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

, , ,

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

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

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

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

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

Perché se ne parla adesso

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

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

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

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

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

La risposta di Google è secca: sì.

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

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

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

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

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

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

Negli ultimi mesi sono esplose sigle nuove.

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

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

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

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

Che cosa conta davvero secondo Google

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

1. Contenuti di valore, specifici e non generici

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

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

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

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

2. Struttura leggibile per esseri umani

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

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

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

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

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

3. Base tecnica solida

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

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

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

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

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

4. Immagini, video e contenuti multimediali

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

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

I miti da evitare: Google smonta qualche scorciatoia

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

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

Il file llms.txt non serve per Google

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

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

Non bisogna spezzettare i contenuti per farli capire all’AI

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

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

Non serve riscrivere tutto “per l’AI”

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

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

Non bisogna inseguire menzioni artificiali

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

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

I dati strutturati aiutano, ma non sono una bacchetta magica

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

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

La parte nuova: gli agenti AI

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

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

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

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

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

Che cosa dovrebbe fare adesso chi produce contenuti

Proviamo a tradurre tutto in una checklist concreta.

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

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

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

Il vero rischio? La superficialità digitale

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

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

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

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

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

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

FAQ

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

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

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

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

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

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

I dati strutturati aiutano la visibilità nelle risposte AI?

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

Qual è il consiglio più importante per chi crea contenuti?

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

/0 Commenti/da

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

, ,

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

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

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

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

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

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

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

Cosa distingue uno speech AI efficace da uno generico

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

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

È tagliato sul settore specifico

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

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

Parte dai problemi concreti, non dalla tecnologia

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

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

Mostra, non racconta

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

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

Non ignora le paure

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

I format più efficaci per uno speech AI aziendale

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

Keynote di apertura (30-45 minuti)

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

Workshop operativo (90-180 minuti)

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

Sessione Q&A guidata (60 minuti)

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

Percorso formativo multi-sessione

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

Come preparare un brief efficace per un relatore AI

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

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

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

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

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

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

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

Non coinvolgere il relatore nella progettazione dell’evento

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

Valutare il successo solo sull’applauso finale

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

Ignorare il follow-up

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

Come scegliere il relatore giusto per uno speech AI aziendale

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

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

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

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

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

Domande frequenti sugli speech AI per aziende

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

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

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

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

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

Il mio approccio agli speech AI per aziende

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

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

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

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

/0 Commenti/da

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

, , ,

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

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

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

Perché i second brain personali falliscono

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

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

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

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

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

L’architettura di un second brain LLM Wiki

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

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

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

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

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

Le tre operazioni fondamentali

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

1. Ingestione

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

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

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

2. Interrogazione

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

Puoi chiedere:

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

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

3. Manutenzione

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

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

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

Una possibile struttura pratica

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

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

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

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

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

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

Cosa ti serve prima di iniziare

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

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

Passo 1 – Crea la struttura di cartelle

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

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

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

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

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

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

Passo 2 – Scrivi il file AGENTS.md

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

Ecco un esempio di struttura minimale:

# AGENTS.md – Istruzioni operative

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

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

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

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

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

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

Passo 3 – Apri la vault in Obsidian

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

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

Passo 4 – Prima ingestione

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

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

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

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

Passo 5 – Prima interrogazione

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

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

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

Passo 6 – Manutenzione periodica

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

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

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

Quanto tempo ci vuole davvero?

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

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

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

Cosa mettere nel second brain

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

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

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

Il ruolo umano resta centrale

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

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

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

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

Perché è diverso da una normale app di note

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

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

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

I rischi da evitare

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

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

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

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

Un workflow settimanale semplice

Ogni giorno salvi solo le fonti davvero utili.

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

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

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

Questo trasforma il second brain da archivio a interlocutore.

/0 Commenti/da

NotebookLM per commercialisti, avvocati e notai: guida pratica con 10 esempi d’uso concreti

, , ,

NotebookLM è lo strumento di intelligenza artificiale sviluppato da Google che consente di creare “quaderni intelligenti” alimentati dai propri documenti. A differenza dei chatbot generici, NotebookLM non inventa: risponde esclusivamente sulla base dei file che tu stesso gli fornisci. Per i professionisti del diritto e della contabilità — commercialisti, avvocati e notai — questo rappresenta una svolta concreta nel modo di lavorare con la documentazione tecnica e normativa.

Ma prima di parlare di produttività, bisogna affrontare il tema che più sta a cuore a questi professionisti: la privacy dei dati.

