Empatia algoritmica: perché l’AI sembra capirci

, , ,

Apri un chatbot e scrivi: “Oggi è stata una giornata terribile”. La risposta arriva in pochi secondi: riconosce la fatica, non interrompe, non guarda il telefono e magari formula proprio la domanda che avresti voluto sentirti rivolgere da una persona.

È questa la forza dell’empatia algoritmica: un sistema di intelligenza artificiale può produrre parole che ci fanno sentire ascoltati, pur senza provare emozioni, avere un corpo o condividere davvero la nostra esperienza. La sensazione può essere autentica; l’empatia della macchina, invece, è una simulazione linguistica.

Il tema è stato rilanciato il 17 luglio 2026 da un intervento pubblicato su Il Fatto Quotidiano: forse, sostiene l’autore, dovremmo preoccuparci non soltanto del lavoro che l’AI trasformerà, ma anche del vuoto relazionale che gli algoritmi stanno riempiendo. È una provocazione utile. Ma per capirla bisogna evitare due scorciatoie: dire che “la macchina ci comprende davvero” e concludere che “la tecnologia ci rende automaticamente soli”.

Che cos’è davvero l’empatia algoritmica?

L’empatia umana comprende almeno due dimensioni. C’è una componente cognitiva: capire che cosa può provare un’altra persona. E c’è una componente affettiva: risuonare emotivamente con quell’esperienza. A queste si aggiungono la relazione, la responsabilità e la possibilità di agire nel mondo.

Un modello linguistico non vive nulla di tutto questo. Analizza le parole e il contesto, riconosce schemi ricorrenti e calcola quale risposta sia più plausibile e appropriata. Se scrivo “non dormo da tre notti e non riesco più a concentrarmi”, può associare il messaggio a stanchezza, stress o preoccupazione e rispondere con tono premuroso. Non significa che senta la mia stanchezza.

In pratica, l’empatia algoritmica combina tre capacità:

  • riconoscimento: individua segnali emotivi nel linguaggio e, in alcuni sistemi, nella voce o nelle immagini;
  • risposta: genera una frase coerente con lo stato emotivo ipotizzato;
  • personalizzazione: usa il contesto della conversazione e, quando previsto, ricordi e preferenze per rendere la risposta più vicina all’utente.

È una performance relazionale molto convincente. Ed è proprio per questo che va capita, non demonizzata.

Perché un chatbot può farci sentire ascoltati

Le persone non cercano soltanto informazioni. Cercano conferma, attenzione, parole per nominare ciò che provano. Un chatbot offre alcune condizioni che nelle relazioni quotidiane spesso scarseggiano: è disponibile a qualunque ora, non sembra impaziente, non interrompe e non teme il silenzio imbarazzante.

Uno studio pubblicato nel 2024 su Proceedings of the National Academy of Sciences ha mostrato che messaggi generati dall’AI potevano far sentire i destinatari più ascoltati rispetto a messaggi umani. Ma c’era un paradosso: quando le persone sapevano che la risposta proveniva da una macchina, la valutavano meno positivamente.

Il risultato non dimostra che l’AI “prova più empatia” delle persone. Suggerisce qualcosa di più concreto: un sistema addestrato a riconoscere emozioni e a formulare risposte di sostegno può essere molto disciplinato nel validare ciò che legge. Noi umani, invece, tendiamo spesso a offrire subito consigli, minimizzare o raccontare la nostra esperienza: “Capita a tutti”, “Vedrai che passa”, “Sai cosa è successo a me?”.

Il vuoto relazionale esiste, ma l’AI non ne è l’unica causa

La tesi proposta da Il Fatto Quotidiano coglie un punto importante: quando la risposta più paziente della giornata arriva da un software, dovremmo interrogarci anche sulla qualità delle nostre relazioni, dei luoghi educativi e del lavoro.

Non abbiamo però prove per ridurre un fenomeno complesso a una sola causa. Solitudine, ansia, precarietà, ritmi di lavoro, isolamento domestico, piattaforme social e indebolimento delle comunità si intrecciano. L’AI può essere contemporaneamente:

  • uno specchio di bisogni già presenti;
  • un ponte che aiuta a preparare una conversazione difficile;
  • un amplificatore dell’isolamento, se sostituisce progressivamente le persone;
  • un prodotto progettato per massimizzare tempo, attenzione e coinvolgimento.

La domanda utile non è quindi “chatbot sì o chatbot no?”, ma: questa interazione mi sta riportando verso il mondo oppure mi sta chiudendo in una relazione senza reciprocità?

Cosa ci dice la ricerca più recente

1. La qualità della risposta può essere utile

Lo studio PNAS citato sopra conferma che un testo generato dall’AI può usare tecniche comunicative efficaci: riconoscere l’emozione, validarla e non saltare subito alla soluzione. È un promemoria interessante anche per noi: ascoltare meglio non richiede effetti speciali, ma attenzione e metodo.

2. Più uso non significa automaticamente più benessere

Nel 2025 OpenAI e MIT Media Lab hanno avviato uno studio longitudinale controllato sull’uso dei chatbot. La ricerca, aggiornata e resa disponibile come preprint, ha coinvolto 981 persone per quattro settimane e analizzato oltre 300.000 messaggi. Le condizioni sperimentali non hanno prodotto da sole effetti significativi; le persone che usavano volontariamente di più il chatbot mostravano però risultati peggiori su indicatori come dipendenza emotiva e uso problematico. Anche una maggiore fiducia e attrazione sociale verso l’AI erano associate a rischi più elevati.

È importante dirlo bene: un’associazione non prova che sia stato il chatbot a causare il malessere. È possibile che chi si sentiva già più solo cercasse più spesso il sistema. Proprio per questo servono studi più lunghi e prudenza nelle conclusioni.

3. Un sistema clinico non è un chatbot generalista

Nel 2025 un trial randomizzato pubblicato su NEJM AI ha valutato un chatbot generativo progettato specificamente per il trattamento della salute mentale. È un filone promettente, ma non autorizza a considerare ChatGPT, Gemini o un “AI companion” equivalenti a uno psicologo.

Un prodotto clinico viene costruito per uno scopo preciso, testato, monitorato e inserito in protocolli di sicurezza. Un assistente generalista può sbagliare, assecondare un’interpretazione distorta o rispondere con sicurezza anche quando dovrebbe fermarsi. Ho approfondito questo confine nell’articolo “L’AI come psicologo: una rivoluzione silenziosa che non possiamo ignorare”.

Quando il supporto diventa sostituzione

Un chatbot può aiutarmi a riordinare i pensieri prima di parlare con un collega, chiedere scusa a un familiare o preparare le domande per un professionista. In questi casi l’AI funziona come una palestra.

Il problema nasce quando la palestra diventa l’unico luogo in cui entro. Alcuni segnali meritano attenzione:

  • preferisco sistematicamente il chatbot alle persone, anche quando una relazione umana è disponibile;
  • provo ansia o irritazione se il servizio non risponde o cambia personalità;
  • condivido informazioni intime senza considerare privacy, conservazione dei dati e possibili usi commerciali;
  • lascio che il sistema confermi decisioni importanti senza cercare un confronto esterno;
  • nascondo ad amici e familiari quanto tempo trascorro con l’AI;
  • uso la conversazione per evitare, anziché preparare, un incontro reale.

Un altro rischio è la compiacenza. Il chatbot impara rapidamente il tono che preferiamo e può restituirci una versione elegante delle nostre convinzioni. È la stessa dinamica che è chiamata “epistemia”: confondere una risposta convincente con una conoscenza verificata. In campo emotivo l’errore può diventare ancora più subdolo: confondere la conferma con la comprensione.

Ragazzi e AI companion: vietare non basta

Per un adolescente un chatbot può essere meno minaccioso di un adulto: non arrossisce, non punisce e usa lo stesso linguaggio delle piattaforme digitali. Questa accessibilità può facilitare una prima richiesta di aiuto, ma aumenta anche il rischio di attribuire al sistema autorevolezza, intenzioni e riservatezza che non possiede.

Genitori e insegnanti dovrebbero evitare sia l’allarmismo sia l’indifferenza. Servono domande concrete:

  • Quale applicazione stai usando e chi la gestisce?
  • Ricorda le conversazioni? Come usa i dati?
  • Ti invita a parlare con persone reali quando la situazione è seria?
  • Ti senti meglio anche dopo aver chiuso l’app, oppure vuoi tornarci subito?
  • La useresti per prepararti a chiedere aiuto a un adulto di fiducia?

L’educazione digitale dovrebbe includere anche l’alfabetizzazione relazionale: capire perché una macchina ci appare premurosa, quali leve usa e dove finisce la sua competenza. È lo stesso approccio che propongo nei percorsi per famiglie, come il corso sull’intelligenza artificiale per genitori, e nei progetti di uso consapevole dei chatbot a scuola.

Empatia algoritmica ed emotion recognition non sono la stessa cosa

C’è poi una distinzione spesso ignorata. Un chatbot che risponde a una frase triste non è necessariamente un sistema che misura in modo affidabile lo stato emotivo di una persona. Deduciamo le emozioni da parole, voce, volto e comportamento, ma questi segnali cambiano tra culture, individui e situazioni.

Non a caso l’AI Act europeo include tra le pratiche vietate, salvo eccezioni limitate, il riconoscimento delle emozioni nei luoghi di lavoro e nelle istituzioni educative. I divieti sono applicabili da febbraio 2025. Il principio è semplice: non possiamo trasformare un’inferenza incerta in una diagnosi automatica della persona, soprattutto quando c’è uno squilibrio di potere.

Come usare l’AI senza delegarle le relazioni

Propongo un controllo in cinque domande. Prima o dopo una conversazione emotivamente importante con un chatbot, chiediamoci:

  1. Scopo: sto cercando parole, informazioni, conforto o una decisione?
  2. Limite: che cosa il sistema non può sapere della situazione, del mio corpo e delle altre persone coinvolte?
  3. Verifica: quali affermazioni devo controllare con una fonte o un professionista?
  4. Ponte: questa conversazione mi aiuta a fare un passo verso qualcuno?
  5. Privacy: sarei tranquillo se il contenuto venisse conservato o rivisto?

