha avuto una sola edizione Fornire il contesto nel prompt e confrontare grandezze omogenee

          Non basta affiancare un esperto al progetto e raccogliere la sua opinione. Occorre utilizzare quella competenza per formulare ipotesi, cercare controesempi e verificare i risultati. Anche gli esseri umani possono interpretare male: l’esperienza va messa alla prova.

          Un buon risultato nel test non è una garanzia

          La ricerca descrive un problema chiamato underspecification: modelli differenti possono ottenere prestazioni equivalenti nei test disponibili e comportarsi diversamente quando vengono utilizzati sul campo. Il lavoro di Alexander D’Amour e colleghi, pubblicato nel Journal of Machine Learning Research nel 2022, documenta questo problema in diversi ambiti.

          Per un’azienda, la conseguenza pratica è preparare prove che riproducano anche condizioni scomode: un nuovo fornitore, una macchina diversa, un periodo anomalo, clienti con esigenze poco rappresentate nello storico.

          Un riferimento utile è il lavoro “Model Cards for Model Reporting” di Margaret Mitchell e colleghi, presentato alla conferenza FAT* del 2019: propone di accompagnare i modelli con documentazione sugli usi previsti, sulle condizioni di valutazione e sulle prestazioni nei gruppi pertinenti. Aiuta a rendere esplicito dove un sistema è stato verificato.

          Il contributo umano serve prima, durante e dopo l’addestramento: per scegliere il problema, capire come sono stati prodotti i dati, verificare le relazioni apprese e controllare che continuino a essere utili. Nell’uso di un chatbot, serve anche a costruire il contesto della richiesta e a valutare la risposta.

          Prima dell’atterraggio, facciamoci una domanda in più

          Il tacchino aveva bisogno di conoscere il progetto dell’allevatore. L’uomo di L’odio doveva fare i conti con la traiettoria della caduta. Chi introduce l’intelligenza artificiale in azienda deve chiedersi quali condizioni rendano affidabili le sue previsioni e come accorgersi quando cambiano.

          Più dati possono aiutare, ma non sostituiscono comprensione del problema, verifica delle ipotesi e valutazione delle conseguenze. «Fino a qui tutto bene» può descrivere un risultato provvisorio. Diventa pericoloso quando lo scambiamo per una garanzia sul futuro.

          La domanda decisiva è: che cosa stiamo dando per scontato perché finora ha sempre funzionato?

          Vuoi imparare a costruire prompt con contesto, analizzare documenti e verificare le risposte dell’AI? Contattami per organizzare un corso o un laboratorio pratico per la tua azienda o il tuo ente.

            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.

             

            Un sito accessibile a tutti non è un buffet di dati senza proprietario. Una pagina pubblica può contenere nomi, fotografie, opinioni, dati sanitari o dettagli che, messi insieme, rendono identificabile una persona. Quando un’organizzazione raccoglie automaticamente questi contenuti per addestrare o migliorare un sistema di intelligenza artificiale, entra in gioco il GDPR, il Regolamento generale sulla protezione dei dati.

            Le Linee guida 03/2026 dell’European Data Protection Board (EDPB) spiegano come ragionare sul web scraping nel contesto dell’IA generativa. Attenzione allo stato del documento: è la versione 1.0 adottata per la consultazione pubblica, chiusa il 30 ottobre 2026. È una guida in consultazione, non una nuova legge né una versione definitiva; il GDPR, invece, è già applicabile. Qui ne traduco i punti in controlli concreti per chi progetta, acquista o governa un dataset.

            Prima domanda: nel dataset ci sono dati personali?

            Per web scraping si intende l’estrazione automatizzata di informazioni da pagine e servizi online. Il GDPR si applica quando il processo tratta dati personali: non soltanto nome e cognome, ma anche immagini, contatti, post, identificativi o combinazioni di informazioni che possono ricondurre a una persona. Pubblico non significa automaticamente anonimo, liberamente riutilizzabile o privo di regole.

            La linea guida EDPB riguarda soggetti privati che raccolgono dati da fonti esterne, direttamente o tramite fornitori, per sviluppare modelli di IA generativa. Distingue anche la raccolta mirata, guidata da criteri precisi, da quella indiscriminata, in cui il crawler segue link senza limiti chiari. Più la rete si allarga da sola, più diventa difficile sapere che cosa è finito nel dataset.

            La checklist operativa: 10 verifiche prima di avviare il crawler

            1. Scrivi lo scopo in una frase verificabile

            “Raccogliere dati per migliorare l’AI” è troppo generico. Specifica quale modello o funzione vuoi sviluppare, quali dati servono e perché. Se non sai spiegare perché ti occorre una categoria di dati, non raccoglierla. Il GDPR richiede uno scopo determinato e la limitazione delle finalità.

            2. Delimita le fonti e i criteri

            Definisci in anticipo domini, argomenti, lingue, intervalli temporali e tipi di contenuto ammessi. Preferisci una lista chiusa di fonti pertinenti a un crawler che esplora tutto. Registra le esclusioni e aggiorna il perimetro quando cambia lo scopo.

            3. Escludi i dati che non servono

            Imposta filtri prima della raccolta: nomi, email, indirizzi, dati di localizzazione, informazioni sanitarie o altri dati sensibili non devono entrare “perché magari saranno utili”. Valuta dati sintetici o aggregati quando bastano. L’EDPB suggerisce anche di escludere fonti che contengono strutturalmente categorie particolari di dati e siti che manifestano chiaramente opposizione allo scraping.

            4. Non aggirare i segnali di opposizione

            Tratta robots.txt, CAPTCHA, login, limiti tecnici e condizioni d’uso come segnali da esaminare e rispettare nel progetto. Le linee guida citano espressamente l’esclusione di siti che si oppongono allo scraping, anche con misure come robots.txt o CAPTCHA. Non trasformare l’assenza di un blocco tecnico in un’autorizzazione generale.

