Cosa può insegnarti Giuseppe Ungaretti per scrivere prompt migliori

, , , ,

Ungaretti e i prompt sembrano stare agli estremi opposti nell’uso della parola. Da una parte un poeta che ha ridotto interi versi a due parole. Dall’altra un’istruzione che scriviamo di fretta, dentro una chat, sperando che il modello capisca al volo cosa vogliamo.

Eppure più leggo prompt scritti male (troppo lunghi, vaghi, pieni di frasi che non aggiungono nulla) più penso che la lezione di Ungaretti sia esattamente quello che manca a chi lavora con l’AI generativa ogni giorno.

Non è un accostamento forzato per fare colpo. È un metodo.

Cosa c’entra un poeta del Novecento con il prompt engineering?

Ungaretti ha costruito la sua poetica su pochi principi: essenzialità, parola pesata e non contata, pause cariche di significato, revisione continua, titoli che orientano già metà del senso. Sono gli stessi principi che rendono un prompt efficace: dire meno cose ma più precise, dare struttura invece di un unico blocco di testo, rivedere prima di considerarlo definitivo, usare l’apertura del prompt per inquadrare tutto il resto.

1. La parola pesata, non contata

Per Ungaretti ogni parola doveva guadagnarsi il suo posto nel verso: quello che restava era essenziale, il resto si tagliava.

Molti prompt falliscono per il motivo opposto: contengono tutte le frasi che vengono in mente, senza che nessuna sia stata davvero scelta. Il modello si trova a dover indovinare, tra dieci frasi, quale sia quella che conta.

In pratica: prima di inviare un prompt complesso, prova a togliere una frase alla volta e chiediti se la risposta cambierebbe senza. Se la risposta è no, quella frase non serviva.

2. L’essenzialità come metodo, non come rinuncia

Ungaretti è ricordato anche per un componimento ridotto a pochissime parole, diventato quasi un simbolo dell’essenzialità in poesia. Ma essenzialità non vuol dire scrivere prompt brevi a tutti i costi: un prompt di tre parole può essere peggiore di uno di quaranta, se in quelle quaranta ogni parola lavora.

In pratica: elimina i riempitivi (“se possibile”, “credo che”, “forse potresti”) e tieni solo verbi diretti e vincoli chiari. Non è la lunghezza il problema, è il peso specifico di ogni parola.

3. Il bianco della pagina: la pausa che significa

Nei versi di Ungaretti lo spazio bianco, gli a capo isolati, le pause tra le parole non sono vuoto: sono parte del significato. Separano, mettono in risalto, danno respiro.

Nei prompt succede la stessa cosa: quando scrivi tutto in un unico blocco compatto, il modello fatica a distinguere cosa è contesto, cosa è istruzione, cosa è formato di output. La struttura è già informazione.

In pratica: separa esplicitamente le parti del prompt con intestazioni tipo “Contesto:”, “Istruzione:”, “Formato output:”, invece di un paragrafo unico.

4. La revisione infinita: il prompt perfetto non esiste al primo tentativo

Ungaretti ha rivisto le sue poesie per decenni, pubblicando più edizioni della stessa opera con varianti anche profonde. Non considerava mai un testo davvero chiuso.

Un buon prompt funziona allo stesso modo: la prima versione è un abbozzo, non il risultato finale. Va corretta guardando cosa risponde il modello, non solo immaginando cosa dovrebbe rispondere.

In pratica: tieni un piccolo “quaderno dei prompt” dove annoti le versioni che funzionano meglio per un certo compito, come farebbe un poeta con le sue varianti.

5. Il titolo come istruzione operativa

Molti titoli di Ungaretti non sono decorativi: inquadrano il testo, gli danno una collocazione precisa che orienta la lettura di tutto ciò che segue.

La riga di apertura di un prompt fa lo stesso lavoro: se dici subito chi deve essere il modello, qual è l’obiettivo e quali sono i vincoli principali, tutto il resto del prompt viene letto attraverso quella cornice.

In pratica: apri sempre il prompt con una riga che definisce ruolo, obiettivo e vincolo principale, prima di scendere nei dettagli.

6. Il contesto che cambia il peso delle stesse parole

Ungaretti scriveva dalle trincee della Prima guerra mondiale: le stesse parole semplici, nel contesto della guerra, acquistavano un peso che non avrebbero avuto altrove.

Con i modelli linguistici funziona così: le stesse istruzioni generiche producono risultati diversi a seconda di quanto contesto specifico gli dai. Il contesto è ciò che carica di significato parole altrimenti generiche.

In pratica: prima di chiedere, spiega sempre chi sei, in quale situazione ti trovi e perché ti serve quella risposta. È il contesto a rendere specifiche parole altrimenti vaghe.

Il metodo Ungaretti applicato al prompt: una checklist

Prima di inviare un prompt importante, chiediti: ho tolto ogni parola che non lavora? Ho separato contesto, istruzione e formato invece di scriverli in un blocco unico? Sto trattando questa versione come definitiva o come una bozza da rivedere? Ho aperto il prompt con una riga che inquadra ruolo e obiettivo? Ho dato al modello un contesto specifico invece di un’istruzione generica?

Meno versi, più peso

Non serve amare la poesia per scrivere prompt migliori. Ma il principio che ha reso Ungaretti uno dei poeti più essenziali del Novecento — dire meno, pesare di più — è lo stesso che separa un prompt mediocre da uno che funziona davvero.

FAQ

Cosa significa “essenzialità” in un prompt?
Significa che ogni parola del prompt ha una funzione precisa, non che il prompt debba essere per forza breve.

Perché i prompt troppo lunghi spesso funzionano peggio di quelli brevi?
Perché contengono frasi ridondanti o vaghe che il modello deve comunque interpretare, aumentando il rischio di ambiguità.

Come si applica la revisione iterativa ai prompt AI?
Trattando la prima versione come una bozza, correggendola in base alle risposte ottenute invece di considerarla definitiva al primo tentativo.

Serve conoscere la poesia per scrivere prompt migliori?
No, ma i principi di sintesi, struttura e revisione che guidano la buona scrittura — poetica o meno — aiutano a scrivere istruzioni più efficaci per l’AI.

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

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

Inviaci email

/0 Commenti/da

ChatGPT trova la tua mucca viola: idee di marketing che spaccano

,

Sai che cos’è una mucca viola?

Copertina del libro Purple Cow, New Edition di Seth Godin

La domanda sembra da quiz improvvisato durante un corso. E infatti spesso la risposta arriva subito: “Milka!”. Comprensibile, ma qui il cioccolato non c’entra. La mucca viola nasce dal libro Purple Cow: Transform Your Business by Being Remarkable di Seth Godin, pubblicato per la prima volta nel 2003 e poi aggiornato nella nuova edizione del 2009.

L’idea di Godin è semplice e radicale: in un mercato saturo, pieno di prodotti, servizi e messaggi tutti uguali, non basta fare buona pubblicità. Bisogna creare qualcosa di remarkable, cioè degno di essere notato, ricordato e raccontato. La mucca viola è proprio questo: non una trovata estetica, ma un modo per dire che la differenziazione deve essere incorporata nel prodotto, nel servizio, nel posizionamento e nell’esperienza.

Per questo la metafora è ancora utile oggi. Con l’intelligenza artificiale generativa possiamo produrre più contenuti, più idee e più varianti. Ma se tutto assomiglia a tutto, il risultato resta invisibile. Il vero punto è usare strumenti come ChatGPT non per fare “più rumore”, ma per trovare ciò che rende davvero riconoscibile un progetto.

Nel video qui sotto faccio un esperimento molto pratico: chiedo a ChatGPT di analizzare il mio sito e di aiutarmi a trovare possibili “mucche viola”, cioè elementi di differenziazione, format e idee di marketing capaci di uscire dall’ordinario.

Iscriviti al canale YouTube

Come usare ChatGPT per trovare la tua mucca viola?

Per usare ChatGPT come alleato di marketing non basta chiedere “dammi idee originali”. Bisogna dargli contesto: sito, pubblico, prodotti, contenuti già pubblicati, tono, casi studio, limiti e obiettivi. A quel punto può aiutare a individuare elementi differenzianti, format narrativi, rubriche, risorse gratuite e angoli di comunicazione. Il risultato va poi filtrato con giudizio umano: l’AI propone, ma il posizionamento si costruisce scegliendo cosa è davvero credibile per il brand.

Che cos’è davvero la mucca viola?

La mucca viola non è semplicemente “fare qualcosa di strano”. Quello è il modo più veloce per confondere eccentricità e strategia.

Nel video collego questo tema anche al cosiddetto effetto Von Restorff, o effetto isolamento: dentro una serie di elementi simili, quello diverso tende a essere ricordato meglio. Applicato al marketing significa una cosa semplice: se comunichi come tutti gli altri, devi pagare molto di più per farti notare.

Perché ChatGPT può aiutare nel posizionamento

ChatGPT non sostituisce una strategia. Però può diventare uno specchio interessante, soprattutto quando gli dai materiale concreto da analizzare.

Nell’esperimento del video gli ho dato il mio sito e gli ho chiesto di individuare possibili mucche viola. Il primo risultato è stato sensato: ha riconosciuto elementi già presenti nel mio lavoro, come la guida calcistica di LinkedIn, le tecnorisate, alcune risorse gratuite e gli interventi di divulgazione.

Questo è utile, ma non basta. Perché spesso l’AI individua prima ciò che è già visibile. Il passaggio interessante arriva dopo, quando le chiedi di andare oltre: non solo riconoscere la differenziazione esistente, ma proporre nuove piste.

Le idee emerse dall’esperimento

Quando ho chiesto a ChatGPT di propormi altre “mucche viola”, sono uscite idee più progettuali. Alcune da verificare, alcune da scartare, altre da mettere in una lista di esperimenti.

Tra gli spunti citati nel video:

  • AI contro Bonanomi: un format basato sulla contrapposizione tra il punto di vista umano e quello dell’intelligenza artificiale;
  • una mini sitcom digitale: contenuti brevi, narrativi, riconoscibili, magari per raccontare errori e paradossi dell’uso quotidiano dell’AI;
  • un gioco interattivo: “scopri il tuo archetipo digitale”, per trasformare un contenuto formativo in esperienza;
  • un podcast sui fallimenti digitali di successo: storie di errori, tentativi, inciampi e lezioni apprese;
  • previsioni digitali vintage: rivedere vecchie profezie tecnologiche e capire quali erano geniali, ingenue o semplicemente premature.

Il punto non è prendere ogni suggerimento come oro colato. Il punto è usare l’AI per aumentare il numero di ipotesi, poi scegliere quelle che hanno più senso per pubblico, competenze, canali e obiettivi.

Il metodo: non chiedere idee, chiedi differenziazione

Molti usano ChatGPT come una macchinetta per generare titoli. Funziona, ma è l’uso meno interessante.

Se vuoi trovare la tua mucca viola, la domanda deve essere più precisa. Per esempio:

  1. analizza il mio sito, i miei contenuti e il mio pubblico;
  2. individua gli elementi che mi differenziano già dai concorrenti;
  3. separa le vere differenze dalle semplici caratteristiche;
  4. proponi format, rubriche o risorse che rendano visibile questa differenza;
  5. valuta ogni idea per originalità, coerenza, facilità di produzione e potenziale di passaparola;
  6. testa una sola idea in piccolo, prima di trasformarla in progetto.

Questa è la differenza tra “fammi una lista di idee” e “aiutami a costruire un posizionamento”. La prima produce rumore. La seconda può produrre direzione.

Un prompt da provare

Puoi partire da una richiesta di questo tipo:

Analizza il mio sito, i miei contenuti e il mio pubblico.
Individua gli elementi che mi differenziano davvero dai concorrenti.
Poi proponi 10 idee di format, rubriche, risorse o campagne
che possano rendere piu visibile questa differenza.

Per ogni idea indica:
- perche potrebbe attirare attenzione;
- a quale pubblico parlerebbe;
- quanto e coerente con il mio brand;
- quanto e facile da realizzare;
- quale primo test potrei fare in una settimana.

Naturalmente, più contesto aggiungi, meglio lavora. Un URL può bastare per iniziare, ma se carichi anche profilo del pubblico, esempi di clienti, contenuti migliori, casi studio e obiettivi commerciali, il risultato diventa molto più interessante.

I rischi da evitare

L’AI può aiutare a uscire dalla zona di comfort, ma può anche spingere verso idee solo apparentemente brillanti.

  • confondere originalità e stranezza: se l’idea sorprende ma non serve, non è strategia;
  • copiare format altrui: l’AI tende a ricombinare ciò che ha visto, quindi bisogna controllare la vera unicità;
  • ignorare il pubblico: una mucca viola per un target può essere rumore per un altro;
  • non testare: un’idea non diventa buona perché è uscita da ChatGPT;
  • dimenticare la coerenza: il posizionamento deve essere riconoscibile, non una maschera indossata per attirare clic.

Il ruolo umano resta centrale

La parte più interessante dell’esperimento non è “ChatGPT ha trovato idee”. Questo ormai lo sappiamo: le idee le produce, anche troppe.

La parte interessante è usare l’AI sulla propria conoscenza specifica. Nel mio caso: sito, contenuti, corsi, conferenze, risorse, libri, esperienze di divulgazione. L’intelligenza artificiale diventa utile quando lavora su un contesto vero, non quando gira nel vuoto.

Poi però bisogna scegliere. Quale idea è credibile? Quale posso produrre con continuità? Quale genera valore e non solo attenzione? Quale può diventare una rubrica, un prodotto, una conferenza, un lead magnet, una conversazione?

Queste risposte non le può dare solo ChatGPT. Le deve dare chi conosce il mercato, il pubblico e la propria identità professionale.

Guarda il video e iscriviti al canale

Nel video mostro l’esperimento in meno di tre minuti: parto dal concetto di mucca viola, spiego perché conta nel marketing e faccio vedere come ChatGPT può aiutare a trovare idee differenzianti partendo da un sito reale.

Se ti occupi di comunicazione, formazione, consulenza, impresa o personal branding, è un buon esercizio da replicare subito. Guarda il video, poi prova a chiedere a ChatGPT: “Qual è la mia mucca viola?”. La risposta potrebbe essere più interessante di quanto sembri.

Iscriviti al canale con un clic

FAQ

Che cos’è la mucca viola nel marketing?

La mucca viola è una metafora resa celebre da Seth Godin: indica un prodotto, servizio, contenuto o posizionamento così diverso e memorabile da meritare attenzione e passaparola.