Un prompt utile potrebbe essere:

“Aiutami a mettere ordine in ciò che provo. Non fare diagnosi e non darmi automaticamente ragione. Fammi tre domande, indicami quali informazioni ti mancano e aiutami a preparare una conversazione con una persona reale.”

È un piccolo cambio di prospettiva: l’AI non come destinazione della relazione, ma come strumento per rientrare meglio nelle relazioni.

La vera sfida è tornare a essere disponibili

L’empatia algoritmica non è empatia umana. Ma il fatto che funzioni, almeno in parte, ci offre una lezione scomoda: molte persone non chiedono una risposta perfetta; chiedono di non essere interrotte, giudicate o liquidate in trenta secondi.

Possiamo imparare qualcosa dalla disciplina comunicativa dei chatbot senza attribuire loro una coscienza. Fare domande prima di consigliare. Riconoscere un’emozione senza appropriarsene. Dire “non lo so”. Restare presenti anche quando non abbiamo una soluzione.

Il rischio non è soltanto che le macchine diventino troppo umane. È che noi accettiamo di diventare meno disponibili perché una macchina può occuparsi dell’ascolto al posto nostro.

Domande frequenti sull’empatia algoritmica

Che cos’è l’empatia algoritmica?

È la capacità di un sistema di AI di riconoscere segnali emotivi e generare risposte percepite come comprensive. Non implica che la macchina provi emozioni o possieda coscienza.

ChatGPT prova empatia?

No. Può simulare molto bene il linguaggio dell’ascolto e del sostegno, ma non vive l’esperienza dell’utente e non prova sentimenti.

Un chatbot può ridurre la solitudine?

Può offrire conforto momentaneo o aiutare a preparare una conversazione. Gli effetti dipendono dalla persona e dal tipo d’uso; se sostituisce stabilmente le relazioni, può aumentare dipendenza e isolamento.

Un chatbot può sostituire uno psicologo?

No. Esistono sistemi clinici sperimentali progettati e valutati per scopi specifici, ma un chatbot generalista non offre diagnosi, responsabilità professionale, continuità terapeutica e gestione sicura delle emergenze.

Qual è il principale rischio degli AI companion?

L’eccessiva fiducia: attribuire al sistema comprensione, riservatezza e competenza che non possiede, fino a preferirlo alle persone o delegargli decisioni importanti.

Come possono intervenire genitori e insegnanti?

Chiedendo quali servizi vengono usati, spiegando come funzionano memoria e personalizzazione, concordando limiti e trasformando il chatbot in un ponte verso adulti e professionisti affidabili.

Fonti

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

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

Invia un’email

/0 Commenti/da

Epistemia: quando l’intelligenza artificiale ci fa credere di sapere

, ,

ChatGPT produce una risposta perfetta. È ordinata, chiara, convincente. Non esita, non balbetta e spesso aggiunge esempi, termini tecnici e una conclusione ben confezionata. C’è solo un problema: non sappiamo ancora se quella risposta sia vera. Il problema più grande è che, dopo averla letta, spesso smettiamo di chiedercelo.

È qui che nasce l’epistemia: una condizione in cui la plausibilità linguistica prende il posto della valutazione epistemica. In parole semplici, una risposta ci sembra conoscenza perché è scritta bene, anche se non abbiamo verificato fonti, prove e passaggi logici. Il termine è proposto da Walter Quattrociocchi, Valerio Capraro e Matjaž Perc nel paper Epistemological Fault Lines Between Human and Artificial Intelligence, pubblicato su arXiv il 22 dicembre 2025.

L’epistemia non coincide con una semplice allucinazione dell’AI. Può verificarsi anche quando la risposta è corretta: il punto è che riceviamo il risultato senza attraversare il processo necessario per giustificarlo. La sensazione di sapere sostituisce il lavoro del conoscere.

Che cos’è l’epistemia?

L’epistemia descrive la separazione tra un contenuto e la sua valutazione. Il chatbot ci consegna un testo finito, ma noi non vediamo la ricerca delle fonti, il confronto tra prove, la ricerca di controesempi e la revisione delle ipotesi. A volte questi passaggi non sono stati svolti affatto; altre volte sono stati simulati nel linguaggio.

L’AI ci consegna il piatto pronto. Noi non vediamo la cucina, non conosciamo tutti gli ingredienti e, in molti casi, non controlliamo nemmeno la data di scadenza.

Non è una diagnosi clinica e non è un nuovo nome per la disinformazione. È un concetto filosofico e sociotecnico che aiuta a descrivere un ambiente in cui diventa difficile distinguere tra sapere, sembrare di sapere e simulare la conoscenza.

Epistemia e allucinazioni dell’AI non sono la stessa cosa

Una allucinazione si verifica quando un sistema genera un’informazione falsa o inventata presentandola in modo plausibile. L’epistemia è un fenomeno più ampio: riguarda il modo in cui la risposta viene accettata e inserita nei nostri processi decisionali.

Allucinazione Epistemia
La risposta contiene informazioni errate o inventate. La risposta viene accettata senza un vero processo di valutazione.
Il problema principale è l’errore fattuale. Il problema principale è la sostituzione del giudizio.
Può essere scoperta confrontando il testo con le fonti. Può esistere anche quando il contenuto è corretto.
Riguarda soprattutto l’output. Riguarda l’intero ambiente in cui produciamo conoscenza.

Potremmo dire che l’allucinazione è un possibile sintomo, mentre l’epistemia è la condizione che ci rende disposti a fidarci del sintomo.

Perché una risposta ben scritta ci sembra più vera?

Noi esseri umani usiamo continuamente scorciatoie cognitive. La fluidità di un testo, la sicurezza del tono, la familiarità delle parole e la chiarezza dell’esposizione diventano indicatori indiretti di attendibilità. Un messaggio facile da elaborare tende a sembrarci più credibile di uno confuso o esitante.

I chatbot generativi sono particolarmente efficaci su questo terreno. Producono testi fluidi, coerenti e formalmente autorevoli. Il rischio è confondere:

  • la coerenza con la correttezza;
  • la sicurezza espressiva con la competenza;
  • la precisione linguistica con la precisione fattuale;
  • una spiegazione plausibile con una spiegazione dimostrata.

Uno studio pubblicato su PNAS ha mostrato che affidare a un modello linguistico il fact-checking di titoli di notizie può, in alcune condizioni, peggiorare la capacità delle persone di distinguere il vero dal falso. Aggiungere un chatbot al processo non produce automaticamente una verifica migliore.

Un lavoro pubblicato su Nature parla invece di “illusioni di comprensione” nella ricerca scientifica: l’aumento della produttività può far credere di capire un fenomeno meglio di quanto lo si comprenda davvero. Più output non significa necessariamente più conoscenza.

Le sette fratture tra intelligenza umana e LLM

Il paper individua sette fault lines, cioè sette fratture epistemologiche tra il modo in cui una persona forma un giudizio e il modo in cui un Large Language Model genera una risposta. Per comprendere il meccanismo di base può essere utile anche il mio simulatore LLM, che mostra come l’AI sceglie la parola successiva.

1. Grounding: esperienza del mondo contro input

Una persona incontra il mondo attraverso il corpo, i sensi, le relazioni e le conseguenze delle proprie azioni. Un modello elabora dati trasformati in rappresentazioni numeriche. Può descrivere un mal di schiena, un treno perso o un progetto fallito, ma non li ha vissuti.

2. Parsing: interpretazione contro tokenizzazione

Quando entriamo in una stanza osserviamo parole, tono, silenzi, espressioni e relazioni di potere. Il modello scompone l’input in token e ricostruisce una risposta sulla base delle regolarità apprese. Può cogliere molti segnali, ma dipende sempre dalle informazioni disponibili e dal modo in cui la situazione è stata rappresentata.

3. Esperienza: memoria autobiografica contro associazioni statistiche

Un essere umano collega ciò che accade a episodi vissuti, concetti appresi e intuizioni fisiche e sociali. Un LLM non possiede una biografia. Quando usa formule come “nella mia esperienza”, salvo particolari contesti applicativi, sta generando linguaggio: non sta aprendo il cassetto dei ricordi.

4. Motivazione: obiettivi umani contro ottimizzazione

Noi decidiamo sotto l’influenza di bisogni, paure, valori, interessi e progetti. Il modello non vuole fare carriera, non teme di perdere un cliente e non desidera proteggere la propria reputazione. Può simulare prudenza ed empatia, ma la simulazione funzionale non equivale a una motivazione intrinseca.

5. Causalità: spiegare il perché contro riconoscere regolarità

Gli esseri umani cercano rapporti causali: che cosa ha prodotto un evento? Che cosa cambierebbe modificando una variabile? Gli LLM sanno descrivere bene relazioni causali presenti nei testi, ma possono diventare fragili quando la situazione è insolita, contraddittoria o rompe le correlazioni più frequenti.

6. Metacognizione: sapere di non sapere

Una persona può fermarsi e ammettere di non avere elementi sufficienti. Un chatbot può pronunciare la stessa frase, ma non è detto che derivi da un’autentica consapevolezza del limite. Uno studio su dodici modelli, pubblicato su Nature Communications, ha rilevato difficoltà importanti nel riconoscere i propri limiti durante compiti di ragionamento medico.

7. Valori: responsabilità contro probabilità

Un medico, un insegnante, un dirigente pubblico o un giornalista rispondono delle proprie decisioni. Il modello non subisce direttamente le conseguenze di un errore. Può essere vincolato da regole, ma non porta sulle proprie spalle il peso morale, sociale o professionale della scelta.

Il vero rischio: trasformare la conoscenza da processo a prodotto

Questa è la parte più utile del concetto di epistemia. Siamo abituati a pensare alla conoscenza come a un risultato: una risposta, una definizione, un documento, una presentazione. In realtà, conoscere è un processo.

  1. formulare una domanda;
  2. raccogliere elementi;
  3. valutarne la provenienza;
  4. confrontare versioni diverse;
  5. riconoscere ciò che manca;
  6. modificare la propria opinione;
  7. assumersi la responsabilità della conclusione.