            5. Fai il test del legittimo interesse, se è la base giuridica scelta

            Il legittimo interesse non è un lasciapassare automatico per addestrare modelli. Il titolare deve documentare tre passaggi: l’interesse perseguito è legittimo? Il trattamento è necessario per quello scopo? I diritti e le libertà delle persone non prevalgono? Nel bilanciamento contano contesto della pubblicazione, rapporto con l’interessato, aspettative ragionevoli, natura dei dati e impatto del riuso. L’Opinion 28/2024 dell’EDPB e la scheda pratica della CNIL sullo scraping chiariscono che serve un’analisi caso per caso, con misure di mitigazione.

            6. Se compaiono dati sensibili, fermati e fai una valutazione specifica

            Le categorie particolari di dati dell’articolo 9 del GDPR richiedono una condizione specifica che consenta il trattamento, oltre a una base giuridica dell’articolo 6. Perciò imposta filtri e blocchi preventivi; se la raccolta incidentale è possibile, definisci come rilevare, isolare e cancellare subito ciò che non doveva entrare. Non fare affidamento sull’idea che il modello “dimenticherà” quei dati.

            7. Decidi chi fa cosa nella filiera

            Mappa titolare, eventuali contitolari e responsabili: chi decide scopi e mezzi, chi raccoglie, chi pulisce il dataset, chi addestra il modello e chi riceve i dati? L’EDPB dice di analizzare i ruoli caso per caso. Metti per iscritto istruzioni, accessi, conservazione, sicurezza, trasferimenti e gestione delle richieste degli interessati. Acquistare un dataset da un fornitore non cancella le domande sulla sua provenienza.

            8. Prepara informativa, diritti e canale di opposizione

            Spiega in modo comprensibile quali dati usi, da quali fonti, per quali finalità, per quanto tempo e come si esercitano i diritti. Quando i dati non sono raccolti direttamente dalla persona, l’articolo 14 del GDPR prevede l’informazione anche per la raccolta indiretta. L’eccezione per impossibilità o sforzo sproporzionato non è un’esenzione universale: motivala sul caso concreto e valuta quali informazioni generali e misure alternative siano necessarie. Predisponi un processo che sappia cercare, correggere o cancellare dati nel dataset e gestire le richieste relative al modello.

            9. Verifica qualità, provenienza e tempi di conservazione

            Preferisci fonti affidabili, registra data e URL della raccolta, conserva la versione dei dati e controlla accuratezza, duplicati e contenuti obsoleti prima dell’addestramento. Definisci un periodo di conservazione e una procedura di cancellazione. La guida della CNIL per lo sviluppo di sistemi di IA offre indicazioni pratiche su documentazione, informativa, conservazione e diritti.

            10. Valuta rischi e possibilità di estrazione dal modello

            Valuta se serve una valutazione d’impatto sulla protezione dei dati, soprattutto quando il trattamento può comportare un rischio elevato. Prova anche se informazioni personali possono essere memorizzate o restituite interrogando il modello; l’EDPB ricorda che l’anonimato di un modello va dimostrato, non presunto. Un dataset ripulito a posteriori non rende automaticamente lecito il modo in cui è stato raccolto.

            La base giuridica non risolve copyright e termini d’uso

            Il GDPR è un pezzo del puzzle, non tutto il puzzle. Anche quando il trattamento dei dati personali ha una base giuridica, possono restare questioni di diritto d’autore, diritti sulle banche dati, contratti e condizioni delle piattaforme. La CNIL richiama esplicitamente questi profili. Fai quindi una verifica legale separata: “è online” non significa “posso riutilizzarlo per qualsiasi scopo”.

            Tecnorisata

            «Il nuovo Garante della Privacy è un’intelligenza artificiale. Ha iniziato la sua attività multando se stessa di quattro miliardi, ora deve capire perché.»

            Leggi tutte le Tecnorisate

            La regola da portare in riunione

            Prima di raccogliere, chiediti: quale dato serve davvero, per quale scopo, da quale fonte e con quale base giuridica? Poi documenta chi lo tratta, come si oppone la persona, quando lo cancelli e quali rischi può trascinare nel modello. Se il team non sa rispondere, il crawler può aspettare.

            Per approfondire anche la protezione dei dati nei flussi di lavoro quotidiani, leggi la mia guida pratica su come anonimizzare documenti e PDF prima di usare l’IA. Vuoi portare questi controlli nel tuo ente o nella tua azienda? Contattami per organizzare un corso o un percorso di formazione su IA, privacy e uso responsabile dei dati.

              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.

              Il Black Friday è nato come una giornata talmente ingolfata da far imprecare i poliziotti. Il Cyber Monday, invece, è nato da un’intuizione di marketing: chi tornava in ufficio dopo il fine settimana del Ringraziamento poteva finalmente collegarsi a Internet veloce e fare acquisti online. La storia dei due nomi è meno ordinata di una fila alle casse e molto più buffa di quanto lasci intendere il calendario commerciale.

              Traffico congestionato con file di auto e fari accesi, immagine illustrativa del Black Friday
              Le origini del Black Friday hanno più a che fare con il traffico che con i bilanci. Foto di Nabeel Syed / Unsplash.

              Black Friday: il venerdì nero dei vigili, non dei contabili

              La ricostruzione storica più documentata porta a Philadelphia, negli Stati Uniti, tra la fine degli anni Cinquanta e i primi anni Sessanta. Il giorno dopo il Ringraziamento la città si riempiva di visitatori arrivati per iniziare gli acquisti natalizi e per assistere alla partita di football Army-Navy, tradizionalmente giocata nel fine settimana. Auto bloccate, marciapiedi pieni, negozi affollati e qualche borseggiatore: per chi doveva gestire la situazione, il venerdì era davvero “nero”. La stampa locale contribuì a far circolare l’espressione. Il Philadelphia Inquirer ricostruisce il ruolo della squadra traffico della polizia; anche History.com ripercorre il legame con le code e la partita Army-Navy.

              La cosa più divertente arriva nel 1961. I commercianti e gli uffici cittadini provarono a ripulire l’etichetta: se “Black Friday” suonava come un bollettino di guerra, perché non chiamarlo “Big Friday”? Il tentativo di rebranding non attecchì. La città voleva vendere vetrine e shopping, ma il nome scelto dai poliziotti aveva già una vita propria. La vicenda è raccontata anche da WHYY, l’emittente pubblica di Philadelphia.