ChatGPT può davvero trovare idee di marketing originali?

Può aiutare a generare ipotesi e collegamenti, soprattutto se riceve contesto concreto. Le idee vanno però valutate, adattate e testate da una persona.

Qual è il modo migliore per usare ChatGPT nel posizionamento?

Il modo migliore è fornirgli sito, pubblico, prodotti, contenuti e obiettivi, poi chiedergli di distinguere tra elementi differenzianti reali, caratteristiche generiche e nuove opportunità di comunicazione.

Che cosa c’entra l’effetto Von Restorff?

L’effetto Von Restorff, o effetto isolamento, descrive la tendenza a ricordare meglio l’elemento diverso dentro una serie di elementi simili. Nel marketing aiuta a capire perché la differenziazione attira attenzione.

Come posso trovare la mia mucca viola?

Parti da ciò che fai in modo davvero diverso, verifica se il pubblico lo percepisce, trasformalo in un messaggio chiaro e testa format, contenuti o offerte che rendano visibile quella differenza.

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

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

Inviaci email

/0 Commenti/da

StyleFits: l’app (e la startup) nata da un agente AI?

Quando si parla di startup AI, di solito immaginiamo la solita scena: un fondatore, un pitch deck, qualche slide con frecce verso l’alto, un prototipo e la promessa di cambiare il mondo prima di cena.

Nel febbraio 2024 Fortune raccontava una previsione di Sam Altman: prima o poi l’AI avrebbe reso possibile una startup da un miliardo di dollari guidata da una sola persona, il famoso one-person unicorn. All’epoca sembrava una provocazione da Silicon Valley. Oggi, casi come StyleFits mostrano che almeno una parte di quella fantasia sta entrando nei laboratori del prodotto digitale.

La storia di StyleFits, invece, è più interessante proprio perché sfugge a questo copione. Non solo perché riguarda un’app di styling basata sull’intelligenza artificiale, ma perché sembra nascere come esperimento di prodotto quasi autonomo: ricerca utenti, idee, prototipo, test, correzioni e campagne pubblicitarie.

In altre parole: non la classica startup che usa l’AI. Ma un caso studio su che cosa può fare un agente AI quando viene messo dentro un ciclo di feedback con utenti reali.

Risposta breve: chi ha fondato StyleFits?

Alla data del 5 luglio 2026, non risultano informazioni pubbliche che identifichino con certezza i fondatori individuali di StyleFits. Il sito ufficiale parla di un “piccolo team indipendente”, senza indicare nomi, profili LinkedIn o società proprietaria. La ricostruzione più solida arriva però da Alfred Wahlforss, CEO e cofondatore di Listen Labs: secondo il suo racconto, StyleFits è nato come esperimento interno in cui un agente AI ha condotto ricerca utenti, generato idee, validato prototipi e lanciato il prodotto.

Che cos’è StyleFits

StyleFits si presenta come uno stylist AI: carichi una foto e ricevi un piano di stile personalizzato con outfit, consigli su proporzioni e vestibilità, grooming, colori adatti e immagini di prova generate sull’utente.

Il posizionamento è molto chiaro: non è un’app per dare un voto alla bellezza, non è un database di volti, non è uno strumento di identificazione. La promessa è: partire da una foto e restituire consigli pratici su come vestirsi meglio in base a un obiettivo, un’occasione o un’estetica desiderata.

Nella pagina About, il sito dice che StyleFits è gestita da “un piccolo team indipendente”. Aggiunge anche due elementi importanti sul piano della fiducia: non è una società di face data e non rivende le foto degli utenti.

Perche la domanda sui fondatori è interessante

Di solito la domanda “chi ha fondato questa startup?” serve a capire credibilità, team, investitori e traiettoria. Nel caso di StyleFits, invece, la domanda apre un tema diverso: un prodotto può nascere da un ciclo quasi automatico di ricerca, progettazione e validazione?

La risposta breve è: forse sì, ma con molti asterischi. Ed è proprio qui che la storia diventa utile.

Il caso non sembra raccontare solo la nascita di un’app di moda. Racconta soprattutto il tentativo di Listen Labs di dimostrare che un agente AI può muoversi lungo una parte significativa del lavoro che, nelle startup, fanno founder, product manager, ricercatori UX, copywriter, sviluppatori e marketer.

La versione di Alfred Wahlforss e Listen Labs

La ricostruzione più dettagliata arriva da un post LinkedIn di Alfred Wahlforss e dall’articolo di Listen Labs Our intern built the first zero-person business.

Secondo Listen Labs, l’esperimento è partito con un obiettivo volutamente ampio: chiedere a un agente di costruire un’app virale e potenzialmente redditizia, usando interviste utenti e modelli di immagini.

Il processo, in sintesi, è stato questo:

  • l’agente ha condotto circa 2.000 interviste in due settimane;
  • ha generato decine e poi centinaia di idee di prodotto;
  • ha testato i concept con utenti reali;
  • ha selezionato il tema dell’immagine personale e dello styling;
  • ha costruito un primo prototipo chiamato LooksMax;
  • ha raccolto feedback molto critici;
  • ha trasformato il prodotto in StyleFits;
  • ha testato messaggi, prezzi, flussi e annunci pubblicitari.

Il risultato non viene presentato come una macchina perfetta. Anzi: Listen Labs definisce il prodotto ancora acerbo. Ma il punto non è la perfezione dell’app. Il punto è che qualcuno ha pagato per usarla.

Ecco il post:

Our intern just built the first zero-person business.
Listen’s agent autonomously interviewed 2,000 people, built 100s of concepts, and narrowed to the 1 most likely to make money. It landed on StyleFits, an AI stylist. Then it ran ads and got 100s of paying customers.
It’s janky. But people are paying for it.
Here’s how it worked:
2 weeks ago, we gave the AI agent a task – build a viral app that’s profitable. The only instruction was to use an image model in the product.
It used Listen MCP for research, Meta MCP for distribution and Stripe for payments.

The agent ran the loop on its own:
1. It ran a Listen discovery study with 200 people on everyday frustrations they would pay to fix. Productivity wasn’t urgent enough. Debt and jobs couldn’t be solved with a website. How you look was a big pain for 18 to 25 year olds.
2. It generated 100 app concepts. It shortlisted 10, tested them against each other with real users, and picked the winner: upload a photo, get ways to improve how you look.
3. It first built LooksMax. A face-scoring app that rated users on attractiveness and suggested which colors to wear.
4. It ran a Listen validation study and the results were brutal. 78% of people called a quantified attractiveness score actively harmful. 72% found the name off-putting. One person said: “It feels incredibly unappealing. Actually a little bit offensive.” 96% had concerns about privacy when sharing images. 57% didn’t even understand the product.
5. The agent rebuilt the same idea as “StyleFits”. An AI stylist that gives users outfit, haircut, and color recommendations from a photo. No score or ranking. And it had a privacy verification. In the next validation study, the product hit 100% comprehension.
6. It tested the user flow. People wanted to see the output before paying. So it added a free first report. Interest jumped to 88% and refusals to upload photos dropped 67%.
7. It generated ads with an image model and shipped $2,000 of Meta ads through MCP.
After 2 weeks, it had hundreds of users.

tbh, the product is really janky. The image model distorts your face and the UI is clearly designed by AI.
But we’re excited to see *the start of* what’s possible when you combine compute with a constant feedback loop with real users.
We’ll continue stress testing the boundaries of research and report back on what we learn.
Try it yourself: stylefits[.]ai

Da LooksMax a StyleFits: il pivot che cambia tutto

La parte più interessante della storia è il passaggio da LooksMax a StyleFits.

Il primo prototipo era molto più rischioso: partiva da una foto, assegnava un punteggio di attrattività e suggeriva colori. Il feedback degli utenti è stato durissimo. Secondo Listen Labs, molti partecipanti hanno percepito il punteggio di bellezza come offensivo o dannoso; altri non capivano bene il prodotto; quasi tutti avevano dubbi sulla privacy quando si trattava di caricare immagini personali.

Qui arriva la lezione di marketing e prodotto: non è bastato “aggiungere AI”. È servito cambiare frame.

Il prodotto è stato riprogettato come assistente di stile: niente voto sulla persona, niente classifica, niente promessa tossica di misurare il valore estetico di qualcuno. Al centro sono entrati outfit, taglio di capelli, colori, proporzioni, contesto d’uso e segnali di privacy.

Stessa materia prima, ma significato completamente diverso.

Il vero esperimento non e’ la moda, e’ il feedback

StyleFits è interessante non perché l’AI consiglia una giacca o una palette di colori. Questo, ormai, è quasi il livello base della conversazione sull’AI generativa.

La parte davvero importante è il ciclo:

  1. intervistare utenti;
  2. trovare un problema percepito;
  3. generare soluzioni;
  4. testare le idee;
  5. costruire un prototipo;
  6. raccogliere reazioni;
  7. modificare messaggio, prodotto e prezzo;
  8. provare campagne pubblicitarie;
  9. misurare se qualcuno paga davvero.

Questo è un ciclo molto vicino al lavoro reale di chi costruisce prodotti digitali. Solo che, in questo racconto, una parte consistente del processo viene affidata a un agente AI.

Quindi è davvero una “zero-person company”?

Qui conviene evitare l’entusiasmo automatico. La formula “zero-person business” funziona benissimo come titolo, ma va letta con attenzione.

Nel post e nell’articolo di Listen Labs emerge che alcune parti hanno comunque richiesto intervento umano: per esempio identità, account pubblicitari, chiavi di pagamento e passaggi operativi che un agente non può gestire da solo. Inoltre il prodotto ha speso in advertising più di quanto abbia incassato nella fase descritta da Listen Labs.

Quindi no: non siamo davanti a un’azienda autonoma che vive, fattura, assiste clienti, gestisce crisi e migliora retention senza esseri umani.

Siamo però davanti a qualcosa di più concreto del solito video demo: un esperimento in cui un agente ha attraversato molte fasi del ciclo di creazione di un prodotto e ha portato utenti paganti su un’app reale.

Che cosa possiamo imparare da StyleFits

Il caso StyleFits insegna almeno cinque cose.

  • L’AI non elimina la ricerca utenti: semmai la rende più continua, frequente e integrata nel processo.
  • Il framing conta quanto la tecnologia: LooksMax e StyleFits partono da una foto, ma generano reazioni molto diverse.
  • La privacy e’ parte del prodotto: quando si chiedono immagini personali, la fiducia non e’ un dettaglio da mettere in fondo alla pagina.
  • Gli agenti possono accelerare il ciclo di validazione: ideazione, test, copy, prototipo e ads possono diventare più rapidi.
  • La sostenibilità resta da dimostrare: avere utenti paganti non significa avere un business sano, profittevole e duraturo.

Il ruolo umano resta centrale

La tentazione, davanti a casi come questo, è dire: “Ecco, l’AI farà tutto”. Sarebbe una conclusione comoda, ma sbagliata.

La storia di StyleFits mostra una cosa più sottile: l’AI può generare molte ipotesi, eseguire test, leggere feedback, costruire varianti e lanciare esperimenti. Ma resta fondamentale decidere quali segnali contano, quali rischi etici evitare, quali promesse fare al mercato e dove fermarsi.

Un punteggio di bellezza può sembrare una feature. Per molti utenti, invece, diventa un problema. Questa differenza non è solo tecnica. È culturale, psicologica, comunicativa.

FAQ

Chi ha fondato StyleFits?

Non risultano fondatori individuali dichiarati pubblicamente. Il sito ufficiale parla di un piccolo team indipendente, mentre Listen Labs racconta StyleFits come un esperimento nato da un agente AI e dal proprio sistema di ricerca utenti.

Che cos’è StyleFits?

StyleFits è un’app di styling AI che parte da una foto dell’utente e produce consigli su outfit, colori, proporzioni, grooming e look per occasioni diverse.

Che ruolo ha Listen Labs?

Listen Labs ha raccontato StyleFits come caso studio del proprio approccio: un agente AI che intervista utenti, testa idee, costruisce prototipi, modifica il prodotto e lancia esperimenti di marketing.

Perche LooksMax e’ stato abbandonato?

Secondo Listen Labs, il prototipo LooksMax ha ricevuto feedback negativi per il punteggio di attrattività, percepito da molti utenti come offensivo o dannoso, oltre a problemi di privacy e comprensione del prodotto.

StyleFits è davvero un’azienda senza persone?

No, almeno non in senso pieno. Il caso mostra un alto grado di automazione nel ciclo di prodotto, ma alcuni passaggi operativi e decisionali hanno richiesto intervento umano.

/0 Commenti/da

I 10 termini dell’intelligenza artificiale che devi conoscere per usare meglio i chatbot al lavoro

, , , ,

Quando si parla di intelligenza artificiale, il dibattito gira spesso intorno alle solite parole: machine learning, prompt, chatbot, LLM, algoritmi.

Parole importanti, certo. Ma se usi ChatGPT, Copilot, Gemini, Claude o altri strumenti di AI generativa nel lavoro quotidiano, ci sono altri termini meno popolari che vale la pena conoscere.

Non per fare bella figura in riunione. Anche se, diciamolo, ogni tanto aiuta.

Conoscere questi concetti serve a capire perché un chatbot risponde in un certo modo, perché a volte sbaglia, perché alcuni strumenti sono più adatti di altri e perché caricare un documento non significa automaticamente “addestrare” un modello.

Ecco dieci termini dell’intelligenza artificiale che dovrebbero entrare nel vocabolario di chi usa i chatbot in azienda.

Risposta breve: quali termini AI servono davvero nel lavoro?

Per usare meglio i chatbot al lavoro conviene conoscere almeno dieci concetti: context window, grounding, temperature, tokenization, embedding, RAG, hallucination, fine-tuning, inference e AI Agent. Sono parole tecniche, ma hanno conseguenze molto pratiche: aiutano a scrivere prompt migliori, scegliere strumenti più adatti, ridurre errori e capire i limiti dell’intelligenza artificiale.

1. Context window: quanta memoria ha davvero il chatbot?

La context window, o finestra di contesto, è la quantità di informazioni che un modello riesce a prendere in considerazione in una conversazione.

Più è ampia, più il chatbot può lavorare su testi lunghi, documenti complessi, conversazioni estese e molti dati forniti dall’utente. Per chi lavora significa poter analizzare contratti, manuali, verbali, report o procedure senza doverli spezzettare in mille pezzi.