L’AI generativa comprime questi passaggi in un unico output. Scriviamo una domanda, aspettiamo qualche secondo e riceviamo il prodotto finale. È un vantaggio enorme in termini di velocità, ma può renderci epistemicamente passivi: non esercitiamo più il giudizio, lo consumiamo.

Cinque esempi concreti di epistemia al lavoro

Un responsabile HR chiede all’AI quale candidato assumere

Il chatbot confronta i curriculum e produce una graduatoria impeccabile. Se nessuno controlla quali elementi siano stati privilegiati, quali informazioni mancassero e quali bias fossero presenti nei documenti, la classifica viene trattata come conoscenza anche se è soltanto un’elaborazione plausibile.

Un avvocato riceve una sintesi giuridica

Il testo contiene sentenze e riferimenti normativi, ma basta una pronuncia inesistente o una norma superata per renderlo pericoloso. Il problema non è usare l’AI per preparare una bozza: è scambiare la bozza per un parere verificato.

Un medico usa un chatbot per interpretare un caso

La risposta può essere utile per ampliare le ipotesi. Diventa epistemia quando l’ordine e la sicurezza del testo sostituiscono anamnesi, linee guida, esami e responsabilità professionale.

Un funzionario pubblico prepara una risposta a un cittadino

L’AI scrive una comunicazione chiara e cortese. Se nessuno verifica la versione aggiornata della normativa, la competenza dell’ente e le particolarità del caso, la fluidità linguistica nasconde una fragilità amministrativa. Per questo, nella mia guida a ChatGPT nella Pubblica Amministrazione, il controllo umano resta centrale.

Uno studente prepara un’interrogazione

Legge un riassunto e riesce a ripeterlo. Ma saprebbe affrontare un’obiezione, collegare due opere o riconoscere un’interpretazione controversa? L’epistemia compare quando la capacità di ripetere un contenuto viene scambiata per comprensione. È uno dei motivi per cui i percorsi di AI literacy per scuole, docenti e studenti devono insegnare metodo, non soltanto prompt.

Una tesi potente, ma da non trasformare in dogma

Il lavoro di Quattrociocchi, Capraro e Perc è una Perspective depositata su arXiv. È una proposta teorica utile, non l’ultima parola scientifica sul funzionamento degli LLM. Alcune formulazioni sono volutamente forti, soprattutto quando negano ai modelli ogni forma di metacognizione.

Sul piano filosofico, distinguere tra consapevolezza e simulazione linguistica della consapevolezza è fondamentale. Sul piano ingegneristico, però, esistono tecniche per migliorare la calibrazione, misurare l’incertezza e permettere ai sistemi di astenersi. La calibration tuning, per esempio, prova ad allineare meglio la fiducia espressa dal modello con la probabilità che la risposta sia corretta.

Questo non dimostra che il modello possieda una metacognizione simile a quella umana. Dimostra però che possiamo progettare sistemi capaci di comportarsi in modo epistemicamente più prudente. Un comportamento affidabile non prova l’esistenza di una coscienza, ma può ridurre i rischi pratici.

Come difendersi dall’epistemia

La soluzione non è smettere di usare ChatGPT, Gemini, Claude, Copilot o gli altri strumenti. Sarebbe come rinunciare alla calcolatrice perché qualcuno potrebbe usarla senza capire la matematica. Serve progettare meglio il rapporto tra generazione automatica e giudizio umano.

1. Separare generazione e verifica

La stessa risposta non dovrebbe essere contemporaneamente bozza, prova, verifica e decisione finale. Usiamo l’AI per proporre ipotesi e sintetizzare documenti; la verifica deve appoggiarsi a fonti identificabili e, quando possibile, indipendenti.

2. Chiedere la provenienza delle affermazioni

Non basta domandare “indicami le fonti”. Conviene chiedere la fonte primaria, il passaggio che supporta ogni affermazione, la data di pubblicazione e ciò che non è stato possibile verificare. Il collegamento fornito dal chatbot va comunque aperto e controllato.

3. Rendere visibile l’incertezza

Un buon workflow distingue tra informazioni presenti nelle fonti, inferenze, ipotesi, elementi controversi e dati mancanti. La sicurezza grammaticale non deve cancellare l’incertezza reale del contenuto.

4. Cercare controesempi

Dopo una risposta possiamo chiedere: “Quali elementi potrebbero smentire questa conclusione?” oppure: “Assumi che la risposta precedente sia sbagliata: quali sono le tre cause più probabili dell’errore?”. L’obiettivo non è ottenere automaticamente la verità dal secondo prompt, ma impedire che il primo output chiuda troppo presto il ragionamento.

5. Collegare le risposte a fonti delimitate

Sistemi basati su RAG, knowledge base aziendali o raccolte documentali definite riducono la distanza tra risposta e prove. Gemini Notebook (ex NotebookLM), per esempio, è utile quando vogliamo interrogare un insieme preciso di documenti e risalire ai passaggi citati. Il grounding non rende il sistema infallibile, ma rende più semplice controllarlo.

6. Mantenere l’essere umano nel punto giusto

Il controllo deve essere proporzionato alle conseguenze. Per una bozza di newsletter può bastare una rilettura. Per un pagamento, una diagnosi, un contratto, una selezione o una comunicazione istituzionale serve una responsabilità umana identificata. È il principio dell’human-in-the-loop e human-on-the-loop: l’AI prepara e propone, ma alcune decisioni non devono essere eseguite senza approvazione.

7. Valutare il processo, non soltanto il risultato

Quando uno studente, un dipendente o un consulente consegna un documento realizzato con l’AI, non dovremmo chiedere soltanto se il testo è fatto bene. Dovremmo sapere quali fonti sono state usate, quali parti sono state generate, quali controlli sono stati eseguiti, quali modifiche sono state apportate e quali dubbi restano aperti.

Un prompt antiepistemia da provare

Analizza la richiesta senza dare per scontato che esista una risposta certa.

Separa chiaramente: fatti verificati, informazioni ricavate dalle fonti, inferenze, ipotesi ed elementi controversi o mancanti.

Per ogni affermazione importante indica una fonte primaria e verificabile. Cerca almeno due controesempi o interpretazioni alternative. Segnala ciò che non puoi verificare.

Se i dati non sono sufficienti, non completare la risposta con informazioni plausibili: formula le domande necessarie. Concludi indicando quali controlli deve svolgere una persona prima di usare il risultato.

Il prompt può migliorare il workflow. Non trasforma il chatbot in un’autorità epistemica. Anche la risposta a questo prompt deve essere controllata.

Dall’alfabetizzazione digitale all’alfabetizzazione epistemica

Per anni abbiamo parlato di alfabetizzazione digitale: sapere usare dispositivi, software, motori di ricerca e piattaforme. Ora serve qualcosa in più.

Gli autori parlano di epistemic literacy, cioè alfabetizzazione epistemica. Significa comprendere non soltanto come usare un sistema, ma anche come produce le risposte, quali operazioni non svolge, quando il contenuto è collegato a prove, quali responsabilità devono restare umane e quando è necessario sospendere il giudizio.

L’alfabetizzazione epistemica non sostituisce il pensiero critico. Lo aggiorna per un ambiente in cui testi e argomentazioni credibili possono essere prodotti automaticamente e in quantità quasi illimitata.

L’AI può rispondere, ma chi sta giudicando?

L’intelligenza artificiale generativa non ci obbliga a smettere di pensare. Ci rende però molto più facile farlo. Una risposta elegante arriva in pochi secondi; verificarla richiede tempo, aprire le fonti richiede fatica e confrontare ipotesi contrastanti produce incertezza.

L’epistemia nasce in questo spazio: la risposta è immediata, mentre il giudizio resta faticoso.

La domanda pratica non è soltanto se ChatGPT capisca davvero nello stesso modo in cui capiamo noi. È questa: stiamo usando l’AI per sostenere il nostro giudizio o per evitarlo?

Quando un chatbot produce una risposta, il lavoro cognitivo non è terminato. È appena iniziato.

Domande frequenti sull’epistemia

Che cosa significa epistemia?

Indica una condizione in cui una risposta linguisticamente plausibile viene scambiata per conoscenza verificata. La sensazione di sapere prende il posto del controllo di prove, fonti e ragionamento.

Epistemia e allucinazioni AI sono sinonimi?

No. Un’allucinazione è un’informazione falsa o inventata generata dall’AI. L’epistemia riguarda il modo in cui accettiamo una risposta senza valutarne adeguatamente le basi e può verificarsi anche quando il contenuto è corretto.

L’epistemia è una malattia?

No. Non è una diagnosi medica o psicologica, ma un concetto filosofico e sociotecnico proposto per descrivere alcuni effetti dell’integrazione dell’AI nei processi di conoscenza e decisione.

Come si evita l’epistemia?

Separando generazione e verifica, controllando le fonti primarie, rendendo visibile l’incertezza, cercando controesempi, mantenendo la supervisione umana e valutando il processo seguito.

L’intelligenza artificiale può sapere di non sapere?

I modelli possono essere addestrati a esprimere incertezza, chiedere informazioni e astenersi dal rispondere. È discusso se questo comportamento rappresenti metacognizione o una sua simulazione funzionale.

Possiamo fidarci delle risposte dei chatbot?

Possiamo usarle come bozze, sintesi, ipotesi e strumenti di supporto. La fiducia deve però dipendere dal contesto, dalle fonti, dai controlli effettuati e dalle conseguenze di un eventuale errore.

Fonti principali

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

Decisioni artificiali: quando l’AI aiuta o distorce le scelte in azienda

, , ,


Immagina una riunione di direzione. Sul tavolo ci sono dati incompleti, interessi diversi, poco tempo e una scelta che nessuno vuole sbagliare. A un certo punto qualcuno apre un sistema di intelligenza artificiale, inserisce documenti e numeri, poi legge una raccomandazione formulata con grande sicurezza.

La tensione scende. Finalmente sembra esserci una risposta oggettiva.

Ma è davvero così? Oppure abbiamo soltanto trasferito alla macchina i nostri pregiudizi, aggiungendo velocità, scala e un linguaggio più convincente?