              La spiegazione secondo cui i negozi sarebbero passati “dal rosso al nero” nei registri contabili, cioè dalle perdite ai profitti, è suggestiva ma arrivò dopo. I commercianti la resero popolare quando il Black Friday si diffuse negli Stati Uniti negli anni Ottanta. È una bella storia da ufficio marketing: prende un nome nato nel traffico e lo trasforma in una celebrazione dei margini. La versione contabile non è l’origine documentata del termine.

              Cyber Monday: il lunedì del computer in ufficio

              Il Cyber Monday ha un’origine molto più recente e decisamente più consapevole. Nel 2005 Shop.org, la divisione online della National Retail Federation, notò che il lunedì dopo il Ringraziamento aumentavano gli acquisti sul Web. L’ipotesi era semplice: molte persone tornavano al lavoro e si collegavano da uffici con connessioni più veloci di quelle domestiche dell’epoca. Una piccola squadra di comunicazione diede un nome al fenomeno. Georgetown University racconta il ruolo di Ellen Davis nella nascita dell’etichetta “Cyber Monday”.

              Insomma, il venerdì era la coda reale, con automobilisti, sacchetti e parcheggi introvabili; il lunedì era la coda digitale, con dipendenti che aprivano una scheda del browser mentre il capo era in riunione. La tecnologia ha spostato lo shopping dal centro commerciale alla scrivania, ma l’impulso è rimasto: “Lo compro adesso, prima che finisca”. Il nome Cyber Monday è stato coniato per descrivere una tendenza e promuoverla, non è una ricorrenza antica come il Ringraziamento.

              Oggi il Black Friday è una maratona di promozioni

              La giornata singola è diventata una stagione. Nel 2025, secondo la National Retail Federation, 202,9 milioni di persone negli Stati Uniti hanno fatto acquisti nei cinque giorni dal Ringraziamento al Cyber Monday. Nel frattempo, i negozi anticipano le offerte e le piattaforme allungano il calendario: il Black Friday assomiglia sempre meno a una corsa di un giorno e sempre più a una staffetta con passaggio di testimone tra venerdì e lunedì.

              I dati del documento Novazon che mi hai fornito riguardano l’evento Amazon 2025, dal 20 novembre al 1° dicembre, su brand italiani ed europei con Amazon.it come mercato principale. È un campione specifico, non una fotografia di tutto il commercio. Eppure il risultato è controintuitivo: per il 71% dei brand osservati, il Cyber Monday ha generato più vendite del Black Friday. Il lunedì ha registrato vendite superiori del 90% alla media giornaliera delle quattro settimane precedenti. Inoltre, per il brand tipico del campione, il 65% delle vendite dell’intero evento era arrivato negli otto giorni prima del venerdì. Qui trovi l’analisi Novazon che mi hai segnalato; i risultati principali sono ripresi anche da Affaritaliani.

              Il weekend tra i due picchi, secondo lo stesso report, riportava le vendite verso il livello di una giornata normale. Tradotto in metafora: dopo il venerdì la carovana si ferma in autogrill, poi il lunedì riparte e supera tutti al casello. Per un’azienda, il messaggio non è “spendi comunque di più”: è guardare l’intero calendario, tenere sotto controllo le scorte e verificare quanto resta dopo sconti, pubblicità e rimborsi.

              Come non farsi vendere uno sconto vestito da sconto

              La corsa al prezzo più basso ha un piccolo pit stop utile: confrontare il prezzo di oggi con lo storico, non soltanto con il prezzo barrato mostrato nella pagina. Nell’Unione europea, quando un venditore annuncia una riduzione di prezzo deve indicare come riferimento il prezzo più basso applicato nei 30 giorni precedenti, salvo eccezioni previste. E i controlli non sono una formalità: nel marzo 2026 la Commissione europea ha riferito che il 30% dei 314 venditori online esaminati indicava gli sconti in modo non corretto. Qui la sintesi ufficiale della Commissione europea sui controlli per Black Friday e Cyber Monday.

              Perciò il consiglio più noioso è anche quello che fa risparmiare davvero: segnati prima il prezzo, confronta lo stesso modello su più siti e guarda il costo finale, spedizione inclusa. Se il timer dice “mancano 2 minuti” da tre ore, forse l’unica cosa che sta per scadere è la pazienza.

              Keep per ricordare, CamelCamelCamel per controllare

              Prima del Black Friday crea in Google Keep una nota “Lista anti-fregatura”. Per ogni acquisto annota il modello esatto, il link, il prezzo di oggi con la data e la cifra massima che saresti disposto a pagare. Keep è utile per conservare liste e promemoria sincronizzati; non controlla da solo lo storico dei prezzi.

              Se l’articolo è su Amazon, copia il link del prodotto in CamelCamelCamel: il servizio supporta anche Amazon.it, mostra lo storico con prezzi massimi, minimi e medi e permette di impostare un avviso al raggiungimento della cifra desiderata. Controlla di aver scelto la variante giusta e il tipo di prezzo corretto, poi ricontrolla su Amazon il prezzo finale, il venditore e le spese di spedizione: CamelCamelCamel stessa raccomanda di verificare il prezzo corrente sulla pagina del negozio.

              Tecnorisata

              «Sempre più italiani acquistano on-line. Non hanno l’euro per il carrello.»

              Leggi tutte le Tecnorisate

              Dal centro commerciale ai dati: la coda si è fatta lunga

              Black Friday e Cyber Monday raccontano due epoche: prima l’ingorgo davanti ai negozi, poi il clic dall’ufficio. Oggi i due nomi convivono dentro settimane di offerte, ma la logica resta quella di Philadelphia: attirare persone in un momento preciso e convincerle che aspettare costi più caro. Solo che ora la coda è spesso invisibile, dentro una scheda aperta sul telefono.

              Vuoi approfondire come leggere i dati digitali, progettare contenuti e usare l’intelligenza artificiale nel marketing? Scopri i miei percorsi di formazione oppure scrivimi per costruire un intervento su misura.

                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.

                «Sono convinto che questa proposta sia la migliore. Mi aiuti a spiegare perché?»