Attenzione però: finestra di contesto non significa memoria perfetta. Il modello può comunque perdere sfumature, dare più peso ad alcune parti o confondere elementi simili.

In pratica: quando chiedi a un chatbot di analizzare un documento lungo, non limitarti a caricarlo e dire “fammi un riassunto”. Spiega che cosa vuoi ottenere, quali sezioni sono più importanti e quale uso farai del risultato.

2. Grounding: collegare l’AI a fonti affidabili

Il grounding consiste nel collegare il modello a fonti di dati affidabili, invece di lasciarlo rispondere solo sulla base di ciò che ha appreso durante l’addestramento.

Quando un chatbot consulta documenti aziendali, un database interno, una knowledge base o un archivio di procedure prima di rispondere, sta usando una forma di grounding.

Questo approccio riduce il rischio di risposte inventate e rende l’AI molto più utile nel lavoro. Non perché diventa infallibile, ma perché lavora su materiale verificabile.

È lo stesso principio che ho raccontato parlando di second brain, metodo LLM Wiki e Obsidian: l’AI funziona meglio quando ha buone fonti su cui appoggiarsi.

3. Temperature: quanto deve essere creativa l’AI?

La temperature è un parametro che controlla il livello di variabilità delle risposte generate da un modello.

Con valori bassi, il modello tende a produrre risposte più prevedibili, coerenti e ripetibili. Con valori più alti aumenta la varietà delle formulazioni e delle idee.

Nella documentazione OpenAI sul prompt engineering, la temperature viene spiegata proprio come una leva che rende l’output più o meno casuale. Per attività fattuali, estrazioni di dati o documentazione tecnica è meglio tenerla bassa. Per brainstorming, naming o idee creative può avere senso alzarla.

In pratica: se devi scrivere una procedura HR, non vuoi troppa fantasia. Se devi trovare dieci titoli per una campagna interna, un po’ di varietà può aiutare.

4. Tokenization: perché il testo viene fatto a pezzetti

I modelli linguistici non leggono il testo esattamente come lo leggiamo noi. Lo suddividono in unità chiamate token.

Un token può essere una parola, una parte di parola, un numero, un simbolo o un segno di punteggiatura. Questo spiega perché esistono limiti di lunghezza nelle conversazioni e perché certi documenti molto estesi devono essere gestiti con metodo.

Quando un sistema dice che un modello può gestire un certo numero di token, non sta parlando semplicemente di parole. Sta parlando della quantità di testo codificato che può essere elaborata.

In pratica: se lavori con documenti lunghi, chiedi all’AI di analizzarli per sezioni, creare una mappa iniziale e poi approfondire i punti più rilevanti.

5. Embedding: il significato trasformato in numeri

Gli embedding sono rappresentazioni numeriche del significato di parole, frasi o documenti.

Detta così sembra una cosa da matematici con molto caffè a disposizione. In realtà il concetto è molto pratico: grazie agli embedding, un sistema può capire che due testi sono simili anche se usano parole diverse.

È il principio che permette la ricerca semantica nei documenti aziendali. Non devi conoscere la frase esatta presente in una procedura: puoi cercare per concetto e recuperare informazioni pertinenti.

La guida OpenAI sugli embedding li descrive come un modo per trasformare il testo in numeri e abilitare casi d’uso come ricerca, clustering e analisi di similarità.

In pratica: gli embedding sono una delle basi tecniche dietro chatbot aziendali, motori di ricerca interni, sistemi di knowledge management e assistenti documentali.

6. RAG: quando il chatbot cerca prima di rispondere

RAG significa Retrieval-Augmented Generation. In italiano potremmo tradurlo, con poca poesia ma molta precisione, come generazione aumentata dal recupero di informazioni.

Prima di generare una risposta, il sistema cerca dati rilevanti in una base documentale e li usa come riferimento. In questo modo il chatbot non si limita alla “memoria” del modello, ma lavora su fonti specifiche.

Secondo Google Cloud, il RAG combina modelli linguistici e basi di conoscenza esterne per migliorare gli output. È una delle tecniche più importanti per usare l’AI in azienda senza affidarsi solo a risposte generiche.

Strumenti come NotebookLM lavorano proprio in questa direzione: prima le fonti, poi le risposte. Per questo ho raccolto anche una pagina con i miei video YouTube su NotebookLM.

7. Hallucination: quando l’AI inventa con grande sicurezza

Le hallucination, o allucinazioni, sono risposte apparentemente corrette ma in realtà inventate.

Il chatbot può creare dati inesistenti, attribuire citazioni mai pronunciate, inventare fonti, sbagliare date o mescolare informazioni vere e false. Il problema è che spesso lo fa con un tono molto convincente.

Non è un piccolo bug occasionale: è un rischio legato al modo in cui funzionano i modelli linguistici, che generano testo probabile, non verità certificata.

In pratica: mai usare una risposta AI in un documento importante senza verifica. Soprattutto se contiene numeri, fonti, norme, citazioni, dati economici, informazioni legali o sanitarie.

Su questo punto torno spesso nei miei corsi su AI generativa per aziende e professionisti: l’AI aumenta la produttività, ma non elimina la responsabilità.

8. Fine-tuning: non è caricare un PDF

Il fine-tuning consiste nell’addestrare ulteriormente un modello già esistente su un insieme specifico di dati.

Un’azienda può, per esempio, adattare un modello al proprio linguaggio, ai propri prodotti, alle proprie procedure o a un certo stile di risposta. È una modifica più profonda rispetto al semplice caricamento di documenti in una chat.

Qui nasce una confusione frequente: “Ho caricato il manuale, quindi ho addestrato il modello”. No. In molti casi hai solo dato al chatbot un contesto o una fonte da consultare. Il fine-tuning è un’altra cosa.

In pratica: prima di pensare al fine-tuning, molte aziende dovrebbero sistemare documenti, FAQ, procedure, dati e knowledge base. Spesso il problema non è il modello. È il materiale di partenza.

9. Inference: il momento in cui l’AI risponde

L’inference è il momento in cui il modello produce concretamente una risposta.

L’addestramento può richiedere mesi, enormi quantità di dati e infrastrutture molto costose. L’inference è ciò che accade ogni volta che scrivi una domanda a un chatbot e aspetti la risposta.

Capire questa distinzione aiuta anche a leggere meglio il mercato: alcuni servizi costano di più perché usano modelli più potenti, gestiscono più contesto, rispondono più velocemente o includono strumenti aggiuntivi.

In pratica: quando usi ChatGPT o Copilot non stai “addestrando” il modello ogni volta. Stai chiedendo al modello di generare una risposta sulla base del contesto disponibile.

10. AI Agent: quando il chatbot inizia ad agire

Un AI Agent non si limita a rispondere alle domande. Può pianificare attività, usare strumenti esterni, consultare database, eseguire azioni e verificare risultati prima di proseguire.

Nel mondo del lavoro rappresenta un passaggio importante rispetto al chatbot tradizionale. Un agente può, per esempio, recuperare informazioni dal CRM, preparare una bozza di email, compilare un report, aggiornare un gestionale o coordinare più passaggi di un flusso operativo.

La documentazione OpenAI sugli Agents mostra proprio questa evoluzione: modelli collegati a istruzioni, strumenti e comportamenti eseguibili.

In pratica: gli agenti AI sono promettenti, ma richiedono governance. Più un sistema può agire, più bisogna definire limiti, autorizzazioni, controlli e responsabilità.

Il vero vantaggio: meno magia, più metodo

Conoscere questi termini non serve a trasformarsi in ingegneri del machine learning.

Serve a usare meglio gli strumenti che ormai entrano in molte attività quotidiane: scrivere, riassumere, cercare, analizzare, confrontare, classificare, generare idee, preparare documenti, supportare clienti e colleghi.

La differenza tra chi usa un chatbot “a caso” e chi lo usa con metodo spesso sta proprio qui: capire che cosa può fare, che cosa non può fare, quali dati gli servono e quali controlli sono necessari.

In un mercato del lavoro in cui l’AI diventa una competenza trasversale, il vantaggio competitivo non sarà solo “saper usare ChatGPT”. Sarà comprenderne abbastanza il funzionamento da ottenere risultati migliori, più affidabili e più utili.

Meno magia, quindi. Più metodo.

FAQ

Quali sono i termini AI più utili da conoscere al lavoro?

Tra i più utili ci sono context window, grounding, temperature, token, embedding, RAG, hallucination, fine-tuning, inference e AI Agent. Sono concetti tecnici, ma hanno conseguenze molto pratiche nell’uso dei chatbot.

Che cos’è il RAG nell’intelligenza artificiale?

Il RAG, Retrieval-Augmented Generation, è una tecnica che permette a un chatbot di recuperare informazioni da fonti esterne prima di generare una risposta. Serve a rendere l’output più pertinente e collegato a dati specifici.

Che differenza c’è tra grounding e fine-tuning?

Il grounding collega il modello a fonti affidabili da consultare. Il fine-tuning modifica più profondamente il comportamento del modello tramite un ulteriore addestramento su dati specifici.

Perché i chatbot inventano risposte?

Perché i modelli linguistici generano testo probabile, non verità garantite. Le risposte inventate ma plausibili vengono chiamate hallucination, o allucinazioni.

Un AI Agent è diverso da un chatbot?

Sì. Un chatbot risponde soprattutto a domande e istruzioni. Un AI Agent può anche usare strumenti, pianificare azioni, consultare sistemi esterni e completare attività più complesse.

 

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

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

Inviaci email

/0 Commenti/da

AI e LinkedIn: 5 dritte per manager per migliorare il profilo e farsi trovare

, , , , ,

Un manager apre LinkedIn, guarda il proprio profilo e pensa: “Sì, più o meno c’è tutto”. Esperienze, ruolo attuale, qualche competenza, una foto dignitosa, forse un banner scelto anni fa. Poi però succede una cosa: qualcuno lo cerca su Google, un potenziale partner apre il profilo, un head hunter legge la headline, un cliente guarda la sezione Informazioni. E in pochi secondi si fa un’idea.

LinkedIn, piaccia o no, è diventato una specie di Google CV: spesso è il primo risultato che compare quando qualcuno cerca il nostro nome. Per questo non basta “esserci”. Bisogna farsi capire.

Nel workshop “Come usare l’AI per migliorare la tua presenza su LinkedIn” organizzato da Federmanager Toscana, abbiamo lavorato proprio su questo: usare l’intelligenza artificiale non per delegare la propria identità professionale a un chatbot, ma per rendere più chiari profilo, competenze, posizionamento e contenuti.

Ecco cinque dritte pratiche per manager.

Come può un manager usare l’AI su LinkedIn?

Un manager può usare l’AI su LinkedIn per analizzare il proprio profilo, migliorare headline e sezione Informazioni, individuare keyword strategiche, raccontare progetti e risultati, costruire un piano editoriale e trasformare esperienze professionali in contenuti utili. L’AI non deve inventare una personalità: deve aiutare a rendere leggibile il valore già presente nel percorso professionale.

1. Prima di scrivere, controlla il tuo “Google CV” e il Social Selling Index

La prima dritta non riguarda ChatGPT. Riguarda lo specchio.

Apri una finestra anonima del browser e cerca il tuo nome su Google. Che cosa esce? Il profilo LinkedIn è tra i primi risultati? Il titolo che appare è comprensibile? L’immagine è professionale? La descrizione comunica che cosa fai oggi o sembra il riassunto di una carriera lasciata lì?

Questa operazione, che in gergo si chiama ego surfing, è utile perché ti fa vedere quello che vedono gli altri. Non quello che pensi di comunicare.

Secondo passaggio: controlla il tuo Social Selling Index di LinkedIn. Nelle slide del corso l’obiettivo suggerito è chiaro: provare a portarlo almeno a 60. Non perché il numero sia una medaglia da appendere in ufficio, ma perché costringe a guardare quattro dimensioni: brand professionale, persone giuste, interazioni rilevanti, relazioni.

Su questo tema ho scritto anche una guida dedicata al Social Selling Index e alle azioni per migliorarlo.

Prompt per audit iniziale del profilo

Agisci come un consulente LinkedIn specializzato in personal branding, LinkedIn SEO e social selling.

Analizza il mio profilo LinkedIn in formato PDF.

Valuta:
- chiarezza del posizionamento professionale;
- coerenza tra headline, sezione Informazioni ed esperienze;
- keyword mancanti;
- punti deboli del profilo;
- opportunità per migliorare autorevolezza e visibilità.

Restituisci:
1. un giudizio sintetico da 0 a 100;
2. i 5 problemi principali;
3. 10 azioni pratiche ordinate per priorità.

Come scaricare il profilo? LinkedIn permette di salvare il profilo in PDF: è un ottimo punto di partenza per farlo analizzare da un chatbot, senza incollare a mano tutte le sezioni.

2. Sistema la parte visuale: foto, banner e “In primo piano”

Nel corso abbiamo distinto due aree del profilo: la parte visuale e la parte testuale.

La parte visuale comprende foto, banner ed elementi multimediali in primo piano. Sembra secondaria, ma non lo è. Prima ancora di leggere, le persone guardano. E in un profilo manageriale la parte visuale deve comunicare affidabilità, ruolo, settore, contesto.

La foto non deve sembrare quella ritagliata da una cena aziendale del 2012. Il volto dovrebbe essere ben visibile, lo sfondo neutro, l’espressione professionale ma non marmorea. LinkedIn stessa ha più volte ricordato che avere una foto aumenta molto le probabilità che il profilo venga visto.

Il banner, invece, è spesso un’occasione sprecata. Per un manager può raccontare settore, competenze, azienda, territorio, tema professionale. Nelle slide il formato indicato è quello classico: 1584 x 396 pixel. Canva, o strumenti simili, bastano per creare qualcosa di dignitoso senza trasformarsi in art director.

Infine c’è la sezione In primo piano: qui si possono mettere articoli, video, interviste, white paper, eventi, progetti, presentazioni, pagine aziendali. In pratica: prove.

Prompt per valutare la foto profilo

Valuta questa foto profilo LinkedIn da 0 a 100.

Considera:
- visibilità del volto;
- sfondo;
- espressione;
- coerenza con un ruolo manageriale;
- fiducia trasmessa;
- eventuali elementi di distrazione.

Dammi:
1. punteggio complessivo;
2. tre punti forti;
3. tre miglioramenti concreti;
4. una checklist per scegliere una foto migliore.

Prompt per progettare il banner

Agisci come un consulente LinkedIn e visual designer.

Voglio creare un banner LinkedIn professionale per un manager.