È la domanda al centro di Decisioni artificiali. Come l’uso dell’Intelligenza Artificiale ridefinisce il Decision-Making nelle organizzazioni, il libro di Nicola Capolupo pubblicato nel 2025 da Editoriale Scientifica. Un saggio di 196 pagine che mette in dialogo psicologia cognitiva, teoria organizzativa, sistemi di supporto alle decisioni ed etica dell’AI.

Il messaggio più utile è anche il meno spettacolare: l’intelligenza artificiale può aiutarci a decidere meglio, ma non elimina l’irrazionalità umana. Può ridurre alcuni errori, amplificarne altri e crearne di nuovi. Per questo la qualità della decisione dipende non soltanto dall’algoritmo, ma dal processo con cui persone e organizzazioni lo interrogano, controllano e, quando serve, contraddicono.

Decisioni artificiali: di che cosa parla il libro di Nicola Capolupo

Nicola Capolupo è ricercatore in Organizzazione aziendale presso l’Università Telematica San Raffaele Roma. La sua ricerca riguarda, tra gli altri temi, comportamento organizzativo, processi decisionali, bias cognitivi e uso dell’intelligenza artificiale nelle organizzazioni.

Decisioni artificiali, con prefazione di Paola Adinolfi e postfazione di Guglielmo Faldetta, non è un manuale di prompt né una raccolta di ricette per delegare le scelte a ChatGPT. È un percorso che parte dalle teorie del decision making, attraversa la razionalità limitata di Herbert Simon, le euristiche studiate da Daniel Kahneman e Amos Tversky, i sistemi di supporto alle decisioni e arriva a uno studio empirico sui bias nelle decisioni organizzative mediate dall’AI.

La prefazione contiene una frase che riassume bene il problema: «Le decisioni rappresentano il luogo in cui la teoria incontra la prassi». È lì che dati, procedure, cultura aziendale, emozioni, rapporti di potere e responsabilità smettono di essere concetti astratti e producono conseguenze reali.

L’anteprima del volume permette di consultare indice, prefazione, incipit, osservazioni conclusive e bibliografia.

Il mito della decisione perfettamente razionale

Ci piace pensare di scegliere dopo aver raccolto tutti i dati, confrontato ogni alternativa e calcolato con calma costi e benefici. Nella vita organizzativa, però, quasi mai disponiamo di tempo infinito, informazioni complete e obiettivi condivisi.

Il libro parte proprio da questa crepa. Dan Ariely, in Prevedibilmente irrazionali, ha mostrato quanto il comportamento umano sia influenzato da automatismi, emozioni e distorsioni sistematiche. Daniel Kahneman ha reso popolare la distinzione tra un pensiero rapido, intuitivo e automatico e un pensiero lento, riflessivo e faticoso. Non sono due interruttori nel cervello, ma una metafora utile per capire perché spesso accettiamo la prima risposta plausibile.

Già Herbert Simon, premio Nobel per gli studi sui processi decisionali nelle organizzazioni, aveva demolito l’idea della razionalità perfetta. Parlava di razionalità limitata: davanti a vincoli di tempo, competenze e informazioni, le persone non trovano necessariamente la soluzione migliore in assoluto. Cercano una soluzione sufficientemente buona.

In azienda il problema si complica ancora. Una decisione non è soltanto un calcolo. È anche negoziazione, interpretazione del contesto, gestione dei conflitti e assunzione di responsabilità. Un modello può stimare una probabilità; non può stabilire da solo quale rischio sia moralmente, socialmente o strategicamente accettabile.

L’AI come sistema di supporto alle decisioni

Un modo utile per comprendere l’intelligenza artificiale in azienda è considerarla un’evoluzione dei Decision Support System, i sistemi informatici che assistono il decisore senza sostituirlo.

Un sistema di supporto alle decisioni combina normalmente quattro elementi:

  • dati, interni o esterni all’organizzazione;
  • modelli, usati per analizzare relazioni, rischi e previsioni;
  • interfaccia, attraverso cui il decisore formula domande e interpreta risultati;
  • conoscenza, cioè regole, esperienze e informazioni sul dominio.

L’AI generativa rende questo sistema più accessibile. Un manager può interrogare documenti in linguaggio naturale, riassumere report, confrontare scenari, individuare anomalie, chiedere controargomentazioni o simulare le conseguenze di opzioni diverse.

Questa è la parte davvero interessante: l’AI può funzionare come amplificatore cognitivo. Non deve limitarsi a sputare una risposta, ma può aiutarci ad allargare lo spazio delle alternative. Il valore non sta soltanto nel prevedere «che cosa accadrà», ma nel rendere visibili ipotesi, dipendenze e domande che il gruppo non aveva considerato.

Complessità e potere: l’AI non entra in un’organizzazione neutrale

Riprendendo un lavoro di Thomas B. Lawrence del 1991, il libro osserva le decisioni organizzative lungo due dimensioni: la complessità del problema e la sua politicità, cioè il livello di conflitto tra soggetti con interessi, informazioni e potere differenti.

L’intelligenza artificiale agisce su entrambe.

Da un lato riduce la fatica di elaborare grandi quantità di dati e rende più semplice interrogare archivi prima riservati agli specialisti. Questo può distribuire conoscenza e partecipazione. Dall’altro, chi sceglie i dati, imposta gli obiettivi, definisce le soglie e decide quale sistema adottare conserva un potere enorme, anche se meno visibile.

La standardizzazione può aumentare coerenza e stabilità, ma può anche comprimere eccezioni, apprendimento e innovazione. Un punteggio uniforme sembra imparziale; se nasce da dati storici distorti o da una definizione povera del problema, rende soltanto più efficiente l’errore. È un rischio particolarmente evidente quando l’AI entra negli appalti pubblici e in altre procedure ad alto impatto.

I tre bias che rendono pericolosa la delega all’AI

1. Bias di automazione: «Se lo dice il sistema, sarà vero»

Il bias di automazione è la tendenza ad accettare il suggerimento di un sistema automatico senza cercare prove alternative o senza dare il giusto peso alle informazioni contrarie.

Una revisione sistematica pubblicata sul Journal of the American Medical Informatics Association ha analizzato frequenza, fattori e possibili contromisure di questo fenomeno. Il punto non è che le persone si fidino sempre delle macchine, ma che, in certe condizioni, la raccomandazione automatica diventi una scorciatoia mentale.

L’interfaccia contribuisce al problema. Una risposta ordinata, fluida e accompagnata da una percentuale può apparire più solida di quanto sia. La sicurezza del tono viene scambiata per accuratezza.

2. Framing e ancoraggio: il primo modo di porre il problema orienta il resto

Il framing riguarda il modo in cui una scelta viene presentata. L’ancoraggio porta invece a dare un peso eccessivo alla prima informazione ricevuta.

Con l’AI i due effetti si sommano. Se chiediamo «spiegami perché questa strategia fallirà», abbiamo già costruito una cornice negativa. Il modello cercherà soprattutto argomenti coerenti con quella direzione. Non perché abbia un’opinione, ma perché sta rispondendo al compito che gli abbiamo assegnato.

Poi arriva il secondo ancoraggio: quello umano. La prima risposta della macchina diventa il punto di partenza dei prompt successivi. Anche quando contiene un errore, tendiamo a costruirci sopra la conversazione.

Il rischio è una catena invisibile:

  1. una domanda orientata produce una risposta orientata;
  2. la risposta viene percepita come autorevole;
  3. i prompt successivi ne accettano le premesse;
  4. il gruppo smette di cercare ipotesi incompatibili con la prima.

3. Overconfidence: fidarsi troppo dell’AI o troppo di sé

L’overconfidence è lo scarto tra quanto ci sentiamo sicuri e quanto siamo realmente accurati. Nell’interazione uomo-macchina funziona in due direzioni: possiamo sopravvalutare l’algoritmo oppure le nostre capacità e ignorare un suggerimento valido.

Uno studio presentato alla conferenza CHI 2024 ha confrontato diversi interventi per calibrare la fiducia nelle decisioni assistite dall’AI. Tra gli approcci esaminati figurano il think the opposite, il ragionamento in termini probabilistici e il feedback sulla calibrazione. Il risultato più importante non è «fidarsi di più» o «fidarsi di meno», ma imparare a far coincidere meglio fiducia e accuratezza.

La buona collaborazione nasce quando sappiamo riconoscere sia i casi in cui l’AI merita ascolto sia quelli in cui deve essere respinta.

Spiegare l’algoritmo non basta

Si parla molto di Explainable AI: se il sistema spiega come è arrivato a una raccomandazione, l’utente dovrebbe valutarla meglio. Purtroppo una spiegazione può diventare a sua volta un segnale di autorevolezza. «C’è una motivazione, quindi sarà corretto».

Lo studio To Trust or to Think, condotto da Zana Buçinca, Maja Barbara Malaya e Krzysztof Z. Gajos su 199 partecipanti, ha sperimentato alcune cognitive forcing functions: piccoli vincoli progettati per obbligare l’utente a fermarsi e ragionare prima di accettare il consiglio dell’AI.

Questi interventi hanno ridotto l’eccessivo affidamento rispetto alle semplici spiegazioni, ma con un prezzo: le soluzioni più efficaci sono state anche quelle valutate meno favorevolmente dagli utenti. Inoltre hanno aiutato di più le persone con una maggiore propensione allo sforzo cognitivo.

È una lezione preziosa per chi progetta strumenti aziendali. Una buona esperienza utente non coincide sempre con il minor numero possibile di passaggi. A volte un po’ di attrito è una funzione di sicurezza.

Che cosa emerge dallo studio presentato nel libro

Nell’ultima parte, Capolupo presenta uno studio esplorativo sull’incidenza di overconfidence, bias di automazione, ancoraggio e framing nelle decisioni organizzative assistite dall’intelligenza artificiale.

I risultati discussi nel volume invitano a evitare conclusioni semplicistiche. Overconfidence e automazione non sembrano alterare in modo significativo le scelte aziendali nel campione analizzato; i lavoratori possono mantenere un ruolo proattivo, soprattutto quando ricevono feedback e conservano autonomia. L’AI può favorire pensiero analitico ed esplorazione di alternative.