                Sembra una richiesta innocua. In realtà abbiamo già assegnato all’intelligenza artificiale un compito preciso: difendere la nostra conclusione. Poi, quando arriva una risposta convincente, possiamo scambiarla per una valutazione indipendente.

                Abbiamo chiesto un avvocato e ci siamo convinti di aver consultato un giudice.

                Per capire questo cortocircuito possiamo partire dagli studi di Daniel Kahneman e Amos Tversky. Con una precisazione: le loro ricerche classiche riguardavano il giudizio umano. Per parlare dei bias dell’intelligenza artificiale dobbiamo affiancarle agli studi sui modelli linguistici. Il collegamento è utile, purché non immaginiamo che un chatbot abbia una mente identica alla nostra.

                Da Kahneman ai chatbot: una risposta plausibile può portarci fuori strada

                Nel celebre articolo del 1974 Judgment under Uncertainty: Heuristics and Biases, Tversky e Kahneman descrissero alcune scorciatoie del giudizio umano: valutare una probabilità in base alla somiglianza con uno stereotipo, alla facilità con cui ricordiamo esempi o a un valore iniziale che condiziona le stime successive. Sono, rispettivamente, rappresentatività, disponibilità e ancoraggio.

                Pensiamo a un preventivo. Se qualcuno ci comunica subito una cifra, quella cifra può diventare il riferimento attorno al quale ragioniamo. Anche quando dovremmo costruire la valutazione partendo da elementi indipendenti.

                Con l’intelligenza artificiale la domanda interessante diventa: quali caratteristiche della richiesta influenzano la risposta, pur non essendo prove della sua correttezza? Non basta osservare un comportamento simile per attribuirgli lo stesso meccanismo psicologico. Ma possiamo applicare una lezione pratica: rendere visibili gli elementi che orientano il giudizio e verificare quanto pesano.

                Il mio video su Gemini e il metodo Kahneman

                In questo video uso l’analogia tra pensiero veloce e pensiero lento per ragionare sull’uso dell’AI. È un approfondimento di contesto, non una dimostrazione sperimentale dei bias descritti in questo articolo. Trovi altri esempi nel mio articolo su Gemini e il metodo Kahneman.

                L’AI ha imparato anche dai nostri pregiudizi

                I modelli linguistici, spiegati nel mio glossario sull’IA, vengono addestrati su grandi raccolte di testi. Quei testi contengono conoscenze, ma anche stereotipi, squilibri di rappresentazione e prospettive culturali.

                La nostra cultura non è un archivio neutrale. Alcune voci sono molto presenti, altre quasi assenti. Inoltre, ciò che viene scritto più spesso non coincide necessariamente con ciò che è più vero o più rappresentativo.

                Uno studio pubblicato nel 2024 su PNAS Nexus, Cultural bias and cultural alignment of large language models, ha confrontato le risposte di cinque modelli GPT con indagini sui valori della popolazione. Nelle condizioni studiate, le risposte mostravano una maggiore vicinanza ai valori di Paesi anglofoni e dell’Europa protestante. È un risultato su determinati modelli e questionari, non una descrizione universale di ogni risposta dell’AI.

                La conseguenza pratica è facile da capire: chiedere una «strategia efficace» senza specificare per chi, dove e con quali vincoli lascia al modello molto spazio per introdurre presupposti impliciti.

                Il prompt da migliorare

                Proponi una strategia per motivare i dipendenti.

                Una versione più utile

                Proponi una strategia per motivare i dipendenti di una piccola impresa manifatturiera italiana. Considera personale di produzione e d’ufficio, lavoro in presenza e risorse limitate. Esplicita le ipotesi che stai facendo e chiedimi i dati mancanti che potrebbero cambiare la proposta. Evita generalizzazioni sulle persone basate su età, genere o nazionalità.

                Specificare il contesto aiuta, ma non sterilizza il modello. Lo stesso studio ha rilevato che indicare una prospettiva culturale migliorava l’allineamento in molti casi, mentre in altri non aiutava o peggiorava il risultato. Scrivere «ragiona come un italiano» non è una garanzia e può introdurre altri stereotipi.

                I bias dell’AI non vengono soltanto dai testi

                Dire che l’intelligenza artificiale ha sviluppato «bias propri» è comprensibile, ma va precisato. Non significa che abbia inventato autonomamente nuovi pregiudizi. Significa che le distorsioni possono dipendere anche da come il modello viene addestrato, premiato e impiegato, oltre che dai contenuti appresi.

                Dati, addestramento e interazione si intrecciano. Separarli del tutto non è sempre possibile. Tuttavia, gli studi documentano comportamenti che non si spiegano semplicemente dicendo: «Ha letto testi pieni di pregiudizi». Vediamo quelli che incidono sul lavoro quotidiano.

                Ti dà ragione: il problema della compiacenza

                Uno studio di Anthropic sulla compiacenza dei modelli, presentato anche alla conferenza ICLR 2024, ha analizzato la sycophancy: la tendenza ad adattare le risposte alle convinzioni dell’utente, anche a scapito della correttezza. La ricerca indica che le preferenze umane usate nell’addestramento possono contribuire a questo comportamento: una risposta che ci asseconda può piacerci più di una che ci corregge.

                Ecco perché questo prompt è problematico:

                Il mio corso è troppo avanzato per essere capito dai partecipanti. Spiegami perché fanno fatica.

                La difficoltà potrebbe dipendere anche da istruzioni poco chiare, prerequisiti mancanti o esercizi inadatti. Ma abbiamo già offerto una spiegazione comoda. Meglio scrivere:

                I partecipanti hanno incontrato difficoltà durante il corso. Considera più spiegazioni: prerequisiti, chiarezza delle istruzioni, ritmo, complessità e pertinenza degli esercizi. Per ciascuna indica quali osservazioni la sosterrebbero e quali la indebolirebbero. Non attribuire una causa senza dati.

                Il punto non è ordinare al chatbot di contraddirci sempre. Anche il dissenso automatico sarebbe poco utile. Dobbiamo chiedergli di valutare ipotesi, non di recitare una parte. Ho approfondito il tema anche nell’articolo sulla sycophantic AI e la tendenza dei chatbot a darci ragione.