Ecco il mio ruolo: [RUOLO]
Settore: [SETTORE]
Competenze distintive: [COMPETENZE]
Target professionale: [TARGET]

Proponi 5 idee di banner LinkedIn in formato 1584 x 396 pixel.
Per ogni idea indica:
- concept visivo;
- testo breve da inserire;
- colori consigliati;
- elementi da evitare.

Un profilo forte non è fatto solo di parole. È fatto anche di segnali visivi coerenti.

3. Riscrivi la headline con il framework ruolo, valore, target

La headline, cioè il sommario sotto il nome, è uno dei punti più importanti del profilo LinkedIn.

Molti manager usano solo il titolo aziendale: “Direttore commerciale”, “HR Manager”, “Operations Director”, “CFO”. Il problema è che un titolo dice chi sei nell’organigramma, non sempre che valore generi.

Nelle slide del corso il framework è molto semplice:

RUOLO + VALORE GENERATO + TARGET

Esempio:

Direttore Operations | Aiuto aziende manifatturiere a migliorare processi, qualità e tempi di consegna

Oppure:

HR Manager | Sviluppo persone, competenze e cultura organizzativa in contesti industriali complessi

Non serve esagerare. Serve essere capiti.

Prompt per creare tre headline LinkedIn

Analizza il PDF allegato del mio profilo LinkedIn e comportati come un consulente specializzato in personal branding, LinkedIn SEO e social selling.

Costruisci 3 headline per LinkedIn seguendo questo framework:

RUOLO + VALORE GENERATO + TARGET

Vincoli:
- massimo 220 caratteri;
- tono professionale, non pubblicitario;
- adatto a un pubblico manageriale;
- includi keyword utili per la ricerca su LinkedIn;
- evita frasi generiche come “professionista appassionato” o “leader dinamico”.

Per ogni headline spiega perché funziona.

Una buona headline non deve raccontare tutta la vita professionale. Deve aprire la porta giusta.

4. Usa l’AI per trovare keyword e riscrivere la sezione Informazioni

LinkedIn è anche un motore di ricerca.

Chi cerca un manager, un consulente, un docente, un temporary manager o un professionista usa parole chiave. A volte cerca il ruolo, a volte il settore, a volte una competenza tecnica, a volte un problema. Le keyword vanno quindi scelte con criterio e inserite nei punti giusti: headline, esperienze, sezione Informazioni, competenze.

Nelle slide abbiamo distinto parole chiave brevi e coda lunga: non solo “marketing”, ma “marketing B2B industriale”; non solo “machine learning”, ma “machine learning per manutenzione predittiva”; non solo “controllo di gestione”, ma “controllo di gestione industriale”.

Il punto non è riempire il profilo di parole chiave come un tacchino natalizio. Il punto è usare le parole che il mercato usa per cercare persone come te.

Per approfondire, puoi leggere anche la guida su come ottimizzare il profilo LinkedIn con l’AI e la pagina Mondo LinkedIn, dove raccolgo articoli, guide e risorse sul tema.

Prompt per trovare 20 keyword strategiche

Analizza il PDF allegato del mio profilo LinkedIn e comportati come un consulente specializzato in LinkedIn SEO.

Elenca 20 parole chiave da inserire nel mio profilo.

Per ogni keyword indica:
- perché è rilevante;
- dove inserirla: headline, sezione Informazioni, esperienze, competenze;
- se è una keyword breve o una keyword a coda lunga;
- eventuali sinonimi professionali.

Prompt per riscrivere la sezione Informazioni

Analizza il PDF allegato del mio profilo LinkedIn.

Scrivi la sezione Informazioni del mio profilo.

Vincoli:
- massimo 2.600 caratteri;
- apertura coinvolgente;
- tono professionale e concreto;
- adatto a un pubblico manageriale;
- evidenzia competenze, risultati e valore offerto ai clienti o all’azienda;
- integra in modo naturale le keyword più efficaci per la SEO di LinkedIn;
- evita frasi generiche, superlativi vuoti e storytelling troppo enfatico.

Struttura il testo in paragrafi brevi e leggibili.

Qui l’AI può fare un lavoro prezioso: aiutare a vedere il filo rosso di una carriera. Ma il contenuto deve restare vero. Se l’AI aggiunge risultati, numeri o competenze non presenti, bisogna fermarla.

5. Trasforma progetti ed esperienze in contenuti, non in autocelebrazione

La parte più trascurata del profilo LinkedIn è spesso quella che avrebbe più valore: progetti, casi di studio, contenuti.

Un manager non dovrebbe limitarsi a dire “ho gestito team”, “ho seguito progetti complessi”, “ho guidato trasformazioni”. Dovrebbe mostrare problemi affrontati, risultati raggiunti, metodo, apprendimenti, replicabilità.

Nelle slide c’è una formula molto utile per i progetti:

  • problema iniziale;
  • risultati raggiunti;
  • replicabilità.

È una struttura semplice, ma costringe a passare dal curriculum alla prova. E per un manager questa differenza conta.

Prompt per raccontare un progetto

Scrivi circa 1.500 battute su questo progetto professionale:

[DETTAGLI PROGETTO]

Struttura il testo in tre parti:
1. problema iniziale;
2. azioni svolte e risultati raggiunti;
3. replicabilità: che cosa può imparare un’altra azienda o un altro team.

Tono:
- concreto;
- manageriale;
- non autocelebrativo;
- orientato al valore generato.

Inserisci keyword coerenti con il mio settore, ma senza forzature.

Lo stesso ragionamento vale per i contenuti.

Nel corso abbiamo parlato anche di tre tipi di contenuti: quelli centrati su chi sei, quelli centrati su che cosa fai e quelli centrati sul perché. Il salto di qualità avviene quando un contenuto non parla solo di “noi abbiamo fatto”, ma spiega perché quel progetto, quell’esperienza o quell’errore possono essere utili ad altri.

Prompt per creare un piano editoriale di 3 mesi

Analizza il PDF del mio profilo LinkedIn e il seguente sito web:
[SITO AZIENDALE O PERSONALE]

Crea un piano editoriale per 3 mesi per il mio profilo LinkedIn.

Il pubblico è composto da:
[TARGET]

Obiettivo:
[OBIETTIVO: autorevolezza, networking, recruiting, vendita consulenziale, posizionamento, employer branding]

Crea una tabella con queste colonne:
- data;
- obiettivo del post;
- idea di contenuto di valore;
- formato consigliato;
- hook iniziale;
- call to action conversazionale.

Evita post autocelebrativi. Privilegia esempi, casi, lezioni apprese, errori da evitare e punti di vista utili per altri manager.

Questo è il punto: l’AI può aiutare a pubblicare, ma prima deve aiutare a pensare.

Il vero rischio: sembrare più artificiali dell’AI

C’è un rischio evidente nell’uso dell’intelligenza artificiale su LinkedIn: produrre profili perfetti, levigati, pieni di parole giuste, ma senza anima professionale.

Headline tutte uguali. Post tutti uguali. Sezioni Informazioni che sembrano uscite dallo stesso stampino motivazionale. “Leadership”, “innovazione”, “passione”, “risultati”, “valore”. Tutto vero, forse. Tutto indistinguibile, sicuramente.

Per questo nei percorsi su AI e LinkedIn insisto su un principio: l’AI deve aiutarti a diventare più preciso, non più generico.

Un buon profilo LinkedIn per un manager dovrebbe rispondere a tre domande:

  • Che cosa sai fare davvero?
  • Per chi o per quale organizzazione generi valore?
  • Quali prove rendono credibile quello che dici?

Se l’AI ti aiuta a rispondere meglio a queste domande, usala. Se ti aiuta solo a produrre frasi più eleganti ma meno vere, fermati.

Da dove iniziare

Se vuoi migliorare il profilo LinkedIn con l’AI, non partire dal post perfetto.

Parti da qui:

  1. scarica il profilo LinkedIn in PDF;
  2. fai un audit con l’AI;
  3. riscrivi la headline con il framework ruolo, valore, target;
  4. trova 20 keyword strategiche;
  5. riscrivi la sezione Informazioni;
  6. trasforma almeno tre progetti in casi di studio;
  7. costruisci un piano editoriale sostenibile.

È esattamente il tipo di lavoro che abbiamo affrontato nel workshop per Federmanager Toscana e che tratto nei miei percorsi su AI e LinkedIn, nei corsi su LinkedIn per professionisti e nella revisione del profilo LinkedIn.

LinkedIn non è un archivio di esperienze passate. È una piattaforma di reputazione professionale. L’AI può aiutarti a usarla meglio. A patto di ricordare che il profilo è tuo, non del chatbot.

FAQ

L’AI può scrivere tutto il profilo LinkedIn al posto mio?

Può aiutarti a riscriverlo, ma non dovrebbe inventare competenze, risultati o posizionamento. Il profilo deve restare vero, verificabile e coerente con la tua esperienza.

Qual è la prima cosa da migliorare nel profilo LinkedIn di un manager?

La headline. È uno dei primi elementi che le persone leggono e dovrebbe spiegare ruolo, valore generato e target professionale.

Le keyword servono davvero su LinkedIn?

Sì. LinkedIn funziona anche come motore di ricerca interno. Le keyword aiutano a farti trovare da recruiter, partner, clienti, colleghi e stakeholder.

Ha senso usare l’AI per creare contenuti LinkedIn?

Sì, se l’AI aiuta a trasformare esperienze reali in contenuti utili. No, se produce post generici, motivazionali e indistinguibili da mille altri.

Dove posso approfondire AI e LinkedIn?

Puoi partire dalla pagina del corso AI e LinkedIn e dalle risorse raccolte in Mondo LinkedIn.

/0 Commenti/da

Google spiega la SEO per l’AI generativa: cosa cambia davvero

, , ,

C’è una scena che si ripete sempre più spesso tra chi si occupa di contenuti online.

Qualcuno apre Google, vede una risposta generata dall’intelligenza artificiale, trova già una sintesi, magari qualche link, e a quel punto si chiede: “E adesso? Che fine fa il mio sito? Che fine fa la SEO? Dobbiamo inventarci un’altra sigla, tipo GEO, AEO, AIO, LLMO, o basta continuare a lavorare bene?”.

La domanda non è banale. Perché la ricerca online sta cambiando davvero. Le persone non digitano più solo due parole secche in un motore di ricerca. Fanno domande lunghe, chiedono confronti, vogliono risposte sintetiche, usano chatbot, leggono AI Overview, provano strumenti come Gemini, ChatGPT, Perplexity o NotebookLM.

Come si ottimizza un sito per l’AI generativa di Google?

Per comparire meglio nelle esperienze di AI generativa della Ricerca Google, come AI Overview e AI Mode, non serve un trucco speciale. Secondo Google bisogna continuare a fare buona SEO: contenuti utili, originali, specifici, affidabili, pensati per le persone, tecnicamente accessibili, indicizzabili e ben organizzati. AEO e GEO possono essere etichette utili per ragionare, ma per Google l’ottimizzazione per la ricerca basata sull’AI resta, prima di tutto, SEO.

Perché se ne parla adesso

Google ha pubblicato una nuova guida ufficiale, aggiornata il 24 giugno 2026, dedicata proprio a questo tema: Ottimizza il tuo sito web per le funzionalità di AI generativa nella Ricerca Google.

Non è una paginetta di circostanza. È un documento importante per chi scrive, pubblica, vende, forma, comunica, fa marketing o gestisce siti aziendali.

Google dice una cosa molto chiara: le persone stanno usando sempre di più esperienze basate sull’AI generativa per trovare informazioni. Questo può diventare un’opportunità, perché chi arriva al sito da queste esperienze potrebbe essere più motivato, più informato e più vicino a una conversione.

Tradotto: non basta più “posizionarsi”. Bisogna meritare di essere una fonte.

La SEO è ancora pertinente nell’epoca dell’AI?

La risposta di Google è secca: sì.

Le funzionalità di AI generativa della Ricerca Google si basano ancora sui sistemi principali di ranking e qualità della Ricerca. Questo è il punto che molti dimenticano quando annunciano, con una certa allegria funebre, la morte della SEO.

Google spiega che queste esperienze usano tecniche come il Retrieval-Augmented Generation, spesso abbreviato in RAG. In pratica, il sistema recupera pagine pertinenti e aggiornate dall’indice della Ricerca e usa quelle informazioni per generare una risposta più affidabile, mostrando link cliccabili alle fonti.

Questa cosa dovrebbe suonarci familiare. Ne ho parlato anche a proposito del metodo LLM Wiki e del second brain: l’AI è molto più utile quando lavora su fonti reali, verificabili, organizzate. Non quando inventa nel vuoto cosmico.

La seconda tecnica citata da Google è il query fan-out. Il modello non si limita alla domanda originale dell’utente, ma genera più query correlate per raccogliere informazioni utili. Se una persona cerca “come sistemare un prato pieno di erbacce”, il sistema può interrogare anche ricerche collegate su erbicidi, prevenzione, rimozione naturale e così via.

Per chi fa contenuti, la conseguenza è interessante: non bisogna inseguire ogni micro-variazione della keyword. Bisogna coprire bene un tema, con competenza, struttura e utilità.

AEO, GEO, AIO: parole nuove per un problema vecchio

Negli ultimi mesi sono esplose sigle nuove.

  • AEO: Answer Engine Optimization, ottimizzazione per i motori di risposta.
  • GEO: Generative Engine Optimization, ottimizzazione per i motori generativi.
  • AIO: AI Optimization, ottimizzazione per la ricerca e le risposte generate dall’intelligenza artificiale.

Google però mette un paletto: dal suo punto di vista, ottimizzare per la ricerca basata sull’AI generativa significa ottimizzare per l’esperienza di ricerca. Quindi, sempre SEO.

Questo non vuol dire che GEO e AEO siano parole inutili. Possono aiutare a ragionare su come rendere un contenuto più citabile, più chiaro, più estratto facilmente da un sistema generativo. Ma se diventano il pretesto per vendere trucchi magici, meglio fare un passo indietro.

Il punto non è “scrivere per l’algoritmo AI”. Il punto è scrivere così bene, in modo così utile e specifico, da diventare una fonte sensata anche per l’AI.

Che cosa conta davvero secondo Google

Nella guida ci sono molte indicazioni, ma si possono riassumere in quattro grandi aree.

1. Contenuti di valore, specifici e non generici

Google insiste su un concetto semplice: i contenuti generici non bastano più.