Ma il quadro cambia nei lavori più routinari o quando la delega diventa passiva. L’innovazione può essere percepita come minaccia, alimentando anche quella che viene definita AI Anxiety; il coinvolgimento può diminuire e le competenze decisionali possono atrofizzarsi. Lo stesso libro esplicita limiti metodologici e carattere esplorativo dell’indagine: questi risultati non vanno trasformati in una legge universale.

La conclusione più robusta è organizzativa, non tecnologica: l’effetto dell’AI dipende da come vengono progettati lavoro, feedback, responsabilità e possibilità di contestare la macchina.

Human in the loop: non basta mettere una firma alla fine

L’espressione human in the loop viene spesso tradotta con «una persona controlla il risultato». È una definizione troppo debole. Se il decisore vede soltanto l’output finale, non conosce i limiti del sistema e non ha tempo o autorità per opporsi, la supervisione umana è soltanto decorativa.

Il Regolamento europeo sull’intelligenza artificiale, in particolare l’articolo 14 per i sistemi ad alto rischio, richiede misure di sorveglianza umana che consentano di comprendere capacità e limiti del sistema, riconoscere il possibile eccesso di affidamento, interpretare correttamente l’output e decidere di non usarlo o interromperlo. È un tema centrale anche per l’intelligenza artificiale nella Pubblica Amministrazione.

Anche l’AI Risk Management Framework del NIST propone una governance continua del rischio. Tradotto in pratica: non serve soltanto controllare la risposta; bisogna governare dati, obiettivi, ruoli, monitoraggio e conseguenze.

Una checklist pratica per decidere con l’AI senza delegare il cervello

Prima di accettare una raccomandazione algoritmica, un team dovrebbe rispondere almeno a queste domande:

  1. Qual è la decisione reale? Separare il problema dall’output richiesto allo strumento.
  2. Chi ha definito l’obiettivo? Ottimizzare costi, qualità, rapidità o equità produce scelte diverse.
  3. Quali dati mancano? Un modello non può compensare automaticamente informazioni assenti, obsolete o distorte.
  4. Qual è l’ipotesi contraria? Chiedere sempre una spiegazione incompatibile con la prima.
  5. Quali gruppi subiscono le conseguenze? L’efficienza media può nascondere danni concentrati su poche persone.
  6. Quanto è reversibile la scelta? Più una decisione è difficile da correggere, più serve controllo umano.
  7. Chi può contestare l’output? Deve esistere una persona con competenze, tempo e autorità per dire di no.
  8. Come misureremo l’esito? Senza feedback non sapremo se sistema e decisori stanno migliorando.

Quattro prompt per spezzare framing e ancoraggio

Un buon prompt non elimina i bias, ma può rendere il confronto più disciplinato. Ecco quattro formule riutilizzabili:

Avvocato del diavolo
«Contesta la raccomandazione precedente. Elenca le tre assunzioni più fragili, le prove che potrebbero smentirla e uno scenario in cui produrrebbe un danno.»

Alternative incompatibili
«Proponi tre opzioni mutuamente esclusive. Per ciascuna indica benefici, rischi, dati mancanti, soggetti penalizzati e condizioni che la renderebbero preferibile.»

Pre-mortem
«Immagina che tra dodici mesi questa decisione si sia rivelata un fallimento. Ricostruisci cinque cause plausibili e i segnali precoci che oggi potremmo monitorare.»

Separazione tra fatti e ipotesi
«Dividi la risposta in: fatti presenti nelle fonti, inferenze ragionevoli, assunzioni non verificate e informazioni necessarie prima di decidere. Non colmare i vuoti con dati inventati.»

La regola è semplice: non chiedere soltanto all’AI di darci ragione. Chiederle di rendere più difficile il nostro autoinganno.

Perché leggere Decisioni artificiali oggi

Il merito del libro è spostare la discussione dall’eterna domanda «l’AI sostituirà l’essere umano?» a una questione molto più concreta: come cambia il comportamento delle persone quando una macchina entra nel processo decisionale?

È una domanda utile per manager, responsabili HR, professionisti, decisori pubblici, progettisti di servizi e formatori. Perché l’AI non arriva in un laboratorio sterile. Entra in organizzazioni già attraversate da abitudini, gerarchie, incentivi, paure e conflitti. Per proseguire il percorso, può essere utile anche questa selezione di libri indispensabili per capire l’intelligenza artificiale.

La macchina può elaborare più dati e farlo più velocemente. Può simulare scenari, trovare correlazioni e proporre alternative. Ma non possiede da sola la comprensione situata delle conseguenze, né può assumersi la responsabilità morale della scelta.

Il vero obiettivo, quindi, non è costruire decisioni senza esseri umani. È costruire organizzazioni in cui esseri umani e sistemi intelligenti si correggano a vicenda. L’AI deve essere un amplificatore del pensiero, non un alibi per smettere di pensare.

Domande frequenti su Decisioni artificiali e AI decision making

Chi ha scritto Decisioni artificiali?

Il libro è stato scritto da Nicola Capolupo, ricercatore in Organizzazione aziendale presso l’Università Telematica San Raffaele Roma. È pubblicato da Editoriale Scientifica nella collana puntOorg.

Di che cosa parla il libro?

Analizza come l’intelligenza artificiale modifica i processi decisionali individuali e organizzativi, con particolare attenzione a razionalità limitata, bias cognitivi, sistemi di supporto alle decisioni, responsabilità e organizzazione del lavoro.

L’intelligenza artificiale elimina i bias umani?

No. Può mitigare alcuni errori, ma può anche apprendere distorsioni dai dati, rafforzare il framing della domanda e favorire bias di automazione o ancoraggio. Servono controllo, confronto con fonti indipendenti e feedback sugli esiti.

Che cos’è il bias di automazione?

È la tendenza ad accettare una raccomandazione automatica senza verificarla adeguatamente o senza considerare informazioni contrarie. Aumenta quando il sistema appare autorevole e il decisore lavora sotto pressione.

Che cosa significa human in the loop?

Significa mantenere una supervisione umana effettiva sull’AI. La persona deve comprendere limiti e contesto, poter contestare l’output, interrompere il sistema e assumersi la responsabilità della decisione.

Dove si può acquistare Decisioni artificiali?

Il volume è disponibile sul sito di Editoriale Scientifica. L’edizione del 2025 conta 196 pagine e ha ISBN 979-12-235-0275-4.

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.

Invia un’email

/0 Commenti/da

Intelligenza artificiale nella Pubblica Amministrazione: la sfida del 2034

, , ,

Immaginiamo la scena. In un ufficio comunale, la persona che da trent’anni sa come si gestisce una pratica complicata spegne il computer per l’ultima volta, saluta i colleghi e va in pensione. Il giorno dopo arrivano una richiesta urgente, un fascicolo incompleto e una domanda che nessun manuale aveva previsto.

Il problema dell’intelligenza artificiale nella Pubblica Amministrazione parte da qui: non soltanto dalla scrivania rimasta vuota, ma da tutto ciò che quella persona sapeva e che rischia di uscire dall’edificio insieme a lei.

Un articolo di HuffPost del 15 gennaio 2026, firmato da Valentina Nicolì, parte da un dato che merita attenzione: entro il 2034 potrebbe andare in pensione un dipendente pubblico su tre. Parliamo di circa 1,2 milioni di persone su una forza lavoro che, secondo i dati INPS citati nell’articolo, nel 2024 contava 3,74 milioni di addetti.

L’intelligenza artificiale nella Pubblica Amministrazione può essere una parte importante della risposta. Può aiutare a conservare la conoscenza, alleggerire il lavoro ripetitivo, rendere più semplici documenti e servizi e affiancare i nuovi assunti. Ma funziona solo se viene inserita in una trasformazione organizzativa seria: con dati affidabili, processi ripensati, formazione, sicurezza e responsabilità umana.

L’AI, insomma, non sostituisce il ricambio generazionale. Può però impedire che il ricambio diventi un gigantesco reset.

Intelligenza artificiale nella Pubblica Amministrazione e passaggio di competenze
L’AI nella PA deve servire a conservare conoscenze, semplificare processi e migliorare i servizi, non a sostituire il giudizio umano.

Il pensionamento di massa è anche una perdita di conoscenza

Quando si parla di pensionamenti nella PA, il dibattito si concentra quasi sempre sui numeri: quante persone escono, quante ne verranno assunte e quanto costerà sostituirle.

È corretto, ma incompleto.

Una parte decisiva del lavoro pubblico vive nella cosiddetta conoscenza tacita: procedure non scritte, eccezioni, precedenti, contatti tra uffici, interpretazioni sedimentate, piccoli accorgimenti che permettono di risolvere un caso senza farlo rimbalzare per settimane.

Non tutta questa esperienza è buona per definizione. Alcune abitudini vanno superate, alcuni passaggi eliminati, alcune procedure semplificate. Ma lasciare che la conoscenza scompaia senza prima distinguerne il valore sarebbe uno spreco enorme.

Il vero tema, quindi, non è usare l’AI per fare con meno persone ciò che si è sempre fatto. È usare questa transizione per decidere che cosa conservare, che cosa cambiare e che cosa non fare più.

Perché l’intelligenza artificiale nella Pubblica Amministrazione può fare la differenza

La PA produce e gestisce una quantità immensa di testi: leggi, circolari, delibere, verbali, regolamenti, bandi, moduli, email, relazioni e risposte ai cittadini. L’AI generativa lavora proprio con il linguaggio e può quindi diventare un’interfaccia utile tra persone e patrimonio documentale.

Attenzione, però: “utile” non significa “infallibile”. Un modello linguistico genera risposte plausibili, non sentenze vere per natura. Per questo deve lavorare su fonti selezionate, mostrare i riferimenti usati e lasciare la decisione finale a un dipendente responsabile.

Fatta questa premessa, le applicazioni concrete sono molte.

1. Trasformare l’esperienza dei dipendenti senior in patrimonio condiviso

Prima che una persona esperta lasci l’ente, si può organizzare un vero passaggio di conoscenze assistito dall’AI, costruendo una base documentale interrogabile con strumenti come Gemini Notebook (ex NotebookLM).

Non basta chiedere: “Puoi scrivere tutto quello che sai?”. È una domanda troppo ampia. Meglio registrare interviste strutturate, raccogliere casi reali, catalogare le eccezioni più frequenti e ricostruire le decisioni prese nei fascicoli più complessi.