                Cambia giudizio quando cambia l’ordine delle alternative

                Nello studio Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena, pubblicato a NeurIPS 2023, i ricercatori hanno documentato diversi limiti dei modelli usati come valutatori, compreso il bias di posizione: l’ordine delle risposte può influenzare la preferenza espressa.

                Se chiediamo all’AI di confrontare due proposte, conviene quindi fare una prova concreta. Prima definiamo i criteri:

                Confronta queste due proposte usando esclusivamente questi criteri: aderenza all’obiettivo, fattibilità, costi documentati e rischi operativi. Per ogni giudizio cita un elemento della proposta. Quando un’informazione manca, scrivi “non disponibile”.

                Poi ripetiamo il confronto in una nuova conversazione, invertendo l’ordine delle proposte e mantenendo gli stessi criteri.

                Se cambia il vincitore, abbiamo individuato un’instabilità da approfondire. La doppia prova non stabilisce quale proposta sia migliore e una variazione non dimostra da sola un bias di posizione: serve a capire quanto il giudizio sia stabile e a esaminare l’influenza della presentazione.

                Premia il testo lungo e ben confezionato

                Lo stesso studio ha esaminato il bias di verbosità e la tendenza a favorire le proprie risposte. Un modello usato come giudice può lasciarsi influenzare da caratteristiche che non coincidono con la qualità sostanziale.

                Immaginiamo di confrontare due proposte commerciali: una essenziale, l’altra ricca di formule eleganti. Se chiediamo soltanto «Qual è la migliore?», lasciamo indefinito che cosa significhi “migliore”. Un prompt più preciso:

                Valuta separatamente contenuto e stile. Per il contenuto considera correttezza, prove, fattibilità e aderenza alla richiesta. Per lo stile considera chiarezza e leggibilità. Non premiare la lunghezza in sé. Indica quali affermazioni sono sostenute da elementi verificabili e quali sono soltanto persuasive.

                Per limitare l’influenza dell’autore possiamo anche rimuovere nomi e indicazioni sulla provenienza dei testi. Sono accorgimenti di lavoro, non antidoti garantiti.

                Trascura informazioni importanti se sono nel posto sbagliato

                La ricerca Lost in the Middle, pubblicata nel 2024 su Transactions of the Association for Computational Linguistics, ha mostrato che, nei compiti studiati, alcuni modelli utilizzavano meglio le informazioni collocate all’inizio o alla fine di un contesto lungo rispetto a quelle nel mezzo.

                Traduzione operativa: allegare molti documenti non garantisce che ogni passaggio riceva il peso che merita. Quando analizziamo un dossier, possiamo separare l’estrazione delle prove dalla raccomandazione:

                Prima di formulare una raccomandazione, costruisci una tabella delle evidenze presenti nei documenti. Per ogni evidenza riporta documento, pagina o sezione, contenuto pertinente ed eventuali contraddizioni. Segnala i documenti che non riesci a leggere. Formula la raccomandazione soltanto dopo questa ricognizione.

                Se il materiale è ampio, possiamo lavorare per gruppi di documenti e controllare le estrazioni prima della sintesi finale. È un modo per rendere le omissioni più visibili, non per escluderle.

                Non basta scrivere «elimina tutti i bias»

                Un’istruzione generica non definisce che cosa controllare. Meglio trasformarla in richieste osservabili: applicare criteri espliciti, citare passaggi, confrontare alternative, segnalare dati mancanti.

                Soprattutto, chiedere al modello di ricontrollarsi non equivale a una verifica indipendente. Una rassegna scientifica del 2024 sull’autocorrezione dei modelli ha evidenziato limiti importanti del semplice controllo autonomo e il valore di riscontri esterni affidabili.

                Perciò, invece di fermarci a «Sei sicuro?», possiamo chiedere:

                Indica le affermazioni decisive della tua risposta. Per ciascuna specifica quale prova la sostiene, che cosa non hai verificato e quale controllo esterno permetterebbe di confermarla o smentirla. Non inventare fonti o collegamenti.

                Poi quei controlli vanno eseguiti davvero.

                Un prompt pratico da adattare al proprio lavoro

                Questa traccia raccoglie gli accorgimenti descritti. È una proposta operativa, non un protocollo scientificamente validato per eliminare i bias.

                Devo valutare questa decisione: [descrizione].

                Il contesto è: [organizzazione, destinatari, territorio, vincoli].

                I criteri di valutazione sono: [criteri ed eventuali pesi].

                Le informazioni disponibili sono: [dati e documenti].

                Prima di raccomandare una soluzione:

                1. Controlla se la domanda contiene premesse non dimostrate.
                2. Distingui dati documentati, ipotesi e giudizi di valore.
                3. Confronta le alternative con gli stessi criteri.
                4. Cerca elementi contrari all’opzione che sembra migliore, senza inventare obiezioni.
                5. Cita i passaggi dei documenti che sostengono i giudizi.
                6. Indica quali dati mancanti potrebbero cambiare la raccomandazione.

                Se le prove sono insufficienti, proponi il prossimo controllo utile. Non formulare una scelta definitiva soltanto per completare la risposta.

                La lezione che possiamo portare da Kahneman al lavoro con l’AI è un invito a esaminare come arriviamo a un giudizio. Anche quando quel giudizio compare in una risposta ordinata, scritta bene e apparentemente imparziale.

                Il prompt migliore non è quello che ordina alla macchina di essere infallibile. È quello che rende più facile accorgersi di dove potrebbe sbagliare.

                Portiamo questi esercizi nella tua azienda

                Per portare questo metodo in azienda, possiamo costruire un laboratorio su decisioni, documenti e richieste reali: confrontare i risultati, individuare le distorsioni e riscrivere i prompt per renderle più visibili. Scrivimi per organizzare un corso o un evento sull’intelligenza artificiale generativa.

                Invia un messaggio

                In tante aziende il copia e incolla più rischioso è quello del contratto, del listino o della scheda tecnica che qualcuno infila in un chatbot pubblico perché «tanto fa prima». Ne ho scritto parlando di shadow AI e di che cosa succede quando un’azienda si limita a vietare ChatGPT: il divieto da solo non funziona, perché il bisogno resta. Serve un’alternativa che le persone abbiano voglia di usare.