Un articolo intitolato “7 consigli per comprare casa” potrebbe essere scritto da chiunque, anche da un modello generativo senza esperienza. Un contenuto utile, invece, porta un punto di vista, un caso concreto, dati, esempi, esperienza diretta, competenza.

Questo è il nodo centrale. Se l’AI può produrre in cinque secondi un testo medio su un argomento, il valore non sta più nel testo medio. Sta nell’esperienza, nella selezione, nel metodo, nella capacità di collegare le cose.

Vale anche per il web writing con ChatGPT. Il problema non è usare o non usare l’AI per scrivere. Il problema è usarla per produrre contenuti fotocopia. Già qualche anno fa avevo proposto un prompt per il web writing con ChatGPT, ma oggi aggiungerei una postilla: il prompt non deve sostituire il pensiero, deve tirarlo fuori meglio.

2. Struttura leggibile per esseri umani

Google raccomanda pagine ben organizzate, con sezioni, paragrafi chiari, titoli utili. Sembra banale, ma è uno dei punti più sottovalutati.

Una pagina caotica non è solo fastidiosa per il lettore. È anche più difficile da interpretare, riassumere, collegare ad altre informazioni.

Per questo, quando si lavora a un contenuto destinato sia agli umani sia ai sistemi AI, conviene inserire:

  • una risposta breve all’inizio;
  • definizioni chiare dei concetti principali;
  • esempi concreti;
  • sezioni sui rischi e sui limiti;
  • FAQ finali, quando servono davvero;
  • link interni ed esterni pertinenti.

Non per “ingannare” l’AI. Per aiutare chi legge. Poi, guarda caso, anche i sistemi automatici capiscono meglio.

3. Base tecnica solida

Google ricorda una cosa poco spettacolare ma fondamentale: se una pagina non è indicizzabile, accessibile, scansionabile, veloce e comprensibile, la magia dell’AI non la salverà.

Per essere presa in considerazione nelle esperienze di AI generativa, una pagina deve essere idonea a comparire nella Ricerca Google con uno snippet. Non è una garanzia di visibilità, ma è il punto di partenza.

Qui entrano in gioco le solite cose, quelle noiose ma decisive:

  • contenuti accessibili a Googlebot;
  • uso sensato di titoli e sottotitoli;
  • attenzione a JavaScript e contenuti caricati in modo problematico;
  • riduzione dei duplicati;
  • buona esperienza su mobile;
  • monitoraggio con Google Search Console.

Insomma: prima di parlare di GEO, forse conviene controllare se il sito ha pagine indicizzate, titoli decenti e contenuti non duplicati. Meno sexy, più utile.

4. Immagini, video e contenuti multimediali

Google segnala anche il ruolo di immagini e video di qualità. Non è un dettaglio. Le risposte generate dall’AI possono includere o valorizzare contenuti multimediali, e molte persone cercano spiegazioni visive, esempi, screenshot, tutorial.

Questo vale moltissimo nel mondo AI. Un articolo su NotebookLM, per esempio, funziona meglio se mostra casi d’uso, schermate, video, esempi di fonti e risultati. Non a caso ho raccolto in una pagina i miei video YouTube su NotebookLM, proprio per rendere più navigabile un tema che cambia rapidamente.

I miti da evitare: Google smonta qualche scorciatoia

La parte più interessante della guida, almeno per chi sta vedendo nascere consulenze “AI SEO” di ogni tipo, è quella dedicata ai falsi miti.

Google dice esplicitamente che, per la Ricerca Google, non servono alcuni trucchi che stanno circolando online.

Il file llms.txt non serve per Google

Google chiarisce che non è necessario creare file leggibili dalle macchine, file testuali per l’AI, markup speciali o versioni Markdown dei contenuti per comparire nella Ricerca Google e nelle sue funzionalità di AI generativa.

Se vuoi creare un file llms.txt per altri sistemi, libero di farlo. Ma Google dice che lo ignora: non migliora né peggiora la visibilità nella Ricerca.

Non bisogna spezzettare i contenuti per farli capire all’AI

Altro mito: dividere tutto in blocchi minuscoli per facilitare la comprensione dei modelli.

Google dice che non serve. I suoi sistemi sanno comprendere sfumature e argomenti diversi anche dentro una pagina più ampia. La lunghezza ideale non esiste in astratto. Esiste la lunghezza giusta per il lettore, per il tema, per l’obiettivo.

Non serve riscrivere tutto “per l’AI”

Google spiega anche che non bisogna usare una forma linguistica speciale per la ricerca generativa. I sistemi comprendono sinonimi, contesto, significati generali.

Quindi no: non serve riempire un articolo con tutte le possibili long tail. Serve rispondere bene. Che è più difficile, ma anche più dignitoso.

Non bisogna inseguire menzioni artificiali

Le funzionalità AI possono mostrare cosa viene detto online di prodotti, servizi e brand. Questo non significa che abbia senso creare menzioni finte, recensioni forzate o contenuti sparsi solo per “farsi vedere” dall’AI.

Google ribadisce che i sistemi di ranking puntano sui contenuti di qualità e che altri sistemi bloccano lo spam. La reputazione non si costruisce con il polistirolo digitale.

I dati strutturati aiutano, ma non sono una bacchetta magica

Altro chiarimento utile: i dati strutturati non sono necessari specificamente per la ricerca basata sull’AI generativa e non esiste un markup schema.org speciale per “entrare nelle risposte AI”.

Restano però utili nella strategia SEO complessiva, per esempio per rendere il sito idoneo a risultati avanzati. Quindi: usarli quando servono, senza venerarli.

La parte nuova: gli agenti AI

Verso la fine della guida Google apre un tema che, secondo me, diventerà sempre più importante: le esperienze agentiche.

Gli agenti AI sono sistemi capaci di svolgere attività per conto delle persone: confrontare prodotti, analizzare pagine, prenotare, interagire con un sito, compilare passaggi. Google cita anche gli agenti del browser, che possono osservare il rendering visivo, ispezionare il DOM e interpretare l’albero di accessibilità.

Questo sposta l’attenzione da “il mio contenuto viene letto da una persona?” a “il mio sito può essere capito e usato anche da un agente?”.

Qui non parliamo solo di SEO. Parliamo di esperienza utente, accessibilità, dati, struttura, procedure, e-commerce, prenotazioni, moduli, confronto tra offerte. Google rimanda anche alle best practice per siti ottimizzati per gli agenti pubblicate su web.dev.

Per ora è un tema emergente. Ma vale la pena tenerlo d’occhio, soprattutto per e-commerce, siti di servizi, formazione, turismo, eventi, consulenze e piattaforme con percorsi complessi.

Che cosa dovrebbe fare adesso chi produce contenuti

Proviamo a tradurre tutto in una checklist concreta.

  • Scrivi per una domanda reale. Ogni articolo dovrebbe rispondere a un bisogno preciso, non a una keyword astratta.
  • Aggiungi esperienza. Casi, esempi, dati, osservazioni, errori visti sul campo, lezioni imparate.
  • Organizza bene la pagina. Titoli chiari, sezioni leggibili, risposta breve, esempi, FAQ quando utili.
  • Collega i contenuti tra loro. I link interni aiutano lettori e motori a capire il contesto del sito.
  • Verifica la parte tecnica. Indicizzazione, mobile, duplicati, performance, Search Console.
  • Non moltiplicare pagine inutili. Meglio una guida forte che dieci contenuti sottili sulle varianti della stessa domanda.
  • Usa l’AI come assistente, non come fotocopiatrice. Va benissimo farsi aiutare, molto meno pubblicare contenuti generici prodotti in serie.

Questo vale per chi fa marketing, per chi lavora in azienda, per chi gestisce un blog professionale, per chi pubblica corsi, per chi crea contenuti formativi.

E vale anche per la formazione interna. Nei percorsi sull’AI, come quelli legati alla formazione AI obbligatoria per aziende e AI Act, uno dei temi centrali dovrebbe essere proprio questo: usare l’intelligenza artificiale senza perdere metodo, responsabilità e qualità delle fonti.

Il vero rischio? La superficialità digitale

La guida di Google, letta bene, non è un manuale di trucchi. È quasi un invito alla sobrietà.

Il rischio non è che l’AI cambi la ricerca. Quello sta già succedendo. Il rischio è reagire nel modo peggiore: produrre più contenuti generici, inseguire sigle, comprare scorciatoie, riempire il sito di testi “ottimizzati per l’AI” che nessun essere umano leggerebbe volentieri.

La ricerca basata sull’AI premia, almeno nelle intenzioni, ciò che la buona SEO avrebbe sempre dovuto premiare: contenuti utili, affidabili, specifici, accessibili, ben collegati, pensati per persone vere.

La novità è che oggi la mediocrità costa di più. Perché un testo generico non compete solo con altri testi generici. Compete con una macchina che può produrne infiniti.

Il vantaggio competitivo, quindi, non sarà “usare l’AI per scrivere di più”. Sarà usare l’AI per capire meglio, organizzare meglio, verificare meglio, spiegare meglio.

In altre parole: meno fuffa, più metodo. Google, almeno questa volta, sembra dire proprio questo.

FAQ

La SEO è morta con l’arrivo dell’AI generativa nella Ricerca Google?

No. Google afferma che le best practice SEO continuano a essere pertinenti per AI Overview, AI Mode e le altre esperienze basate sull’AI generativa, perché si appoggiano ai sistemi principali di ranking e qualità della Ricerca.

Che differenza c’è tra SEO, AEO e GEO?

SEO è l’ottimizzazione per i motori di ricerca. AEO indica l’ottimizzazione per i motori di risposta. GEO indica l’ottimizzazione per i motori generativi. Per Google, però, ottimizzare per la ricerca AI significa ancora ottimizzare l’esperienza di ricerca, quindi fare buona SEO.

Serve creare un file llms.txt per comparire nella Ricerca Google?

No. Google dice che per la Ricerca Google, incluse le funzionalità di AI generativa, non è necessario creare file llms.txt, markup speciali o versioni testuali pensate per l’AI.

I dati strutturati aiutano la visibilità nelle risposte AI?

Google chiarisce che i dati strutturati non sono necessari specificamente per la ricerca basata sull’AI generativa. Restano però utili nella SEO complessiva, soprattutto per l’idoneità ai risultati avanzati.

Qual è il consiglio più importante per chi crea contenuti?

Creare contenuti unici, utili, specifici e affidabili, basati su esperienza reale o competenza verificabile. I riassunti generici di cose già dette altrove sono sempre meno competitivi.

/0 Commenti/da

Sanità e IA: il medico è già sostituibile dall’intelligenza artificiale?

,
L’AI può far fuori il medico? Risposta diretta: in alcuni compiti diagnostici l’intelligenza artificiale è già competitiva, e in certi test supera medici e specialisti. Ma dire che il medico è “sostituibile” è la scorciatoia pigra. La vera domanda è: che cosa resta umano nella cura quando la macchina vede, calcola e prevede meglio di noi?

La provocazione: il medico è già sostituibile?

Al convegno Health-AI 2026: Intelligenza, Dati e Persone, nella Sala Tevere della Regione Lazio, Tonino Cantelmi, professore associato di Psicopatologia alla Pontificia Università Gregoriana e membro del Comitato Nazionale per la Bioetica, chiude i lavori con una frase che non è una carezza: “Il medico è già sostituibile dalla AI. La domanda etica è: quale sarà il ruolo dell’umano? Forse non ci sarà bisogno di medici ma di specialisti in umanità”.

Detta così, sembra il titolo perfetto per litigare su LinkedIn. Apocalittici da una parte, entusiasti dall’altra, e in mezzo il solito esercito di commentatori che scrive “dipende” e poi sparisce. Ma la frase va presa sul serio. Perché non dice semplicemente che un algoritmo farà il medico. Dice una cosa più fastidiosa: molte attività che oggi chiamiamo “medicina” sono già computabili, misurabili, automatizzabili.

Guardare una TAC. Confrontare sintomi. Generare ipotesi diagnostiche. Ordinare probabilità. Segnalare una lesione. Suggerire un percorso terapeutico. Queste non sono magie. Sono compiti. E quando un compito diventa abbastanza strutturato, la macchina entra in campo. Spesso non bussa nemmeno: è già dentro il reparto, dentro il gestionale, dentro il referto, dentro il software del dispositivo medico.

La domanda, quindi, non è se l’intelligenza artificiale entrerà nella sanità. È già entrata. La domanda vera è: vogliamo una sanità aumentata dall’AI o una sanità che usa l’AI come alibi per disumanizzarsi meglio?

Cosa dicono davvero gli studi: l’AI non è più un giocattolo

Partiamo dai dati, perché senza dati la provocazione resta teatro. E il teatro è bello, ma in sala operatoria preferisco altro.

Nel 2026 l’OMS Europa ha pubblicato il rapporto Artificial intelligence is reshaping health systems: state of readiness across the European Union. Il punto è chiaro: l’intelligenza artificiale sta trasformando il modo in cui i sistemi sanitari funzionano, pianificano, governano e offrono cure. Il rapporto analizza strategie nazionali, cornici legali ed etiche, governance dei dati, preparazione del personale e integrazione dell’AI nei servizi sanitari.

Già nel 2025, un precedente rapporto OMS sulla Regione europea aveva fotografato l’accelerazione su 53 Paesi membri. Tradotto: l’AI non è più “quella cosa che forse un giorno useremo”. È già una questione di policy pubblica, budget, formazione, responsabilità professionale e fiducia dei cittadini.

Il dato più interessante non è che l’AI funzioni. Il dato più inquietante è che spesso funziona prima che le organizzazioni siano pronte a usarla bene. La tecnologia corre. I protocolli inseguono. I medici si arrangiano. I pazienti sperano. E le aziende, nel frattempo, vendono “soluzioni”. Questa parola dovrebbe sempre farci alzare un sopracciglio.

Una revisione sistematica e meta-analisi pubblicata su npj Digital Medicine ha valutato 83 studi sul confronto fra modelli generativi e medici nella diagnosi: l’accuratezza media dei sistemi di AI generativa è stata del 52,1%, con prestazioni in molti casi paragonabili a quelle dei medici non specialisti. Non significa che ChatGPT debba sostituire il pronto soccorso. Significa però che l’idea “la macchina non capirà mai la medicina” è già vecchia. Non falsa in tutto. Vecchia.

Altro punto essenziale: la superiorità dell’AI non è uniforme. In alcuni contesti vince. In altri pareggia. In altri perde. Se qualcuno vi vende una narrazione semplice, probabilmente vi sta vendendo anche qualcos’altro.