L’AI può aiutare a:

  • trascrivere e riordinare le interviste;
  • individuare temi, passaggi ricorrenti e punti critici;
  • trasformare racconti informali in procedure e checklist;
  • collegare ogni indicazione alla norma o al documento di riferimento;
  • creare una base di conoscenza interrogabile dai colleghi;
  • segnalare contenuti vecchi, contraddittori o da verificare.

È una specie di “intervista di uscita aumentata”. Non serve a clonare chi va in pensione, espressione da film di fantascienza che possiamo serenamente evitare. Serve a non perdere trent’anni di esperienza in trenta minuti di saluti e pasticcini.

2. Dare ai nuovi assunti un tutor digitale basato su fonti vere

Il ricambio richiederà nuove assunzioni. Il rischio è inserire migliaia di persone in uffici che non hanno tempo per formarle, consegnando loro una cartella condivisa chiamata “Documenti definitivi” con dentro file come “definitivo_v7_ultimo_bis.pdf”.

Un assistente interno, costruito sui documenti approvati dall’ente, potrebbe rispondere a domande come:

  • Qual è la procedura aggiornata per questa pratica?
  • Quali documenti deve presentare il cittadino?
  • Chi è responsabile del passaggio successivo?
  • Esistono casi simili già risolti?
  • Qual è la fonte normativa della risposta?

La condizione è fondamentale: ogni risposta deve rimandare alle fonti. Se il sistema non trova una base affidabile, deve dichiararlo. Un “non lo so” ben progettato vale più di una risposta sicura ma inventata.

3. Ridurre il tempo speso a cercare, riassumere e riscrivere

Una parte rilevante del lavoro amministrativo consiste nel recuperare informazioni già presenti, confrontare versioni, estrarre dati da documenti e riscrivere lo stesso contenuto per destinatari diversi.

L’AI può preparare una prima bozza di:

  • sintesi di delibere e circolari;
  • verbali ricavati da trascrizioni;
  • risposte standard personalizzate;
  • confronti tra versioni di un regolamento;
  • schede operative per gli uffici;
  • testi in linguaggio più comprensibile per i cittadini.

Qui la parola chiave è bozza. Il dipendente non dovrebbe limitarsi a premere “genera” e inoltrare. Deve controllare dati, riferimenti, tono, completezza e conseguenze amministrative.

Il guadagno non sta nell’eliminare la persona, ma nel restituirle tempo per i casi difficili, il rapporto con il pubblico, il coordinamento e la decisione.

4. Rendere moduli e comunicazioni finalmente comprensibili

Digitalizzare un modulo incomprensibile non lo rende automaticamente semplice. A volte otteniamo soltanto un modulo incomprensibile che, in più, richiede una password dimenticata.

L’intelligenza artificiale può aiutare gli uffici a riscrivere testi in linguaggio chiaro, verificare la leggibilità, produrre versioni multilingue e creare percorsi guidati che pongono al cittadino soltanto le domande necessarie per il suo caso.

Per esempio, invece di presentare venti campi e una nota normativa di tre pagine, un servizio potrebbe chiedere poche informazioni iniziali e spiegare:

  • se la persona ha diritto alla prestazione;
  • quali documenti servono davvero;
  • quanto dura indicativamente la procedura;
  • quali sono i passaggi successivi;
  • come chiedere assistenza umana.

Il cittadino non dovrebbe essere costretto a imparare l’organigramma dell’ente per ottenere una risposta.

5. Smistare le pratiche e individuare prima gli errori

Molte richieste arrivano all’ufficio sbagliato, sono incomplete o contengono incongruenze visibili soltanto dopo giorni. Sistemi di AI ben controllati possono classificare i documenti, estrarre informazioni, segnalare campi mancanti e suggerire il percorso corretto.

Questo non significa affidare a un algoritmo la decisione su un contributo, una graduatoria o un diritto. Significa usare la macchina per preparare il lavoro, evidenziare anomalie e ridurre gli errori banali.

Più una decisione incide sulla vita delle persone, più devono essere forti trasparenza, tracciabilità, possibilità di contestazione e controllo umano.

6. Creare servizi pubblici attivi anche fuori dall’orario di sportello

Un assistente virtuale può rispondere alle domande frequenti, guidare nella compilazione di una domanda e indicare il canale corretto senza costringere il cittadino ad aspettare il lunedì mattina.

Ma il chatbot non deve diventare un muro elegante dietro cui nascondere l’amministrazione. Deve sempre offrire una via d’uscita: parlare con una persona, aprire una richiesta, prenotare un appuntamento o ricevere una risposta tracciata.

Il parametro di successo non è quante conversazioni “gestisce” il bot. È quanti problemi risolve senza aumentare frustrazione, esclusione digitale o contenzioso.

L’AI non può essere la scusa per non assumere

Dire che l’intelligenza artificiale può aiutare la PA non significa sostenere che 1,2 milioni di pensionamenti possano essere compensati con qualche licenza software.

Serviranno persone nuove: profili amministrativi, tecnici, sociali, sanitari, giuridici, informatici e gestionali. Serviranno anche competenze che oggi non sempre trovano posto negli organigrammi: governo dei dati, progettazione dei servizi, sicurezza, valutazione degli algoritmi e comunicazione chiara.

L’AI può aumentare la capacità di queste persone. Non può assumersi responsabilità pubbliche, comprendere da sola il contesto sociale o sostituire l’empatia richiesta nei casi delicati.

Se viene usata soltanto per tagliare costi, automatizzerà anche difetti, disordine e burocrazia. Più velocemente, certo. Ma una pratica sbagliata consegnata in dieci secondi resta una pratica sbagliata.

I rischi da affrontare prima, non dopo

Nella Pubblica Amministrazione l’adozione dell’AI richiede più prudenza rispetto a molti usi privati, perché tratta dati sensibili, incide su diritti e deve rendere conto delle proprie decisioni.

I principali rischi sono:

  • privacy: dati personali o riservati non devono finire in strumenti non autorizzati;
  • allucinazioni: il sistema può inventare norme, scadenze o riferimenti credibili;
  • pregiudizi: dati storici distorti possono produrre suggerimenti discriminatori;
  • opacità: cittadini e funzionari devono capire quando e come è stata usata l’AI;
  • dipendenza dai fornitori: dati, competenze e processi non possono restare prigionieri di una piattaforma;
  • automazione della cattiva burocrazia: prima di automatizzare, bisogna semplificare;
  • divario digitale: il servizio deve restare accessibile anche a chi non usa bene app e chatbot.

Il quadro europeo va proprio nella direzione di un’AI più responsabile. L’AI Act dell’Unione europea, entrato in vigore il 1° agosto 2024, prevede un’applicazione basata sul livello di rischio. Dal 2 febbraio 2025 sono inoltre applicabili le disposizioni sull’AI literacy: chi utilizza sistemi di intelligenza artificiale deve possedere un livello adeguato di competenza e consapevolezza. Ho approfondito il tema anche nella guida sulla formazione AI e sull’AI Act.

Non basta quindi acquistare uno strumento. Bisogna formare chi lo sceglie, chi lo configura, chi lo usa e chi controlla i risultati.

Un piano pratico in cinque passi per introdurre l’AI nella PA

1. Mappare le uscite e le conoscenze a rischio

Ogni ente dovrebbe sapere quali ruoli perderà nei prossimi tre, cinque e dieci anni, quali processi dipendono da poche persone e quali competenze non sono documentate.

2. Scegliere un problema piccolo ma misurabile

Meglio partire da un archivio documentale circoscritto, dalle domande frequenti di uno sportello o dalla preparazione di bozze interne. Non dal progetto “AI per tutto il Comune”, che di solito produce molte slide e pochi risultati. Nella guida dedicata a ChatGPT nella PA raccolgo altri esempi operativi.

3. Sistemare fonti, dati e responsabilità

Bisogna stabilire quali documenti sono validi, chi li aggiorna, chi può accedere ai dati e chi risponde degli errori. L’AI non risolve una base informativa caotica: la rende soltanto più facile da interrogare, caos compreso.

4. Coinvolgere insieme esperti, nuovi assunti e cittadini

I dipendenti senior conoscono le eccezioni, i nuovi arrivati vedono meglio le assurdità date per scontate e i cittadini sperimentano gli ostacoli reali. La progettazione deve ascoltare tutti e tre.

5. Misurare qualità, non soltanto velocità

Gli indicatori utili possono essere: tempo medio di risposta, errori evitati, pratiche completate al primo tentativo, soddisfazione degli utenti, accessibilità, numero di risposte con fonti corrette e interventi umani necessari.

Se il sistema risponde più in fretta ma aumenta reclami e correzioni, non è innovazione. È debito burocratico con un’interfaccia moderna.

La vera occasione è riprogettare la Pubblica Amministrazione

Il dato dei pensionamenti mette una scadenza davanti alla PA italiana. Entro il 2034 una parte enorme della sua forza lavoro cambierà. Possiamo aspettare che l’esperienza esca dagli uffici e poi correre a tappare i buchi. Oppure possiamo usare questi anni per trasferire conoscenze, semplificare procedure e costruire servizi pensati intorno alle persone.

L’intelligenza artificiale può essere il moltiplicatore di questa trasformazione. Non è la soluzione da sola, perché nessuna tecnologia lo è. Ma può diventare un’infrastruttura cognitiva: aiuta a trovare ciò che l’ente già sa, a spiegare ciò che il cittadino non comprende e a liberare tempo per le decisioni che richiedono esperienza e responsabilità.

Il punto non è creare una PA senza dipendenti. È creare una PA in cui i dipendenti non debbano sprecare il proprio talento facendo copia e incolla tra documenti, cercando una circolare introvabile o rispondendo per la centesima volta alla stessa domanda.

La sfida del 2034 si vince prima del 2034. E il momento per iniziare non è quando l’ultima persona esperta avrà già chiuso la porta.

Domande frequenti sull’AI nella Pubblica Amministrazione

L’intelligenza artificiale può sostituire i dipendenti pubblici che andranno in pensione?