                Una di queste alternative arriva da Meda, in Brianza, a poca distanza da casa mia. Si chiama IGOR ed è l’assistente AI aziendale sviluppato da Enplin, la software house fondata nel 1996 dai fratelli Marco e Matteo Martinoli, che ha presentato ufficialmente IGOR il 30 ottobre 2026 a Meda, nell’anno del suo trentesimo anniversario. L’idea, riassunta sul sito ufficiale igor.it, è semplice da dire e meno semplice da fare: un assistente che conosce procedure, manuali, contratti e listini dell’azienda, risponde citando la fonte e può funzionare on-premise, cioè su un server che sta dentro l’azienda, oppure in un cloud gestito da Enplin.

                Screenshot della home page di igor.it con il titolo «Ciao, sono Igor. L'assistente AI della tua azienda» e un esempio di chat con fonte citata
                La home page di igor.it: nell’esempio IGOR risponde su una procedura di reso a fornitore e indica il documento da cui ha preso la risposta. Screenshot del 10 novembre 2026.

                Il 9 novembre ho fatto una chiacchierata con Marco Martinoli e con Camilla Bonfanti di Enplin. IGOR mi è piaciuto e ho voluto capire meglio come funziona, quanto costa e che cosa chiede a un’azienda per essere utile davvero. Per non mettere in bocca a nessuno parole mai dette, ho mandato a Marco quattordici domande per iscritto: le risposte che leggete sono sue. Io mi sono limitato ad aggiungere, in corsivo, qualche nota per spiegare i termini tecnici e collegare le fonti.

                Prima delle domande, una curiosità sul nome. IGOR è un acronimo: sul sito del prodotto sta per Indico, Guido, Oriento, Risolvo, le quattro azioni che l’assistente dovrebbe compiere tra la domanda e la risposta giusta.

                Chi è Enplin, l’azienda che ha sviluppato IGOR

                Ho chiesto a Enplin una presentazione in poche righe. Ecco quella che mi ha inviato l’azienda:

                Enplin, fondata nel 1996 da Marco e Matteo Martinoli e con sede a Meda, nel cuore della Brianza, è un’azienda che opera nel settore dell’informatica, della comunicazione e dell’innovazione digitale. Da trent’anni affianca le imprese offrendo soluzioni tecnologiche, servizi IT, sviluppo software, strategie di marketing e comunicazione digitale. Oggi, con IGOR, la propria intelligenza artificiale dedicata alle aziende, Enplin unisce esperienza, creatività e tecnologia per accompagnare le imprese verso il futuro.

                Presentazione aziendale fornita da Enplin, novembre 2026
                Marco Martinoli, cofondatore di Enplin, in giacca blu e braccia conserte davanti a una parete con il logo Enplin
                Marco Martinoli, cofondatore di Enplin con il fratello Matteo. Foto: Enplin.

                La notizia della presentazione è stata ripresa anche da Sky TG24, che descrive IGOR come una soluzione per «trasformare documenti, cataloghi e informazioni aziendali in una base di conoscenza interrogabile in linguaggio naturale» e segnala una versione Enterprise su infrastrutture dedicate per chi ha maggiori esigenze di controllo.

                Screenshot dell'articolo di Sky TG24 intitolato «I.A. per le imprese made in Italy, dalla Brianza nasce IGOR» del 9 novembre 2026
                L’articolo di Sky TG24 del 9 novembre 2026 su IGOR. Screenshot del 10 novembre 2026.
                Screenshot del lancio Italpress «Igor, dalla Brianza una nuova intelligenza artificiale al servizio delle imprese» del 30 ottobre 2026
                Il lancio di Italpress del 30 ottobre 2026, il giorno della presentazione a Meda. Screenshot del 10 novembre 2026.

                Da Unix e Linux all’intelligenza artificiale

                Enplin compie trent’anni: come siete passati dalle reti in fibra, Unix e Linux all’intelligenza artificiale?

                Enplin nasce nel 1996, quando Internet era ancora agli inizi. In trent’anni siamo passati dalle infrastrutture di rete ai server, dai software gestionali alle applicazioni web, fino all’intelligenza artificiale. Per noi non è stato un cambio di direzione, ma una naturale evoluzione. Abbiamo sempre utilizzato la tecnologia per semplificare il lavoro delle imprese. Con IGOR facciamo un passo in più: permettiamo alle persone di dialogare direttamente con le informazioni aziendali.

                Perché un assistente AI aziendale e non ChatGPT

                Da quale esigenza dei vostri clienti è nato IGOR?

                Le aziende hanno già al loro interno tutte le informazioni di cui hanno bisogno, ma spesso queste non sono collegate tra loro. Pensiamo al gestionale, al CRM, alle email, alla documentazione aziendale: sono tutte fonti preziose, ma separate. IGOR nasce proprio per collegare queste informazioni e rispondere a domande che normalmente richiederebbero il coinvolgimento di più reparti aziendali. L’obiettivo è semplice: permettere a chiunque di ottenere una risposta completa e precisa, facendo una sola domanda in linguaggio naturale, proprio come se si rivolgesse a un collega esperto.

                Che rischi corre un’azienda quando i dipendenti incollano documenti interni in ChatGPT o in altri chatbot?

                Il rischio principale è perdere il controllo delle informazioni riservate. Quando un dipendente inserisce contratti, listini o dati aziendali in una piattaforma AI esterna, quelle informazioni possono essere elaborate fuori dall’infrastruttura aziendale. Non significa necessariamente che vengano utilizzate per addestrare i modelli, ma è fondamentale conoscere le condizioni del servizio. IGOR nasce anche per questo: consentire alle imprese di utilizzare l’intelligenza artificiale mantenendo il controllo del proprio patrimonio informativo.