Il caso PANORAMA: quando l’AI vede il problema meglio dei radiologi

Uno degli esempi più forti arriva dal tumore del pancreas, uno dei nemici più difficili della medicina perché spesso viene scoperto tardi. Lo studio PANORAMA, pubblicato su The Lancet Oncology e ripreso anche dal Karolinska Institutet, ha confrontato un sistema di AI con 68 radiologi provenienti da 40 istituzioni in 12 Paesi. Risultato: l’AI ha raggiunto un AUROC di 0,92 contro 0,88 dei radiologi.

Facciamola semplice: in quel contesto specifico, su TAC standard di cura, l’intelligenza artificiale ha identificato meglio i segnali del cancro pancreatico rispetto alla media dei radiologi coinvolti. Non è una gara di ego. È una questione di vite.

Qui arriva la prima provocazione: se un algoritmo vede prima una lesione che un essere umano rischia di non vedere, è più etico difendere il primato umano o usare subito lo strumento migliore?

Attenzione: usare lo strumento migliore non significa consegnargli il paziente. Significa smettere di confondere la dignità del medico con l’infallibilità del medico. Il medico non perde valore quando una macchina lo aiuta a vedere meglio. Lo perde quando finge che nulla stia cambiando.

La radiologia è il banco di prova perfetto perché lavora su pattern, immagini, probabilità, confronto con milioni di casi. L’AI ama questi terreni. Ma il referto non è l’intera cura. Dopo il segnale c’è la comunicazione. Dopo la comunicazione c’è la decisione. Dopo la decisione c’è la paura del paziente, la famiglia, il tempo, l’incertezza, la terapia, il follow-up. Lì non basta “rilevare”. Bisogna reggere.

Harvard e il triage: l’AI ragiona meglio dei medici?

Nel 2026, una ricerca guidata da Harvard Medical School e Beth Israel Deaconess Medical Center, pubblicata su Science e presentata anche da EurekAlert, ha alzato ulteriormente la posta: i ricercatori hanno testato modelli di ragionamento clinico su casi complessi, inclusi scenari di pronto soccorso reali e “sporchi”, cioè meno ordinati dei casi da manuale.

Secondo la sintesi diffusa dalla Harvard Medical School, un modello di AI ha superato i medici in diversi compiti, inclusa la formulazione di decisioni in contesti di emergenza basati sulle informazioni disponibili. In alcune prove di triage complesso, la stampa scientifica ha riportato una precisione diagnostica dell’AI intorno al 67%, contro il 50-55% dei clinici umani. Quando il sistema riceveva più informazioni, le prestazioni aumentavano ancora.

Qui bisogna essere intellettualmente onesti. Questo non dimostra che l’AI sia pronta a prendere in carico pazienti reali senza supervisione. Dimostra qualcosa di diverso e forse più importante: i modelli avanzati stanno entrando nella zona nobile della medicina, quella del ragionamento clinico.

Per anni ci siamo consolati così: “Va bene, l’AI riconoscerà immagini, compilerà documenti, farà burocrazia. Ma ragionare è un’altra cosa”. Ecco, quella diga si sta crepando.

Un altro studio raccontato da Stanford Medicine aggiunge un dettaglio decisivo: in compiti decisionali complessi, i chatbot da soli hanno superato i medici, ma i medici supportati dall’AI sono arrivati a prestazioni paragonabili ai chatbot. Questo è il punto più serio di tutti: il futuro più interessante non è medico contro AI. È medico con AI contro medico senza AI.

Il medico che usa bene l’AI non diventa meno medico. Diventa un medico diverso. Il medico che la ignora, invece, rischia di diventare come chi nel 2005 diceva: “Io le email non le uso, preferisco il fax”. Tenero, sì. Strategico, no.

Il problema non è tecnologico: è etico, giuridico e organizzativo

Ed eccoci al punto di Cantelmi: la domanda non è più “cosa può fare l’AI?”. La domanda è “chi risponde quando l’AI sbaglia?”. E soprattutto: “chi decide quando l’AI ha ragione ma il paziente non si sente ascoltato?”.

Il Comitato Nazionale per la Bioetica, con il parere del 31 marzo 2026 su relazione di cura, consenso informato e responsabilità nell’era dell’AI, ha colto il nodo: l’ingresso dell’intelligenza artificiale nella relazione clinica non è una semplice innovazione strumentale. Modifica le dinamiche della decisione, il ruolo del medico e le aspettative del paziente.

Il CNB richiama principi come dignità, autodeterminazione, equità, responsabilità e tutela della vulnerabilità, integrandoli con criteri come trasparenza, controllo umano e responsabilità distribuita. Parole importanti. Ma ora serve il passaggio più difficile: portarle fuori dai documenti e dentro gli ambulatori.

Anche l’Unione Europea si sta muovendo. La pagina della Commissione Europea sull’AI in sanità ricorda che l’AI Act è entrato in vigore il 1 agosto 2024 e che i sistemi ad alto rischio, inclusi molti software AI destinati a scopi medici, devono rispettare requisiti su gestione del rischio, qualità dei dati, trasparenza, informazione agli utenti e supervisione umana.

Il punto è magnificamente semplice e brutalmente difficile: un sistema sanitario non diventa etico perché compra software certificati. Diventa etico se sa quando usarli, quando fermarli, quando spiegarli e quando assumersi la responsabilità di una decisione.

Altrimenti l’AI diventa il nuovo scaricabarile perfetto: il medico dice “lo suggeriva il sistema”, l’azienda dice “il sistema era conforme”, l’ospedale dice “abbiamo seguito la procedura”, e il paziente resta con il danno e una pila di PDF.

Dal Manifesto “Singolarità tecnologica verso malattia zero” alla realtà dei reparti

Al convegno romano è stato presentato il Manifesto Singolarità tecnologica verso malattia zero, elaborato dall’Istituto di terapia cognitivo-interpersonale con la direzione scientifica della ASL Rieti. Il documento ruota attorno a quattro pilastri: intelligenza artificiale, nanotecnologia, medicina di popolazione e dimensione etica.

L’ambizione è forte: usare predizione, personalizzazione delle cure, rigenerazione biologica, dati di popolazione e attenzione alla persona per avvicinare una medicina più preventiva e meno riparativa. “Malattia zero” suona utopico. E va bene: le utopie servono, purché non diventino brochure.

La provocazione utile è questa: se vogliamo davvero una sanità predittiva, dobbiamo decidere chi possiede i dati, chi li interpreta, chi controlla gli algoritmi, chi garantisce l’equità e chi tutela chi ha meno voce. Perché una medicina predittiva può prevenire malattie. Ma può anche prevedere il tuo rischio, aumentarti il premio assicurativo, negarti un percorso, classificarti prima ancora che tu parli.

La medicina di popolazione è straordinaria quando riduce disuguaglianze. Diventa pericolosa quando trasforma le persone in segmenti statistici. La nanotecnologia è affascinante quando cura. Diventa inquietante quando promette immortalità a pagamento. L’AI è potente quando aiuta il clinico. Diventa pericolosa quando sostituisce il giudizio con l’automatismo.

“Specialisti in umanità”: non poesia, ma competenza professionale

La formula “specialisti in umanità” può sembrare retorica. In realtà è una bomba. Perché sposta il valore del medico dal monopolio dell’informazione alla qualità della relazione, dalla memoria enciclopedica alla responsabilità, dalla prestazione tecnica alla cura come incontro.

Nel mondo pre-AI, il medico era anche un custode dell’accesso alla conoscenza. Il paziente non sapeva, il medico sapeva. Oggi il paziente arriva con sintomi cercati online, referti caricati su app, risposte generate da chatbot, ipotesi diagnostiche, ansie moltiplicate. La relazione non è più “io so, tu ascolti”. È “io ti aiuto a capire che cosa fare con tutto quello che credi di sapere”.

Questo cambia la formazione. Servono medici capaci di leggere uno score algoritmico, ma anche di spiegare l’incertezza. Capaci di usare un modello predittivo, ma anche di riconoscere quando quel modello non rappresenta il corpo, la storia, il contesto sociale e la fragilità di quella persona.

Uno studio pubblicato su JAMA Network Open nel 2025 ha indagato la percezione pubblica dei medici che dichiarano di usare AI per finalità amministrative, diagnostiche o terapeutiche. Il risultato è interessante: la comunicazione sull’uso dell’AI influenza fiducia, percezione di competenza, empatia e disponibilità a prendere appuntamento. Non basta usare l’AI. Bisogna saperla raccontare.

Questo è un punto enorme per la sanità italiana. Possiamo avere il miglior algoritmo del mondo, ma se il paziente percepisce di essere stato “processato” e non curato, la fiducia salta. E senza fiducia la medicina diventa call center biologico.

Salute mentale: il posto dove l’AI mostra insieme potenza e limite

La salute mentale è il laboratorio più delicato. I chatbot terapeutici e gli agenti conversazionali promettono accesso continuo, costi bassi, supporto immediato. E qualcosa funziona. Una revisione sistematica su npj Digital Medicine ha identificato 35 studi, includendo 15 trial randomizzati nella meta-analisi: gli agenti conversazionali basati su AI hanno ridotto in modo significativo sintomi depressivi e distress psicologico, pur senza migliorare in modo significativo il benessere psicologico generale.

Quindi sì: l’AI può aiutare. Può offrire primo ascolto, psicoeducazione, monitoraggio, esercizi, continuità. Ma proprio qui emerge il limite: la relazione terapeutica non è solo scambio di frasi corrette. È contesto, silenzio, corpo, ambivalenza, transfert, responsabilità clinica, rischio, alleanza.

Stanford HAI ha segnalato nel 2025 i rischi dei chatbot usati in salute mentale: possibili bias, risposte pericolose, stigma e incapacità di gestire situazioni vulnerabili con la prudenza richiesta da un professionista. Non è moralismo anti-tecnologico. È igiene mentale digitale.

La provocazione è inevitabile: se milioni di persone parlano con un chatbot perché il sistema sanitario non offre ascolto, il problema è il chatbot o il sistema sanitario? L’AI sta riempiendo un vuoto. Ma non tutto ciò che riempie un vuoto cura. A volte anestetizza. A volte trattiene. A volte peggiora.

Tre illusioni da smontare subito

1. L’illusione tecnofila: “Se è più accurata, allora è meglio”

No. L’accuratezza è decisiva, ma non basta. Una diagnosi corretta comunicata male può distruggere la fiducia. Un algoritmo preciso ma addestrato su dati sbilanciati può funzionare peggio su alcune popolazioni. Un sistema efficace in laboratorio può fallire nel reparto reale, dove mancano tempo, personale, integrazione, responsabilità chiare.

2. L’illusione corporativa: “Il medico non sarà mai sostituito”

Questa frase consola, ma non spiega. Alcuni compiti medici saranno sostituiti. Alcuni saranno automatizzati. Alcuni saranno ridisegnati. Alcune specialità cambieranno più rapidamente di altre. Dire “non succederà” è il modo migliore per farsi trovare impreparati quando succede.

3. L’illusione aziendale: “Mettiamo l’uomo al centro”

Quando un’organizzazione ripete troppo spesso che mette l’uomo al centro, conviene controllare dove ha messo il budget. Se taglia personale, aumenta carichi, compra piattaforme opache e chiama tutto “innovazione”, non ha messo l’uomo al centro. Ha messo l’uomo in coda, con ticket aperto.

Cosa dovrebbe fare ora la sanità italiana

Primo: alfabetizzazione AI obbligatoria per medici, infermieri, manager sanitari e comunicatori pubblici. Non serve trasformare tutti in ingegneri. Serve che chi prende decisioni capisca limiti, bias, validazione clinica, privacy, responsabilità e scenari d’uso.

Secondo: valutazione indipendente degli strumenti. Non possiamo lasciare che la prova di efficacia coincida con la slide del venditore. Ogni sistema AI in sanità dovrebbe essere valutato su accuratezza, impatto clinico, sicurezza, equità, spiegabilità operativa, integrazione nel flusso di lavoro e impatto sulla relazione di cura.

Terzo: consenso informato comprensibile. Se l’AI interviene in modo significativo in una diagnosi, in una decisione terapeutica o in una priorità di accesso, il paziente deve saperlo in modo chiaro. Non con sedici pagine di legalese. Con parole umane.

Quarto: audit continui. Un algoritmo non è un farmaco che resta identico dopo l’approvazione. Può cambiare, degradare, essere aggiornato, comportarsi diversamente in contesti diversi. Servono controlli nel tempo, non una benedizione iniziale.

Quinto: formazione alla relazione. Paradosso solo apparente: più cresce l’AI, più dovremmo insegnare ascolto, comunicazione del rischio, gestione della paura, etica della vulnerabilità, decisione condivisa. La macchina può aumentare la diagnosi. Ma non può assumersi il peso morale della cura.

Il medico non scompare, ma il medico mediocre sì

Dire che “il medico è già sostituibile dall’AI” è una provocazione utile se ci costringe a distinguere tra compiti e vocazione. Molti compiti saranno sostituiti. Molti processi saranno automatizzati. Molte sicurezze professionali verranno ridimensionate.Ma la cura non coincide con la prestazione. Curare significa anche decidere con qualcuno, non solo su qualcuno. Significa spiegare, attendere, scegliere, assumersi responsabilità, proteggere il fragile, dire “non lo so” senza scappare, usare la tecnologia senza inginocchiarsi alla tecnologia.Il medico del futuro non potrà più fondare la propria autorevolezza sul fatto di sapere più cose del paziente o del computer. Dovrà fondarla sulla capacità di integrare conoscenza, dati, giudizio, etica e relazione.Forse Cantelmi ha ragione: avremo bisogno di specialisti in umanità. Ma attenzione: non come decorazione poetica per convegni. Come competenza misurabile, insegnata, valutata, premiata. Perché se l’AI farà sempre meglio la parte calcolabile della medicina, all’umano resterà la parte più difficile. Non quella sentimentale. Quella responsabile.

E qui arriva l’ultima domanda, la più scomoda: siamo sicuri di avere formato abbastanza esseri umani per una sanità piena di macchine intelligenti?