No. Può automatizzare attività ripetitive, supportare la ricerca documentale e affiancare i nuovi assunti, ma servono comunque persone, competenze e responsabilità umana.

Quali sono gli usi più utili dell’AI nella PA?

Trasferimento della conoscenza, ricerca nei documenti, preparazione di bozze, semplificazione del linguaggio, controllo preliminare delle pratiche e assistenza ai cittadini.

Un chatbot pubblico può prendere decisioni amministrative?

Non dovrebbe decidere autonomamente su diritti, contributi o graduatorie. Può fornire informazioni e supporto, mentre le decisioni rilevanti devono essere trasparenti, verificabili e soggette a controllo umano.

Come si evitano le risposte inventate dall’AI?

Si limita il sistema a fonti approvate, si obbliga la risposta a citare i documenti utilizzati, si impostano soglie di affidabilità e si mantiene la revisione umana.

Da dove può iniziare un piccolo Comune?

Da un progetto circoscritto e misurabile, come organizzare le procedure di un ufficio, creare una base di conoscenza interna o migliorare le risposte alle domande frequenti.

Che cos’è l’AI literacy richiesta dall’AI Act?

È l’insieme di competenze che permette a personale e organizzazioni di usare l’AI in modo informato, comprendendone possibilità, limiti e rischi.

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

Siamo tutti sublimi minchioni (o dei geni): cosa Duchamp insegna all’AI generativa

, , ,

Ho appena finito di godermi la biografia di Marcel Duchamp scritta da Bernard Marcadé, La vita a credito. E da giorni ho in testa un solo episodio: nel 1917 Duchamp compra un orinatoio in un negozio di idraulica sulla 118ª strada di New York, ci scarabocchia sopra una firma finta, “R. Mutt”, e lo intitola Fontana. È, a conti fatti, il primo readymade digitale della storia: un secolo prima dei prompt, firmato a mano invece che generato da un algoritmo.

Il readymade digitale ante litteram: Marcel Duchamp e l'orinatoio Fontana firmato R. Mutt nel 1917

Quel gesto vale un secolo. L’inventore del readymade aveva capito tutto con largo anticipo: l’arte non è il sudore sulla tela o lo scalpello nel marmo. È puramente l’atto di scegliere. E il linguaggio, diceva lui stesso, è solo “un errore dell’umanità”.

Pensateci bene: cosa diavolo stiamo facendo oggi con l’intelligenza artificiale generativa, se non del puro, sfacciato dadaismo?

Il readymade di Duchamp, in due parole

Nel 1917 la giuria della Society of Independent Artists di New York rifiuta di esporre Fontana: per loro non è arte, è un sanitario comprato in un negozio. Ed è proprio questo il punto che Duchamp voleva dimostrare: l’oggetto non cambia, cambia il contesto in cui lo si colloca e la firma di chi lo sceglie. Non serve saper scolpire. Serve decidere cosa merita di stare su un piedistallo.

Da lì in avanti l’arte del Novecento non è più stata la stessa. E un secolo dopo, quello stesso meccanismo è tornato a bussare, questa volta dentro una casella di testo con scritto “Scrivi un prompt”.

Midjourney, ChatGPT e il trionfo del readymade digitale

Non sappiamo tenere in mano un pennello, ma apriamo Midjourney, diamo in pasto un prompt al sistema e pretendiamo il nostro plusvalore estetico. Non sappiamo mettere in fila tre parole senza incasinare la sintassi, ma deleghiamo tutto a Claude o a ChatGPT e ci sentiamo i nuovi copywriter del secolo.

Esattamente come Duchamp prendeva uno scolabottiglie, un pettine per cani o persino un soffio d’aria imbottigliata per prendere per il naso i critici del suo tempo, noi peschiamo nel mare magnum dei dataset per sfornare contenuti sintetici preconfezionati. Cambia lo strumento, non cambia il gesto: scegliere, decontestualizzare, firmare.

I critici di oggi cascano nella stessa trappola del 1917

La cosa più comica è che i critici di oggi ripetono, senza saperlo, lo stesso errore di quelli che bocciarono Duchamp: cercano il senso della vita, o peggio l’anima, dentro una cianfrusaglia algoritmica. Si sperticano in analisi intellettualoidi su immagini che in realtà sono soltanto il risultato di calcoli probabilistici.

L’intelligenza artificiale non è solo tecnologia: è una colossale supercazzola. È il nominalismo applicato al tempo dei bit. Le parole, i pixel, i pattern non hanno un’essenza propria: hanno solo il significato che qualcuno decide di attribuire loro, scegliendoli e mettendoli in fila. È sempre lo stesso readymade digitale, solo con un vocabolario più tecnico a fargli da cornice.

Il vero esperto di AI non è un tecnico, è un curatore

Ne avevo già parlato a proposito di Ungaretti e del peso di ogni singola parola in un prompt: chi lavora bene con l’AI generativa non è chi conosce meglio la tecnologia, ma chi sa scegliere, tagliare, ricontestualizzare. Il vero esperto di intelligenza artificiale, in fondo, non è un ingegnere. È un curatore. Un provocatore che decontestualizza i dati e li riassembla, esattamente come faceva Duchamp con gli oggetti di uso comune.

Non è un caso che persino il modo in cui i motori generativi leggono e restituiscono i contenuti stia cambiando le regole del gioco anche per chi scrive online: ne ho parlato più nel dettaglio quando Google ha spiegato cosa cambia davvero tra SEO, GEO e AEO. Anche lì il principio è lo stesso: conta meno la forma perfetta, conta di più essere scelti, citati, riassemblati da un sistema che decide cosa mostrare.

Il readymade digitale: perché conta il prompt, non l’orinatoio

Oggi non conta più saper costruire l’orinatoio. Conta solo saper scrivere il prompt giusto per convincere tutti che sia un capolavoro. Se questo ci fa sublimi minchioni o autentici geni, onestamente, non lo so ancora. Forse, come sospettava lo stesso Duchamp, la domanda non ha nemmeno senso: conta solo chi firma, non chi ha davvero costruito l’oggetto. E se ancora non sai distinguere un readymade da un semplice prompt ben scritto, forse è il momento di ripassare anche i termini base dell’intelligenza artificiale che ormai usiamo ogni giorno.

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.

Invia un email

/0 Commenti/da

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

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 Gemini Notebook (ex 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 Gemini Notebook.

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

I migliori meme del 2026 sull’AI spiegati

, , ,

I meme AI del 2026 sono molto più interessanti di quanto sembrino (ne avevo già parlato qui). A prima vista sono gatti enormi, siti assurdi, squali con le scarpe, battute su ChatGPT e immagini generate male. In realtà sono piccoli sismografi culturali: ci dicono dove l’intelligenza artificiale diverte, dove stanca, dove spaventa e dove diventa semplicemente rumore.

La cosa curiosa è questa: più l’AI entra nel lavoro, nei social, nella scuola e nella comunicazione, più i meme smettono di essere solo meme. Diventano recensioni collettive, spesso più sincere di un report di 80 pagine. Se un prodotto viene trasformato in battuta, significa che è entrato nell’immaginario. Se diventa una battuta cattiva, significa che qualcuno ha iniziato a non sopportarlo più.

Ecco quindi i migliori meme del 2026 sull’intelligenza artificiale, spiegati in italiano, senza fare finta che un gatto obeso da 30 trilioni di parametri sia una normale notizia di settore.

Risposta breve: quali sono i meme AI più importanti del 2026?

I meme AI più rappresentativi del 2026 sono:

  • AI slop, cioè la presa in giro dei contenuti generati dall’AI in massa e di bassa qualità;
  • Your AI Slop Bores Me, il sito in cui gli umani fingono di essere ChatGPT;
  • Le Chaton Fat, il finto supermodello europeo attribuito per scherzo a Mistral;
  • Italian brainrot, il filone di creature assurde generate dall’AI con nomi pseudo-italiani;
  • Great Meme Reset of 2026, la nostalgia dei vecchi meme come reazione al caos dei contenuti AI;
  • workslop e Microslop, battute nate attorno all’uso poco sensato dell’AI nel lavoro e nei prodotti digitali.

Il filo comune è chiaro: nel 2026 non ridiamo più solo dell’AI. Ridiamo del modo in cui l’AI è stata infilata ovunque.

1. AI slop: il meme che ha dato un nome al fastidio

Meme AI Slop Everywhere con Woody e Buzz Lightyear
AI slop everywhere: il meme riassume la sensazione di trovarsi contenuti generati dall’AI dappertutto. Fonte immagine: Imgflip.

Il meme AI slop è probabilmente il più importante per capire il 2026. “Slop” significa, più o meno, sbobba: contenuto prodotto in serie, apparentemente competente, ma povero, generico, senz’anima. L’immagine tipica è quella del formato “X, X everywhere”: apri un social e trovi video sintetici, articoli identici, immagini plasticose, commenti sospetti, tutorial copiati, caroselli che sembrano scritti da un frigorifero motivazionale.

Il punto non è che ogni contenuto creato con l’intelligenza artificiale sia brutto. Sarebbe una sciocchezza. Il punto è che nel 2026 la produzione automatica ha abbassato talmente tanto il costo del contenuto che il web ha iniziato a riempirsi di materiale fatto per occupare spazio, non per dire qualcosa.

Il meme funziona perché nomina un’esperienza quotidiana: quella sensazione di scrollare e pensare “ma questa cosa è stata fatta per me o solo per ingannare l’algoritmo?”. E qui la battuta diventa diagnosi. L’AI slop non è un problema estetico. È un problema di fiducia.

2. Your AI Slop Bores Me: quando gli umani imitano ChatGPT

Your AI Slop Bores Me è uno dei meme più belli del 2026 perché sembra una stupidaggine, ma è quasi filosofia del digitale travestita da sito brutto. Funziona così: tu fai una domanda come se stessi usando ChatGPT, ma a risponderti non è un modello linguistico. Sono persone vere, scelte a caso, che devono “recitare” la parte dell’intelligenza artificiale.

Il risultato è spesso caotico, imperfetto, comico. Cioè umano.