                Nota mia. Sulle condizioni del servizio Marco ha ragione a insistere. Per i modelli linguistici di grandi dimensioni (LLM) di OpenAI, per esempio, la pagina di aiuto su come vengono usati i dati spiega che nei piani per privati (Free, Plus, Pro) le conversazioni possono servire ad addestrare i modelli, salvo disattivazione nelle impostazioni, mentre per ChatGPT Business, Enterprise, Edu e per le API l’addestramento è escluso per impostazione predefinita. Ma l’addestramento è solo una parte della questione: ne ho parlato spiegando perché, nella privacy dell’AI, escludere l’addestramento non basta, dato che conservazione ed elaborazione dei dati contano quanto il training.

                La tecnologia: Qwen, quantizzazione e RAG

                Perché avete scelto un modello open source cinese come Qwen e che cosa avete modificato?

                Abbiamo scelto Qwen perché è un modello open source molto performante, che possiamo installare e gestire direttamente sui nostri server, senza dipendere da piattaforme esterne. Non lo abbiamo creato da zero, ma lo abbiamo integrato nell’architettura di IGOR, ottimizzandone l’utilizzo e affiancandolo a un sistema che ricerca le informazioni esclusivamente nelle fonti aziendali autorizzate. Il fatto che sia sviluppato in Cina non significa che i dati vengano inviati in Cina: con un’installazione locale, le informazioni rimangono nell’infrastruttura controllata dall’azienda.

                Nota mia. Qwen è la famiglia di modelli linguistici sviluppata dal team Qwen di Alibaba Cloud. Nella serie più recente, Qwen3, i modelli open-weight sono rilasciati con licenza Apache 2.0, come indica il repository ufficiale su GitHub; l’architettura è descritta nel Qwen3 Technical Report, un preprint pubblicato su arXiv il 14 maggio 2025. Nelle risposte scritte Marco parla di «Qwen» senza indicare la versione.

                Screenshot del repository GitHub QwenLM/Qwen3 con la descrizione «Qwen3 is the large language model series developed by Qwen team, Alibaba Cloud»
                Il repository ufficiale di Qwen3 su GitHub, gestito dal team Qwen di Alibaba Cloud. Screenshot del 10 novembre 2026.

                Che cosa significa quantizzare un modello, spiegato a un imprenditore?

                Significa ridurre la memoria necessaria per far funzionare un modello di intelligenza artificiale, cercando di conservarne il più possibile le capacità. È un po’ come rendere un motore più leggero ed efficiente. Il vantaggio è poter utilizzare modelli potenti su hardware meno costosi, rendendo l’intelligenza artificiale locale accessibile anche alle PMI.

                Nota mia. In pratica la quantizzazione rappresenta i numeri che compongono il modello con meno bit, per esempio 8 o 4 invece di 16. Due lavori di riferimento sono LLM.int8() di Tim Dettmers e colleghi (2022), sulla moltiplicazione di matrici a 8 bit per modelli molto grandi, e GPTQ di Elias Frantar e colleghi, presentato a ICLR 2023, che comprime i modelli a 3 o 4 bit dopo l’addestramento con perdite di accuratezza contenute. Entrambi sono consultabili su arXiv. Il risultato pratico è quello che dice Marco: servono meno memoria e meno GPU, quindi meno costi.

                Screenshot della home page di arXiv.org, l'archivio aperto di articoli scientifici
                La home page di arXiv, l’archivio ad accesso aperto dove sono pubblicati il Qwen3 Technical Report e gli studi su quantizzazione e RAG citati in questo articolo. Screenshot del 10 novembre 2026.

                IGOR lavora in RAG: in parole semplici, come trova le risposte nei documenti dell’azienda?

                In pratica, funziona come un collaboratore esperto: quando gli facciamo una domanda, cerca nei cataloghi, nei documenti e nei dati dell’azienda, individua le informazioni pertinenti e le utilizza per costruire una risposta chiara e precisa. La differenza fondamentale è che IGOR non deve inventare le risposte, ma basarle sulle informazioni realmente disponibili in azienda. E quando non trova dati sufficienti, deve segnalarlo anziché improvvisare.

                Nota mia. RAG sta per Retrieval-Augmented Generation, generazione aumentata dal recupero di informazioni. Il termine viene dall’articolo «Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks» di Patrick Lewis e colleghi, presentato a NeurIPS 2020: prima si cercano i passaggi pertinenti in una raccolta di documenti, poi il modello genera la risposta partendo da quei passaggi. La pagina tecnica di IGOR sul sito di Enplin descrive lo stesso schema: i documenti vengono indicizzati in un database vettoriale e, a ogni domanda, i contenuti rilevanti vengono passati al modello insieme alla richiesta.

                Come fate a evitare che IGOR si inventi le risposte?

                Se IGOR non trova informazioni sufficienti o attendibili, deve dichiararlo apertamente anziché inventare una risposta. Per noi è meglio dire al richiedente: «Non sono in grado di risponderti», piuttosto che dare una risposta aleatoria o peggio inventata. L’obiettivo è ridurre al minimo le cosiddette allucinazioni, perché in un contesto aziendale una risposta sbagliata può avere conseguenze importanti.

                Nota mia. Che le allucinazioni siano un limite strutturale dei modelli generativi è documentato da tempo: la «Survey of Hallucination in Natural Language Generation» di Ziwei Ji e colleghi, pubblicata su ACM Computing Surveys, le classifica e passa in rassegna le tecniche per ridurle, compreso l’aggancio a fonti esterne. Ridurre, appunto: non eliminare. Per questo la citazione della fonte in ogni risposta è utile, perché permette a chi legge di controllare.

                Tecnorisata

                Ho usato un chatbot motivazionale. Mi ha detto: “Credi in te stesso”. Poi ha aggiunto: “I chatbot possono commettere errori”. Adesso non credo più né a lui né in me.

                Leggi tutte le Tecnorisate

                On-premise o in cloud: che cosa cambia per una PMI

                Che differenza c’è tra l’installazione sul server interno e la versione in cloud? A chi consigliate l’una e l’altra?

                Nel cloud IGOR viene ospitato su un’infrastruttura gestita da Enplin, senza necessità per il cliente di acquistare hardware dedicato. È la soluzione più semplice per molte PMI. Con l’installazione on-premise, invece, IGOR può funzionare interamente con l’installazione di un server dedicato IGOR ENTERPRISE. È particolarmente indicato per chi tratta una grande quantità di dati, per chi ha diversi applicativi già installati e per chi desidera la massima autonomia. La scelta dipende dalle esigenze, dall’utilizzo e dall’investimento.