La mia esperienza al Digital Neuro Hub di Biogen e SIN

Queste riflessioni non nascono solo da studi, paper e convegni. Nascono anche da un’esperienza concreta: la mia partecipazione al Digital Neuro Hub, il percorso di formazione sulla Digital Health promosso dalla Società Italiana di Neurologia (SIN) in partnership con Biogen. Un contesto prezioso perché porta il discorso sull’intelligenza artificiale fuori dalla retorica e dentro la pratica clinica: neurologia digitale, telemedicina, wearable, big data, intelligenza artificiale, nuovi modelli di presa in carico. Il punto che mi sono portato a casa è semplice: la sanità digitale non è più un capitolo futuribile, è già una competenza professionale. E la neurologia, forse più di altre discipline, mostra bene la posta in gioco: usare i dati per anticipare, monitorare e personalizzare le cure, senza ridurre il paziente a una dashboard. Anche qui torna la stessa domanda: vogliamo tecnologie che liberano tempo per la relazione o tecnologie che trasformano la relazione in un residuo inefficiente?

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

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

Inviaci email

/0 Commenti/da

Speech AI per aziende: come organizzare un intervento sull’intelligenza artificiale che funziona davvero

, ,

Uno speech sull’intelligenza artificiale per la tua azienda può fare la differenza tra un convegno dimenticabile e un momento che cambia davvero il modo in cui le persone lavorano. Ma perché questo accada, non basta invitare “qualcuno che sa di AI”: serve una strategia, un format e un relatore che conosca la differenza tra parlare di tecnologia e parlare alle persone.

Se cerchi uno speech AI aziendale o uno speech AI per eventi aziendali, il punto non è stupire il pubblico con una demo, ma aiutare persone e manager a capire come usare l’intelligenza artificiale nel lavoro reale.”

Questo articolo è una guida pratica per chi organizza eventi formativi, convention aziendali, giornate di team building o momenti di aggiornamento professionale, e vuole affrontare il tema dell’intelligenza artificiale in modo utile, concreto e non banale.

Perché le aziende oggi hanno bisogno di uno speech sull’AI

L’intelligenza artificiale non è più un tema per soli tecnici. Nel 2026, ogni manager, ogni commerciale, ogni responsabile HR si trova ogni giorno a dover rispondere a domande che solo tre anni fa sembravano fantascienza: posso usare l’AI per scrivere email? come funziona ChatGPT? cosa cambierà nel mio lavoro? devo avere paura di essere sostituito?

Le aziende che non affrontano questi temi in modo esplicito e strutturato rischiano due cose: lasciare i propri collaboratori disorientati di fronte a strumenti che già esistono, oppure — all’opposto — creare aspettative irrealistiche alimentate da entusiasmi superficiali.

Uno speech sull’AI ben costruito serve a fare chiarezza. Non a vendere hype, non a spaventare, ma a costruire consapevolezza operativa: cosa può fare l’AI oggi, cosa non può fare, come si usa, quali rischi comporta, come cambia i processi lavorativi concreti.

Cosa distingue uno speech AI efficace da uno generico

La maggior parte degli interventi sull’intelligenza artificiale che si vedono nelle convention aziendali soffre dello stesso problema: parlano di AI in astratto. Citano statistiche globali, mostrano demo impressionanti, promettono rivoluzioni imminenti. Il risultato? Il pubblico resta affascinato per quaranta minuti, poi torna alla scrivania esattamente come prima.

Uno speech AI davvero efficace per le aziende ha caratteristiche precise.

È tagliato sul settore specifico

Un’azienda manifatturiera ha bisogno di esempi dall’industria, non dal fintech. Un network di agenti immobiliari vuole capire come l’AI cambia la gestione dei lead, non come funziona un modello linguistico. Un’associazione di categoria di professionisti sanitari ha domande molto diverse da quelle di un’impresa di logistica.

Un buon speech AI non è un contenuto generico riadattato: è un intervento costruito sul contesto, sui processi e sulle domande reali di quella specifica platea.

Parte dai problemi concreti, non dalla tecnologia

Il punto di partenza non è “questa è l’AI generativa, funziona così”. Il punto di partenza è: “quali sono le tre attività che vi rubano più tempo ogni giorno? Ecco come l’AI può aiutarvi in ognuna di esse.”

Questo approccio, che si potrebbe chiamare problema-first, fa sentire le persone capite, non ammaestrate. E rende i contenuti immediatamente spendibili.

Mostra, non racconta

Le demo live sono il momento in cui un pubblico passa dalla curiosità passiva all’interesse attivo. Vedere in tempo reale come un modello AI risponde a una domanda specifica del settore, come analizza un documento, come genera una bozza di preventivo o come riassume una riunione di tre ore in cinque punti: questo rimane.

Ovviamente le demo vanno preparate con cura: un errore live può essere uno spunto utile (dimostra i limiti dell’AI) oppure un momento di confusione che distrae. La differenza la fa la preparazione e l’esperienza del relatore.

Non ignora le paure

In ogni platea aziendale, quando si parla di AI, c’è sempre qualcuno che si chiede: perderò il lavoro? Ignorare questa domanda — o liquidarla con ottimismo di facciata — è un errore. Un buon speech affronta il tema con onestà: sì, alcuni ruoli cambieranno, no, l’AI non sostituisce le persone che sanno usarla, e il momento per iniziare a capire come usarla è adesso.

I format più efficaci per uno speech AI aziendale

Non esiste un unico format giusto. La scelta dipende dagli obiettivi dell’evento, dalla durata disponibile e dalla composizione del pubblico.

Keynote di apertura (30-45 minuti)

Ideale per convention annuali o eventi di lancio. Serve a dare una visione d’insieme, stimolare la curiosità, creare un senso condiviso di dove sta andando il mercato. Non approfondisce troppo, ma apre la mente e crea il terreno per le attività successive.

Workshop operativo (90-180 minuti)

Formato più intenso, con esercitazioni pratiche. I partecipanti usano strumenti AI direttamente, anche solo con i loro smartphone. Si esce con qualcosa di concreto: un prompt scritto, un processo semplificato, una lista di strumenti da esplorare. Funziona bene per team piccoli o medi, con un massimo di 20-30 persone per poter gestire le interazioni.

Sessione Q&A guidata (60 minuti)

Format meno strutturato, ad alto coinvolgimento. Il relatore parte da domande reali del pubblico — raccolte in anticipo o in tempo reale — e costruisce l’intervento su quelle. Molto efficace quando il pubblico è già mediamente informato e vuole approfondire aspetti specifici, non ricevere un’introduzione dall’inizio.

Percorso formativo multi-sessione

Quando l’obiettivo non è sensibilizzare ma formare, la soluzione è un programma strutturato in più incontri: un modulo introduttivo, poi sessioni verticali su aree specifiche (marketing, customer service, operations, HR), poi follow-up per valutare l’adozione. Questo è il format che produce il cambiamento più duraturo, ma richiede un investimento di tempo e pianificazione maggiore.

Come preparare un brief efficace per un relatore AI

Chi organizza l’evento e chi interviene devono lavorare insieme molto prima del giorno dell’evento. Un brief mal fatto produce uno speech generico; un brief dettagliato produce un intervento che la gente ricorda.

Ecco le domande che ogni azienda dovrebbe saper rispondere prima di ingaggiare un relatore su AI:

  • Chi è il pubblico? Età media, ruolo in azienda, livello di familiarità con la tecnologia, settore di riferimento.
  • Qual è l’obiettivo principale dell’evento? Informare, motivare, formare, cambiare un comportamento specifico?
  • Quali paure o resistenze esistono già? È meglio che il relatore lo sappia in anticipo.
  • Ci sono strumenti AI già adottati in azienda? Lo speech può partire da lì, amplificando qualcosa di familiare.
  • Cosa non deve essere detto? Ci sono temi sensibili, processi in corso di ristrutturazione, notizie non ancora comunicabili?
  • Qual è il tono dell’evento? Istituzionale, informale, energetico, riflessivo?

Un relatore esperto fa queste domande. Se non le fa, è un segnale.

Gli errori più comuni nell’organizzare uno speech AI per aziende

Scegliere il relatore in base alla notorietà, non alla competenza specifica

Essere famosi sui social per contenuti sull’AI non significa saper costruire uno speech utile per un’azienda manifatturiera con 200 dipendenti. La notorietà è un proxy imperfetto. Quello che conta è la capacità di adattare il messaggio al contesto, di gestire un pubblico eterogeneo, di non perdere credibilità davanti a domande difficili.

Non coinvolgere il relatore nella progettazione dell’evento

Lo speech AI non è un contenuto preconfezionato che si cala dall’esterno su qualsiasi evento. È una componente di un sistema più ampio. Se il relatore non sa cosa succede prima e dopo il suo intervento, non può costruire qualcosa di coerente con il filo conduttore dell’evento.

Valutare il successo solo sull’applauso finale

Un intervento può essere molto applaudito e non produrre nessun cambiamento concreto. L’applauso misura l’intrattenimento, non l’impatto. Per valutare un intervento formativo sull’AI, bisogna misurare: quante persone hanno provato almeno uno strumento nei 7 giorni successivi? Quante domande ha generato? Quali comportamenti sono cambiati?

Ignorare il follow-up

Il cambiamento non avviene durante lo speech. Avviene nei giorni successivi, quando qualcuno prova uno strumento nuovo, condivide un’osservazione con un collega, propone un piccolo miglioramento di processo. Un intervento senza follow-up — anche solo una mail riassuntiva, una lista di risorse, una sessione di Q&A a distanza di due settimane — perde la maggior parte del suo impatto potenziale.

Come scegliere il relatore giusto per uno speech AI aziendale

Non tutti i profili sono uguali. Esistono sostanzialmente tre tipi di relatori sull’AI che le aziende incontrano:

Il tecnico: conosce la tecnologia in profondità, sa spiegare come funziona un transformer, conosce le differenze tra i vari modelli. Utile per pubblici tecnici, rischia però di perdere chiunque non abbia un background informatico.

L’influencer: ha seguito, produce contenuti accattivanti, sa come tenere alta l’attenzione. Rischia però la superficialità e la scarsa adattabilità ai contesti aziendali specifici.

Il divulgatore-formatore: conosce la tecnologia, ma la sua competenza principale è tradurla in linguaggio operativo per chi non è tecnico. Sa costruire esempi concreti per settori diversi, gestisce le obiezioni, conosce i limiti dell’AI tanto quanto le sue possibilità. È il profilo più utile per la maggior parte delle aziende.

La differenza si vede chiaramente nella fase di brief: il divulgatore-formatore fa molte domande sul pubblico e sul contesto; l’influencer chiede il numero di partecipanti e la durata dello slot.

Domande frequenti sugli speech AI per aziende

Quanto dura mediamente uno speech AI per un evento aziendale?
La durata ottimale per un keynote è tra i 40 e i 60 minuti, con 15-20 minuti di Q&A. Per un workshop operativo si va da 90 minuti a una mezza giornata. Dipende molto dagli obiettivi e dalla disponibilità del pubblico.

Serve una connessione internet per le demo live?
Sì, nella maggior parte dei casi le demo utilizzano strumenti cloud (ChatGPT, Claude, Gemini, Copilot). È fondamentale verificare in anticipo la qualità della connessione nella sala evento e avere un piano B (screenshot, video pre-registrati) per le situazioni critiche.

Uno speech AI può essere personalizzato per un settore specifico?
Non solo può: deve. Uno speech generico sull’AI produce risultati generici. La personalizzazione settoriale è il fattore che trasforma un intervento interessante in un intervento utile.

Come si misura il ROI di uno speech AI aziendale?
Gli indicatori più utili sono: percentuale di partecipanti che ha provato almeno uno strumento AI nei 30 giorni successivi, numero di domande generate nell’azienda dopo l’evento, tempo risparmiato su attività specifiche grazie all’adozione di strumenti suggeriti, NPS interno dell’evento.

È possibile integrare lo speech con un percorso formativo successivo?
Assolutamente sì. Lo speech funziona meglio come attivatore iniziale di un percorso più lungo, non come evento isolato. La combinazione più efficace è: keynote di sensibilizzazione → workshop operativo per team → follow-up individuale o di gruppo a distanza di 30-60 giorni.

Il mio approccio agli speech AI per aziende

Dal 2016 mi occupo di intelligenza artificiale e di come le organizzazioni possono usarla in modo concreto e responsabile. Ho tenuto interventi per aziende di ogni dimensione — dalla PMI familiare alla multinazionale — in settori diversi: industria manifatturiera, distribuzione, retail, servizi, sanità, pubblica amministrazione, terzo settore.

Quello che ho imparato in questi anni è che il problema non è quasi mai la tecnologia. Il problema è la distanza tra chi conosce gli strumenti e chi deve usarli ogni giorno. Il mio lavoro è ridurre quella distanza.

Ogni speech che costruisco parte da una lunga fase di ascolto: capire chi sono le persone in sala, quali domande hanno, quali paure, quali aspettative. Solo dopo costruisco i contenuti. Il risultato non è mai uguale due volte.

Se stai organizzando un evento aziendale e vuoi affrontare il tema dell’intelligenza artificiale in modo serio, pratico e adatto al tuo contesto, contattami: valutiamo insieme il format più adatto.

/0 Commenti/da

Come creare un second brain personale con il metodo LLM Wiki (e con Obsidian)

, , ,

Le app per prendere appunti promettono da anni una cosa affascinante: non perdere più nulla. Articoli salvati, note vocali, riunioni, riflessioni, libri, link, idee sparse. Tutto dovrebbe diventare memoria personale. Il problema è che, nella pratica, il second brain spesso diventa un deposito: pieno, ma poco vivo.

Il metodo LLM Wiki, proposto da Andrej Karpathy e ripreso da Agenda Digitale come possibile modello per la memoria d’impresa, cambia il punto di vista: non usare l’AI solo per “cercare” dentro i documenti, ma per costruire e mantenere nel tempo una wiki personale strutturata. Non una chat con file allegati, non una cartella piena di note, non un sistema RAG che ricostruisce la risposta ogni volta. Una memoria che si accumula.

L’idea centrale è semplice: le fonti grezze restano intatte, mentre un LLM legge, sintetizza, collega, aggiorna e segnala contraddizioni dentro una wiki in Markdown. In questo modo la conoscenza non viene riscoperta da zero a ogni domanda, ma diventa un artefatto persistente, navigabile e migliorabile nel tempo. È il passaggio dalla ricerca assistita alla memoria organizzata.

Perché i second brain personali falliscono

Molti second brain personali falliscono per lo stesso motivo delle wiki aziendali: la manutenzione costa troppo.

All’inizio si salvano articoli, si evidenziano libri, si scrivono note brillanti. Poi arrivano nuovi input, vecchie note diventano obsolete, i collegamenti non vengono aggiornati, alcune idee si duplicano, altre restano sepolte. Dopo qualche mese il sistema contiene informazioni utili, ma non ci si fida più della sua attualità.