NotebookLM e la privacy: cosa sapere prima di iniziare

Il nodo centrale per qualsiasi professionista che gestisce dati sensibili di terzi è chiaro: posso caricare documenti riservati su uno strumento Google senza violare la normativa sulla protezione dei dati personali?

La risposta dipende da come si utilizza lo strumento e quale tipo di account si adotta.

La versione gratuita: attenzione ai rischi

Con un account Google personale gratuito, i contenuti caricati su NotebookLM potrebbero essere utilizzati da Google per migliorare i propri modelli di intelligenza artificiale (soprattutto se si richiede una revisione dei contenuti o si danno feedback). Questo rende la versione gratuita inadatta al trattamento di documenti contenenti dati personali di clienti, atti legali, bilanci o contratti riservati.

Google Workspace for Business e gli abbonamenti enterprise

La situazione cambia radicalmente con gli abbonamenti Google Workspace for Business (in particolare le versioni Business Starter, Business Standard, Business Plus ed Enterprise). In questi piani, Google garantisce esplicitamente che i dati dei clienti non vengono utilizzati per addestrare i modelli AI. I dati rimangono all’interno dell’organizzazione, con controlli di accesso, audit log e contratti DPA (Data Processing Agreement) conformi al GDPR.

Per i professionisti con partita IVA che già utilizzano Google Workspace per la propria attività, NotebookLM è quindi accessibile in modo sicuro attraverso l’account aziendale, senza costi aggiuntivi per i piani che lo includono.

La strategia della doppia protezione: anonimizzare i documenti

Anche con un abbonamento enterprise, la best practice consigliata è quella di anonimizzare i documenti prima di caricarli su qualsiasi strumento AI. Questo significa rimuovere o sostituire nomi, codici fiscali, partite IVA, indirizzi e qualsiasi dato che possa ricondurre a persone fisiche identificabili, prima che il documento venga elaborato dall’intelligenza artificiale.

Ho approfondito questo tema in un articolo dedicato: Come anonimizzare i documenti prima di darli in pasto all’AI. Trovi metodi pratici e strumenti per farlo in modo efficiente, senza perdere la sostanza informativa del documento.

Adottando questa doppia strategia — account enterprise + anonimizzazione preventiva — i professionisti possono sfruttare appieno le potenzialità di NotebookLM rimanendo nel pieno rispetto del GDPR e del Codice Deontologico di riferimento.

10 esempi concreti d’uso di NotebookLM per commercialisti, avvocati e notai

Vediamo ora come questi professionisti possono applicare NotebookLM nella pratica quotidiana. In tutti i casi, i documenti caricati devono essere previamente anonimizzati o utilizzati attraverso account enterprise con DPA attivo.

1. Analisi di contratti e clausole

Un avvocato può caricare uno o più contratti su NotebookLM e chiedere: “Ci sono clausole penalizzanti? Quali sono i termini di rescissione?” Lo strumento individua le sezioni pertinenti con citazione precisa della fonte, eliminando ore di lettura manuale. Particolarmente utile nell’analisi comparativa di più versioni dello stesso contratto o nei contratti in lingua straniera.

2. Ricerca normativa su testi di legge

Caricando i testi normativi rilevanti (es. il Testo Unico delle Imposte sui Redditi, il Codice Civile, la normativa IVA), un commercialista può interrogare NotebookLM con domande specifiche come “Quali sono le aliquote di ammortamento per i beni strumentali?” o “Come si applica la deducibilità delle spese di rappresentanza?” Le risposte includono sempre il riferimento all’articolo di legge pertinente.

3. Preparazione di pareri e memorie

Un avvocato può costruire un notebook con la giurisprudenza rilevante su una specifica questione giuridica, le sentenze di merito e di legittimità, e chiedere a NotebookLM di evidenziare le posizioni dominanti, le eccezioni e i punti controversi. Questo accelera notevolmente la fase di ricerca nella redazione di pareri legali o memorie difensive.

4. Gestione delle circolari dell’Agenzia delle Entrate

Le circolari dell’Agenzia delle Entrate sono numerose, frequenti e spesso di difficile consultazione. Un commercialista può creare un notebook aggiornato con le circolari dell’anno in corso e interrogarlo con domande pratiche: “Come si tratta fiscalmente il welfare aziendale secondo le ultime circolari?” o “Quali sono le novità sulla deducibilità dei veicoli aziendali?”

5. Supporto nella due diligence

In operazioni di M&A o nelle perizie notarili, la due diligence richiede l’esame di ingenti volumi di documentazione. Caricando i documenti societari anonimizzati (visure, bilanci, verbali assembleari, contratti), NotebookLM permette di fare ricerche trasversali e di identificare rapidamente criticità, pendenze o clausole rilevanti che meritano approfondimento.