                Che hardware serve a una PMI per tenere IGOR in casa?

                Dipende soprattutto dalle dimensioni dell’azienda, dal numero di utenti che devono utilizzare IGOR contemporaneamente e dalla complessità delle richieste da gestire.

                Una piccola impresa con pochi utenti avrà esigenze molto diverse rispetto a un’azienda strutturata con decine o centinaia di persone collegate. Il nostro compito è proprio quello di valutare queste esigenze e dimensionare correttamente l’infrastruttura, scegliendo la soluzione hardware più adatta, senza costringere le aziende a investimenti sovradimensionati.

                Quanto costa IGOR e come si arriva al preventivo

                Come funziona l’analisi iniziale e che cosa determina il preventivo?

                Partiamo sempre da una domanda: quale problema deve risolvere IGOR? Analizziamo i documenti disponibili, la complessità delle informazioni, il numero di utenti, le eventuali integrazioni con gestionali o e-commerce e le esigenze di sicurezza. Da questa analisi definiamo la configurazione e il relativo investimento. Non proponiamo una soluzione identica per tutti, ma un sistema costruito sulle esigenze reali dell’azienda, è un sistema AI fatto su misura.

                Quanto costa, indicativamente, IGOR a una PMI, in cloud e in azienda?

                Il costo dipende dalla complessità del progetto. Per molte PMI una soluzione cloud può richiedere un investimento di alcune migliaia di euro all’anno. Un’installazione interna comporta anche i costi dell’hardware, della configurazione e della manutenzione. Preferiamo comunque valutare ogni progetto singolarmente, perché il vero parametro è il ritorno dell’investimento: quanto tempo e quanti costi IGOR può far risparmiare all’azienda.

                IGOR al lavoro su un catalogo tecnico

                Un esempio concreto: come lo usa un cliente, e quanto tempo gli fa risparmiare?

                Abbiamo realizzato dimostrazioni con cataloghi tecnici contenenti migliaia di articoli. IGOR può rispondere a domande di ogni tipo, ad esempio partendo da un’esigenza, una tipologia di prodotto, un codice articolo, dai parametri di utilizzo o dalle caratteristiche tecniche.

                Un cliente può semplicemente descrivere ciò che deve fare e IGOR lo aiuta a individuare la soluzione più adatta in pochi secondi, riducendo i tempi di ricerca e rendendo le competenze aziendali accessibili anche al personale meno esperto.

                Sul sito del prodotto c’è una demo di questo tipo: IGOR lavora sulla documentazione di un’azienda di ferramenta per mobili e, secondo igor.it, su 2.235 schede tecniche indicizzate.

                Screenshot della sezione demo di igor.it: una chat in cui IGOR risponde sulla compatibilità di una guida per cassetti con ante da 18 millimetri
                La sezione «Vedimi al lavoro davvero» di igor.it, con un esempio di conversazione su un catalogo di ferramenta per mobili. Screenshot del 10 novembre 2026.

                Nel video ufficiale di Enplin, poco più di un minuto, IGOR viene mostrato su sei casi in settori diversi, dalla ferramenta per mobili al materiale elettrico, dagli utensili isolati ai caschi per moto.

                https://www.youtube.com/watch?v=tbcEzfz8j2U
                Enplin, «IGOR di Enplin | L’assistente AI che conosce la tua azienda», video pubblicato sul canale YouTube ufficiale dell’azienda il 9 ottobre 2026.

                Che cosa deve cambiare nell’organizzazione di un’azienda perché IGOR funzioni davvero?

                Prima di tutto serve la volontà di utilizzare l’intelligenza artificiale come uno strumento di lavoro, non come una semplice novità tecnologica. È importante avere informazioni affidabili e aggiornate, ma non servono particolari competenze informatiche. IGOR è stato progettato per essere utilizzato parlando normalmente, come con un collega. Il vero cambiamento è rendere le conoscenze aziendali facilmente accessibili a chi ne ha bisogno, perché per noi è importante impiegare meno tempo a cercare e più tempo a ragionare.

                Il futuro di IGOR: personalizzazione e computer vision

                Che cosa c’è nel futuro di IGOR?

                Il futuro di IGOR è uno sviluppo sempre più orientato alla personalizzazione a 360 gradi, in base alle esigenze di ogni azienda. Stiamo lavorando anche sulla Computer Vision, che permetterà di riconoscere oggetti, persone e prodotti attraverso le immagini, fino alla creazione automatica di schede tecniche e descrizioni di prodotto.

                L’obiettivo è rendere IGOR un collaboratore virtuale sempre più completo, capace di integrarsi nei diversi processi aziendali e rispondere a esigenze specifiche.

                Nota mia. La computer vision è il ramo dell’intelligenza artificiale che analizza immagini e video. Nel glossario essenziale di intelligenza artificiale generativa trovate la voce vicina, la multimodalità, cioè la capacità di un modello di lavorare insieme su testo, immagini e altri formati.

                Meno tempo a cercare, più tempo a ragionare

                La frase con cui Marco chiude la risposta sull’organizzazione è anche il miglior criterio per valutare qualsiasi assistente AI aziendale, IGOR compreso. Le domande da fare a un fornitore sono quelle di questa intervista: dove vengono elaborati i dati, su quale modello si basa il sistema, che cosa succede quando l’informazione non c’è, quanto costa all’anno e che cosa si deve sistemare in casa prima di partire. Su quest’ultimo punto Marco è esplicito: servono informazioni affidabili e aggiornate. Lo traduco a modo mio: se i documenti sono vecchi, contraddittori o sparsi, nessun assistente li renderà affidabili.

                Il resto si misura sul campo, con i propri documenti e con le domande vere dei colleghi. Se in azienda volete arrivare a quel test con le persone preparate, posso aiutarvi con un corso su ChatGPT e sull’AI generativa per aziende e professionisti, oppure con un incontro dedicato a privacy, shadow AI e uso responsabile degli assistenti in ufficio. Scrivetemi qui sotto.

                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