Il problema non è prendere appunti. Il problema è tenere viva la struttura.

Secondo il pattern LLM Wiki, è proprio qui che l’AI può essere utile: non come oracolo, ma come bibliotecario operativo. La persona sceglie cosa entra, decide le domande importanti, verifica le conclusioni. Il modello fa il lavoro ripetitivo: riassume, collega, aggiorna indici, trova incongruenze, propone nuove pagine.

Se vuoi approfondire il tema della produttività con l’intelligenza artificiale, ho raccolto molte risorse utili sul mio sito.

L’architettura di un second brain LLM Wiki

Un second brain personale costruito con questo metodo ha tre livelli.

Il primo livello sono le fonti grezze. Qui finiscono articoli, PDF, libri annotati, trascrizioni, appunti vocali, email importanti, esportazioni da Readwise, note di meeting, pagine web salvate, documenti personali. Queste fonti non vengono modificate: sono la base verificabile.

Il secondo livello è la wiki personale. È una cartella di file Markdown generati e aggiornati dall’LLM. Può contenere pagine su persone, progetti, obiettivi, competenze, temi ricorrenti, libri, decisioni, domande aperte, salute, finanze, lavoro, creatività. La wiki non è solo un archivio: è una rete di concetti.

Il terzo livello è lo schema operativo. È il documento che dice all’AI come comportarsi: come nominare i file, quali sezioni usare, quando creare una nuova pagina, come citare le fonti, come aggiornare l’indice, come segnalare dubbi e contraddizioni. In strumenti come Codex può essere un file AGENTS.md; in altri ambienti può essere un documento equivalente.

Questa struttura riprende il modello descritto da Karpathy nel suo gist “LLM Wiki”, dove il sistema è pensato proprio come una base di conoscenza personale costruita e mantenuta da un LLM, con Obsidian come ambiente di navigazione e la wiki come artefatto persistente.

Le tre operazioni fondamentali

Il metodo funziona attraverso tre operazioni: ingestione, interrogazione e manutenzione.

1. Ingestione

Quando aggiungi una nuova fonte, non la butti semplicemente in archivio. Chiedi all’LLM di lavorarla.

Per esempio: salvi un articolo sulla gestione dell’attenzione. Il modello lo legge, crea una sintesi, aggiorna la pagina “attenzione”, collega il tema a “lavoro profondo”, “notifiche”, “energia mentale”, “routine mattutina”, segnala eventuali idee nuove e registra l’operazione nel log.

Una singola fonte può toccare molte pagine. Questo è il punto: la conoscenza nuova non rimane isolata.

2. Interrogazione

Quando fai una domanda, l’LLM non parte dai documenti grezzi come in un normale sistema RAG. Prima legge l’indice, poi consulta le pagine già organizzate della wiki.

Puoi chiedere:

  • “Quali sono i miei pattern ricorrenti quando procrastino?”
  • “Che cosa ho imparato negli ultimi sei mesi sul lavoro autonomo?”
  • “Quali idee ho raccolto per il mio prossimo libro?”
  • “Quali decisioni importanti ho preso sul progetto X e perché?”
  • “Quali autori influenzano di più il mio pensiero sulla produttività?”

Le risposte migliori possono diventare nuove pagine della wiki. Una buona domanda non resta intrappolata nella cronologia della chat: entra nella memoria.

3. Manutenzione

Periodicamente chiedi all’LLM di fare un controllo di salute della wiki.

Deve cercare pagine orfane, link mancanti, concetti citati ma non sviluppati, affermazioni superate, duplicati, contraddizioni, aree poco documentate. Questo controllo, chiamato “lint” da Karpathy, è ciò che impedisce al second brain di marcire lentamente.

Agenda Digitale sottolinea proprio questo punto: il valore non sta solo nel recuperare informazioni, ma nel mantenere una memoria strutturata, verificabile e navigabile.

Una possibile struttura pratica

Per iniziare, basta una cartella locale, idealmente leggibile da Obsidian:

second-brain/
  raw/
    articles/
    books/
    transcripts/
    notes/
    assets/
  wiki/
    index.md
    log.md
    overview.md
    people/
    projects/
    concepts/
    decisions/
    sources/
    questions/
  AGENTS.md

raw/ contiene le fonti originali. wiki/ contiene la memoria elaborata. index.md è la mappa della wiki: ogni pagina con una breve descrizione. log.md è il registro cronologico: cosa è stato aggiunto, aggiornato, corretto. AGENTS.md è il manuale operativo dell’LLM.

La regola d’oro è questa: le fonti sono verità, la wiki è interpretazione verificabile. Ogni affermazione importante deve rimandare a una fonte.

Come farlo in pratica: costruire il tuo LLM Wiki con Claude e Obsidian

La teoria è chiara. Ma da dove si inizia concretamente? Antonio Guadagno ha mostrato in un video su YouTube — “Ho creato un Second Brain (LLM Wiki) in 15 minuti con Claude + Obsidian (metodo Karpathy)” — come costruire l’intero sistema partendo da zero, in meno di un quarto d’ora. Quello che segue è un percorso passo-passo ispirato a quel flusso di lavoro.

Cosa ti serve prima di iniziare

Prima di toccare qualsiasi file, hai bisogno di tre cose: Obsidian (gratuito, scaricabile da obsidian.md), un account Claude con accesso a Claude Code, e una cartella locale sul tuo computer dove vivranno tutti i file del sistema. Nient’altro.

Non serve essere sviluppatori. Non serve conoscere la sintassi Markdown in modo avanzato. Serve capire la struttura.

Passo 1 – Crea la struttura di cartelle

Apri il terminale o il tuo file manager e crea questa struttura:

second-brain/
├── raw/
│   ├── articles/
│   ├── books/
│   ├── transcripts/
│   └── notes/
├── wiki/
│   ├── index.md
│   ├── log.md
│   └── overview.md
├── output/
└── AGENTS.md

La cartella raw/ è il tuo archivio grezzo: ci finiscono articoli copiati, PDF convertiti in testo, trascrizioni, appunti. Non si modifica mai direttamente.

La cartella wiki/ è il cuore del sistema: qui il modello crea e aggiorna le pagine in Markdown. Obsidian servirà esattamente per navigare questa cartella.

La cartella output/ raccoglie i risultati delle interrogazioni e delle sessioni di lavoro: sintesi periodiche, risposte a domande importanti, report mensili.

AGENTS.md è il documento più importante: è il manuale operativo che dice al modello come comportarsi.

Passo 2 – Scrivi il file AGENTS.md

Questo file è la chiave del metodo. Senza di esso, ogni sessione con il modello reinizia da zero. Con un buon AGENTS.md, l’AI conosce le regole del gioco ogni volta che apri una conversazione.

Ecco un esempio di struttura minimale:

# AGENTS.md – Istruzioni operative

## Ruolo
Sei il bibliotecario della mia wiki personale. Leggi, sintetizzi, colleghi e aggiorni le pagine in base alle fonti che ti fornisco.

## Regole
- Le fonti nella cartella raw/ non si modificano mai.
- Ogni affermazione importante nella wiki deve riportare il riferimento alla fonte.
- I file della wiki usano il formato: YYYY-MM-DD come data di aggiornamento nell'header.
- Ogni pagina deve avere uno stato: draft | reviewed | stable | stale.
- Prima di creare una nuova pagina, controlla se esiste già una pagina correlata e valuta se aggiornare quella.

## Struttura di ogni pagina wiki
- Titolo e stato
- Sintesi (3-5 righe)
- Concetti chiave
- Connessioni ad altre pagine
- Fonti
- Data ultimo aggiornamento

## Indice
Dopo ogni sessione, aggiorna index.md con l'elenco delle pagine modificate o create.

## Log
Registra ogni operazione in log.md con: data, fonte elaborata, pagine create o aggiornate.

Puoi personalizzarlo quanto vuoi. Più è preciso, più il modello lavora in modo coerente nel tempo.

Passo 3 – Apri la vault in Obsidian

Apri Obsidian, clicca su “Apri cartella come vault” e seleziona la tua cartella second-brain/. Da questo momento puoi navigare tutti i file Markdown, vedere i collegamenti tra le pagine, usare la graph view per visualizzare la rete concettuale che si forma.

Obsidian non scrive nulla: è solo il tuo browser per la wiki. Ma è fondamentale, perché trasforma una cartella di file di testo in qualcosa che si può effettivamente esplorare e leggere.

Passo 4 – Prima ingestione

Scegli una fonte semplice per iniziare. Un articolo, un capitolo di un libro, una trascrizione di un podcast. Copiala in raw/articles/ come file di testo.

Ora apri Claude Code, assicurati che possa leggere la tua cartella second-brain/, e dai questo prompt:

Leggi il file AGENTS.md per capire le regole operative.
Poi leggi la fonte in raw/articles/[nome-file].
Crea o aggiorna le pagine wiki rilevanti seguendo le istruzioni.
Aggiorna index.md e log.md.

Guarda cosa succede. Il modello legge la fonte, identifica i concetti principali, crea una o più pagine nella cartella wiki/, aggiorna l’indice e scrive nel log. In Obsidian, aggiorna la vista e vedrai le nuove pagine apparire.

Passo 5 – Prima interrogazione

Dopo aver ingerito due o tre fonti, prova a fare una domanda alla wiki. Non ai documenti grezzi: alla wiki.

Leggi index.md e le pagine della cartella wiki/.
Poi rispondimi: quali sono i temi ricorrenti nelle ultime fonti che ho elaborato?

Questo è il momento in cui il metodo comincia a mostrare il suo valore. Il modello non rilegge le fonti originali da capo: attinge alla struttura già costruita. Le risposte sono più veloci, più contestualizzate, meno soggette ad allucinazioni perché le pagine wiki hanno già citato le fonti di riferimento.

Passo 6 – Manutenzione periodica

Una volta a settimana, dedica venti minuti a questo prompt:

Leggi l'intera cartella wiki/, index.md e log.md.
Segnalami:
- Pagine con stato "stale" o non aggiornate da più di 30 giorni
- Concetti citati in più pagine ma senza una pagina dedicata
- Contraddizioni o affermazioni in conflitto tra pagine diverse
- Pagine orfane senza collegamenti
Proponi un piano di aggiornamento prima di modificare qualsiasi cosa.

Questo passaggio è il “lint” descritto da Karpathy. È ciò che separa una wiki viva da un archivio che marcisce lentamente.

Quanto tempo ci vuole davvero?

Il setup iniziale — creare le cartelle, scrivere un AGENTS.md di base, aprire la vault in Obsidian — richiede meno di venti minuti. Come mostra Antonio Guadagno nel suo video, il sistema diventa operativo in una singola sessione.

Il valore non nasce però in quei venti minuti. Nasce nelle settimane successive, quando ogni nuova fonte che ingerisci arricchisce una rete di concetti già esistente. Quando una domanda che fai oggi trova risposta in qualcosa che hai letto tre mesi fa. Quando il modello segnala che due idee che sembravano separate si contraddicono.

Il secondo brain non è uno strumento: è un’abitudine.

Cosa mettere nel second brain

Il metodo funziona bene quando il dominio è abbastanza circoscritto. Non conviene partire con “tutta la mia vita digitale”. Meglio scegliere un’area ad alto valore:

  • apprendimento professionale
  • ricerca per un libro o corso
  • memoria dei progetti
  • journaling e auto-osservazione
  • decisioni importanti
  • salute e abitudini
  • rete di contatti
  • letture e podcast
  • idee imprenditoriali
  • finanza personale

Un buon punto di partenza è scegliere un solo dominio per sei-otto settimane. Per esempio: “tutto ciò che riguarda il mio lavoro, i miei progetti e le mie decisioni professionali”.

Il ruolo umano resta centrale

Il rischio più grande è credere che il modello “sappia”. Non sa: elabora, collega, propone. La responsabilità resta tua.

Tu decidi quali fonti meritano di entrare. Tu controlli se una sintesi è corretta. Tu stabilisci cosa è importante. Tu fai le domande difficili. L’LLM riduce il costo della manutenzione, ma non sostituisce il giudizio.

Per questo ogni pagina critica dovrebbe avere uno stato esplicito: draft, reviewed, stable, stale. Così la wiki non finge una certezza che non ha.

Per approfondire il tema dell’uso consapevole dell’AI, leggi anche il mio articolo su come usare ChatGPT in modo efficace.

Perché è diverso da una normale app di note

Una normale app di note conserva ciò che scrivi. Una LLM Wiki conserva anche ciò che emerge tra le note.

La differenza è enorme. Se leggi cinque articoli su burnout, lavoro profondo, sonno, gestione delle notifiche e creatività, una cartella tradizionale contiene cinque note. Una LLM Wiki dovrebbe produrre anche una pagina “Energia mentale”, collegarla alle altre, estrarre pattern, segnalare tensioni e aggiornare una sintesi più ampia sul tuo modo di lavorare.

Il valore non nasce dalla singola nota. Nasce dai collegamenti.

I rischi da evitare

Il primo rischio è l’allucinazione: il modello può introdurre affermazioni non presenti nelle fonti. Soluzione: citazioni esplicite e revisione umana.

Il secondo è l’obsolescenza: una pagina può sembrare autorevole ma essere vecchia. Soluzione: stato della pagina, data di aggiornamento e controlli periodici.

Il terzo è l’eccesso di accumulo. Se salvi tutto, il sistema diventa rumoroso. Soluzione: ingestione selettiva.

Il quarto è la privacy. Un second brain personale può contenere dati sensibili: salute, finanze, relazioni, lavoro, clienti. Bisogna scegliere strumenti e modelli coerenti con il livello di riservatezza richiesto.

Un workflow settimanale semplice

Ogni giorno salvi solo le fonti davvero utili.

Due o tre volte a settimana chiedi all’LLM di ingerire una fonte alla volta.

Una volta a settimana fai una sessione di manutenzione: controlla la wiki, trova pagine stale, concetti senza pagina, contraddizioni, collegamenti mancanti e domande importanti emerse dalle ultime fonti. Proponi un piano di aggiornamento prima di modificare.

Una volta al mese chiedi una sintesi strategica: leggi index.md, log.md e le pagine aggiornate quel mese. Quali pattern stanno emergendo? Quali decisioni dovresti prendere? Quali aree della tua conoscenza sono deboli o contraddittorie?

Questo trasforma il second brain da archivio a interlocutore.

/0 Commenti/da