6. Formazione continua e aggiornamento professionale

Commercialisti, avvocati e notai sono tenuti all’aggiornamento professionale continuo (formazione obbligatoria). NotebookLM può diventare il loro “tutor personale”: caricando riviste specializzate, pubblicazioni di dottrina, atti di convegni o materiali di master, possono interrogare il sistema per consolidare le proprie conoscenze o prepararsi a sessioni di esame per l’iscrizione all’albo.

7. Redazione e revisione di atti notarili

Un notaio può creare un notebook con i propri modelli standardizzati di atti (compravendite, donazioni, costituzioni di società) e utilizzare NotebookLM per confrontare rapidamente clausole, identificare difformità rispetto agli standard o verificare la completezza degli elementi essenziali di un atto specifico rispetto al modello di riferimento.

8. Risposte ai clienti su quesiti frequenti

Ogni studio professionale ha una raccolta di FAQ, pareri precedenti e risposte a quesiti ricorrenti. Caricando questi materiali su NotebookLM, i collaboratori dello studio possono ottenere rapidamente la risposta consolidata dello studio su una specifica questione, garantendo coerenza e qualità nelle risposte ai clienti anche senza il coinvolgimento diretto del professionista senior.

9. Analisi di bilanci e documentazione contabile

Un commercialista può caricare i bilanci storici di un’azienda (opportunamente anonimizzati) e interrogare NotebookLM per identificare trend, anomalie o variazioni significative tra esercizi. Lo strumento è utile anche per preparare la relazione accompagnatoria al bilancio, suggerendo i punti salienti da commentare sulla base dei dati caricati.

10. Creazione di podcast e sintesi audio per studio in mobilità

Una delle funzionalità più originali di NotebookLM è la generazione di Audio Overview: un podcast sintetico in formato dialogato che riassume i contenuti del notebook. Un avvocato o un commercialista può generare un riassunto audio di una nuova normativa o di una sentenza rilevante e ascoltarlo durante gli spostamenti in auto o in treno, ottimizzando il tempo dedicato all’aggiornamento professionale.

Come strutturare un notebook efficace per lo studio professionale

Per ottenere il massimo da NotebookLM, la struttura del notebook è fondamentale. Alcuni consigli pratici:

  • Un notebook per argomento, non un unico notebook con tutto: la specificità migliora la qualità delle risposte.
  • Fonti aggiornate: NotebookLM non conosce le novità normative se non gliele si fornisce. Aggiungi circolari, sentenze e provvedimenti non appena sono disponibili.
  • Documenti in formato testo: i PDF scansionati senza OCR non sono leggibili. Usa PDF con testo selezionabile o effettua la conversione OCR prima del caricamento.
  • Usa le “Note” integrate: NotebookLM permette di salvare le risposte più utili come note nel notebook, costruendo nel tempo una knowledge base strutturata.

NotebookLM e il futuro dello studio professionale

NotebookLM non sostituisce il professionista: non ha la responsabilità deontologica, non firma atti, non rappresenta il cliente in giudizio. Ma può diventare il suo più efficiente assistente nella gestione della conoscenza, riducendo il tempo dedicato alla ricerca e alla lettura per dedicarne di più all’analisi e al rapporto con il cliente.

Per commercialisti, avvocati e notai che operano in Italia, lo strumento è oggi maturo, sicuro (se usato correttamente) e concretamente utile. La chiave è partire con le giuste precauzioni sulla privacy e costruire gradualmente i propri notebook di studio.

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

Workshop formazione AI obbligatoria: come organizzarlo in azienda senza fare il solito corso teorico

, ,

La domanda che mi fanno sempre più spesso in azienda è questa: “Dobbiamo fare la formazione AI obbligatoria. Basta un webinar di due ore?”. Risposta breve: dipende. Risposta un po’ più utile: se l’obiettivo è solo “mettere una spunta”, forse basta anche il classico corso frontale. Se invece l’obiettivo è fare davvero AI literacy, cioè alfabetizzazione sull’intelligenza artificiale come chiede l’AI Act, allora conviene organizzare un workshop di formazione AI obbligatoria: meno teoria astratta, più casi reali, esercizi, policy interne e prove da conservare.