Il successo del sito racconta una stanchezza molto precisa: dopo anni di risposte fluenti, pulite, ordinate e un po’ tutte uguali, molti utenti hanno iniziato a desiderare attrito. Errori veri. Battute involontarie. Personalità. Quel disordine che nessun modello dovrebbe produrre, ma che spesso rende Internet interessante.

La battuta è semplice: siamo arrivati al punto in cui l’umano diventa l’alternativa artigianale al chatbot. Prima volevamo che le macchine sembrassero persone. Ora, ogni tanto, ci basta una persona che non sembri una macchina.

3. Le Chaton Fat: il gatto gigante che prende in giro la corsa ai modelli

Le Chaton Fat meme con enorme gatto generato dall'intelligenza artificiale
Le Chaton Fat: il finto modello AI europeo diventato meme tra sviluppatori, founder e appassionati di AI. Fonte: Business Insider Africa.

Le Chaton Fat è il meme perfetto per chi segue l’AI da vicino e ha ormai sviluppato una sana allergia ai benchmark. Il meme immagina un modello inesistente, attribuito per scherzo all’ecosistema Mistral, con parametri esagerati, prestazioni miracolose e un’identità felina francese piuttosto ingombrante.

La battuta nasce dal linguaggio tipico delle aziende AI: modelli sempre più grandi, classifiche sempre più aggressive, nomi sempre più epici, promesse sempre più solenni. A un certo punto Internet ha fatto quello che sa fare meglio: ha preso la retorica del settore e l’ha trasformata in un gatto enorme.

Perché funziona? Perché sotto la gag c’è una domanda seria: che cosa stiamo davvero misurando quando confrontiamo modelli AI? La qualità? La potenza? L’indipendenza tecnologica? Il marketing? O la capacità di produrre una slide in cui una barra è più lunga di un’altra?

Le Chaton Fat non esiste. Proprio per questo è riuscito a dire qualcosa di molto reale sulla fame di “prossimo grande modello”.

4. Italian brainrot: il caos generato dall’AI parla pseudo-italiano

Personaggi Italian brainrot generati dall'intelligenza artificiale
Italian brainrot: creature ibride, nomi pseudo-italiani e audio assurdi. Fonte: Wikimedia Commons.

Lo Italian brainrot è nato prima del 2026, ma nel 2026 è diventato qualcosa di più grande di un tormentone: un linguaggio. Squali con scarpe, ballerine con testa da cappuccino, animali-oggetto, nomi che sembrano usciti da una pizzeria gestita da un traduttore automatico ubriaco.

Il meccanismo è chiarissimo: immagini generate dall’AI, narrazioni sintetiche, suoni ripetuti, estetica assurda, condivisione velocissima. Non bisogna “capirlo” nel senso tradizionale. Bisogna subirlo per tre secondi, ridere per motivi poco difendibili e poi scoprire che un ragazzino lo considera materiale culturale legittimo.

Per chi si occupa di comunicazione, questo meme è interessante per due ragioni. Primo: mostra quanto l’AI generativa sia diventata una fabbrica di mascotte. Secondo: dimostra che la qualità tecnica non è sempre il motore della viralità. A volte vince l’immagine sbagliata, con il nome sbagliato, nel momento giusto.

Naturalmente c’è anche un lato meno innocente: alcuni audio e riferimenti del filone sono controversi. Quindi no, non basta prendere “la cosa che va su TikTok” e metterla in una campagna aziendale. L’assurdo funziona, ma va maneggiato con un minimo di cultura. Anche perché il confine tra meme brillante e figuraccia internazionale è sottile, e di solito non manda una notifica prima di essere superato.

5. Ballerina Cappuccina e l’AI che entra nei videogiochi

Nel 2026 alcuni personaggi del mondo brainrot sono arrivati anche dentro ecosistemi più mainstream, videogiochi compresi. Qui il meme cambia stato: da contenuto effimero diventa asset, skin, merchandising, oggetto da vendere.

E questo è un passaggio interessante. Finché un meme resta su TikTok, lo possiamo liquidare come rumore generazionale. Quando entra nei giochi, nei prodotti, nelle figurine, nelle campagne social e nei negozi, diventa economia dell’attenzione.

La domanda per aziende e creator è scomoda: si può usare l’estetica AI-generated senza sembrare disperati? Sì, ma solo se si capisce il codice. Il brainrot non funziona perché è “giovane”. Funziona perché è rapido, assurdo, remixabile e anti-istituzionale. Se lo trasformi in una campagna con approvazione a sette livelli, probabilmente gli togli proprio quello che lo rende vivo.

6. Great Meme Reset: la nostalgia come antivirus dell’AI slop

Il Great Meme Reset of 2026 è il movimento, nato soprattutto su TikTok, che prova a riportare in circolo vecchi meme e vecchie estetiche del web: Nyan Cat, Keyboard Cat, Mannequin Challenge, cultura 2016, immagini meno levigate, meno sintetiche, meno “ottimizzate”.

Non è un meme AI in senso stretto, ma è una reazione all’ambiente generato dall’AI. Quando tutto diventa artificiale, perfetto, scalabile e un po’ appiccicoso, improvvisamente il vecchio web sembra autentico. Anche quando era brutto. Anzi: proprio perché era brutto.

Questa è la parte più divertente: nel 2016 molti meme sembravano già scemi. Nel 2026 sembrano quasi artigianato digitale. Il valore non è la qualità, ma la traccia umana. Un font sbagliato, un montaggio pessimo, una battuta incomprensibile, un’immagine compressa. Tutte cose che prima erano limiti e ora sembrano certificati di origine.

7. Workslop e Microslop: quando l’AI al lavoro produce più lavoro

Il meme workslop è la versione da ufficio dell’AI slop. Indica tutti quei documenti, riassunti, report, email e presentazioni generati con l’AI che sembrano utili finché qualcuno non deve leggerli, correggerli, verificarli e trasformarli in qualcosa di sensato.

E qui la battuta fa male perché è vera. L’AI può aumentare la produttività, certo. Ma se viene usata per scaricare sugli altri output non controllati, il guadagno individuale diventa costo collettivo. Io risparmio dieci minuti, tu perdi mezz’ora a capire cosa volevo dire.

Il cugino più tecnologico è Microslop, battuta nata attorno alla percezione di integrazioni AI troppo invadenti o poco desiderate nei prodotti digitali. Il messaggio è lo stesso: l’AI funziona quando risolve un problema. Quando viene infilata ovunque per dire “anche noi ce l’abbiamo”, diventa meme prima ancora di diventare funzionalità.

Che cosa ci insegnano davvero i meme AI del 2026

I migliori meme AI del 2026 ci dicono almeno cinque cose.

La prima: l’entusiasmo per l’AI non è finito, ma è diventato più maturo. Le persone non ridono dell’intelligenza artificiale perché non la capiscono. Spesso ridono perché la capiscono benissimo.

La seconda: il tema centrale non è più “l’AI sostituirà gli umani?”. La domanda quotidiana è più banale e più concreta: “Perché sto leggendo questa roba?”. In un mondo pieno di contenuti automatici, il valore si sposta sulla cura, sulla verifica, sulla voce, sull’intenzione.

La terza: l’imperfezione torna a essere un segnale positivo. Il web generato in massa è pulito, fluido, coerente. Proprio per questo, a volte, sembra finto anche quando dice cose giuste.

La quarta: i meme sono un ottimo strumento di alfabetizzazione digitale. Spiegano bias, automazione, hype, piattaforme, fiducia e creatività meglio di molte lezioni frontali. Naturalmente vanno tradotti. Non basta mostrare uno squalo con le scarpe e dire “ragazzi, innovazione”.

La quinta: per aziende, scuole e professionisti, questi meme sono un promemoria pratico. Usare l’AI non significa produrre di più a caso. Significa produrre meglio, controllare di più, comunicare con più precisione e capire quando è il caso di lasciare spazio alla voce umana.

Come usare questi meme in un corso o in una conferenza sull’AI

In aula, i meme AI funzionano benissimo se non vengono trattati come riempitivo. Possono diventare un punto di partenza per parlare di contenuti sintetici e qualità dell’informazione, prompt engineering e verifica degli output, copyright, trasparenza e attribuzione, reputazione professionale nell’uso di ChatGPT, cultura digitale di Gen Z e Gen Alpha, rischi dell’automazione nei processi aziendali, differenza tra usare l’AI e delegare il pensiero all’AI.

Il vantaggio è semplice: un meme abbassa la soglia d’ingresso. Fa sorridere, poi permette di fare una domanda seria. E spesso le domande serie arrivano meglio quando non entrano in sala con il badge “domanda seria”.

Vuoi portare questi temi in azienda, in una convention o in un corso su ChatGPT e AI generativa? Posso costruire un intervento pratico, brillante e aggiornato su come usare l’intelligenza artificiale senza cadere nello slop. Scopri i miei corsi sull’AI, le conferenze e speech su AI e digitale e i workshop di team building e prompt engineering.

FAQ

Che cosa significa AI slop?

AI slop indica contenuti generati dall’intelligenza artificiale in modo massivo, generico e di bassa qualità. Possono essere immagini, video, articoli, commenti o report apparentemente corretti, ma poveri di cura, verifica e valore reale.

Qual è il meme AI più importante del 2026?

Il meme più rappresentativo è probabilmente AI slop, perché descrive una sensazione diffusa: il web invaso da contenuti artificiali prodotti più per alimentare algoritmi che per aiutare le persone.

Che cos’è Le Chaton Fat?

Le Chaton Fat è un finto modello di intelligenza artificiale attribuito per scherzo all’ecosistema Mistral. Il meme prende in giro la corsa ai modelli sempre più potenti, ai benchmark e alla retorica del “prossimo grande modello”.

Che cos’è Italian brainrot?

Italian brainrot è un filone di meme basato su immagini e video generati con AI: creature ibride, nomi pseudo-italiani, audio assurdi e narrazioni senza senso. È diventato popolare tra Gen Alpha e sui social video brevi.

Perché i meme AI sono utili per capire l’intelligenza artificiale?

Perché mostrano come le persone percepiscono davvero la tecnologia: entusiasmo, fastidio, ironia, paura, desiderio di autenticità. Sono una forma rapida e popolare di critica culturale.

/0 Commenti/da