Dal 2 febbraio 2025 l’articolo 4 dell’AI Act è applicabile. Provider e deployer di sistemi di AI hanno (avrebbero?) dovuto adottare misure per garantire un livello sufficiente di alfabetizzazione AI al personale e alle altre persone che usano sistemi AI per loro conto. La Commissione europea spiega l’AI Act come un regolamento basato sul rischio: non tutti gli usi dell’intelligenza artificiale sono uguali, e quindi non tutta la formazione deve essere uguale.

In questo articolo non ripeto la guida generale sulla formazione AI obbligatoria in azienda. Qui faccio un passo in più: vediamo come costruire un workshop pratico, utile per HR, manager, professionisti, studi, enti e imprese che usano strumenti come ChatGPT, Microsoft Copilot, Gemini, Claude, NotebookLM, chatbot, sistemi di scoring o software con funzioni predittive.

Perché un workshop è meglio del solito corso sull’AI Act

Un corso tradizionale spiega. Un workshop fa fare. La differenza non è piccola, soprattutto quando parliamo di intelligenza artificiale generativa.

Molte persone in azienda hanno già provato ChatGPT o Copilot, magari senza dirlo troppo in giro. Alcuni li usano per scrivere email, riassumere documenti, generare idee, correggere testi, preparare presentazioni o analizzare dati. Il punto è che spesso lo fanno senza criteri condivisi: cosa posso caricare? Cosa non devo mai incollare in un chatbot? Come verifico una risposta? Come riconosco un’allucinazione? Che cosa succede se uso l’AI per valutare un candidato, un cliente o un collaboratore?

Il workshop serve proprio a questo: portare l’AI fuori dalla zona grigia. Non “vietiamo tutto”, non “usiamo tutto a caso”, ma costruiamo una via praticabile: usare bene gli strumenti, conoscere i rischi, documentare le scelte.

Che cosa deve ottenere un workshop di formazione AI obbligatoria

Un workshop fatto bene non dovrebbe limitarsi a raccontare cos’è l’AI generativa. Alla fine della sessione i partecipanti dovrebbero saper fare almeno cinque cose.

  1. Capire dove usano già l’AI, anche quando è integrata in strumenti quotidiani come suite office, CRM, motori di ricerca, piattaforme HR o software marketing.
  2. Distinguere gli usi a basso rischio da quelli delicati, soprattutto quando entrano in gioco dati personali, decisioni su persone, informazioni riservate o contenuti pubblici.
  3. Scrivere prompt più controllabili, con contesto, vincoli, ruolo, formato di output e criteri di verifica.
  4. Verificare le risposte dell’AI, senza trattare il chatbot come un oracolo con l’abbonamento mensile.
  5. Applicare regole interne semplici: cosa è consentito, cosa richiede attenzione, cosa va evitato.

Questa è la parte importante: la formazione AI obbligatoria non dovrebbe produrre solo “presenze”. Dovrebbe produrre comportamenti migliori.

Il programma pratico: una traccia da 4 ore

Una formula molto efficace è il workshop da mezza giornata, circa quattro ore. Non è l’unico formato possibile, ma funziona bene per aziende che vogliono iniziare senza bloccare le persone per due giorni.

1. Mappa degli usi dell’AI in azienda

Si parte con una domanda molto concreta: dove entra già l’intelligenza artificiale nel lavoro quotidiano?

Ogni gruppo elenca strumenti, reparti, attività e casi d’uso: scrittura, customer care, vendite, HR, amministrazione, marketing, formazione, ricerca, analisi documentale, automazione. Spesso emergono sorprese: l’AI non è “quel sito dove scrivo prompt”, ma una funzione nascosta dentro strumenti che l’azienda usa già.

2. Rischi pratici: dati, errori, bias, copyright

Qui si lavora su casi veri o realistici. Per esempio:

  • posso incollare in ChatGPT il contratto di un cliente?
  • posso usare l’AI per filtrare CV?
  • posso pubblicare un testo generato dall’AI senza revisione?
  • posso chiedere a un chatbot di riassumere un verbale con dati personali?
  • posso generare immagini con persone, marchi o prodotti riconoscibili?

L’obiettivo non è spaventare. L’obiettivo è creare anticorpi. L’AI sbaglia, inventa, semplifica, può amplificare pregiudizi e può trattare male dati che non dovrebbero uscire dall’azienda. Una persona formata non smette di usare l’AI: la usa con più criterio.

3. Prompt engineering per il lavoro reale

Questa è la parte più operativa del workshop. Si prendono attività concrete e si trasformano in esercizi: scrivere una mail difficile, sintetizzare una riunione, preparare una scaletta commerciale, creare una checklist, confrontare due documenti, riformulare un testo tecnico, progettare un piano editoriale.

Un prompt utile non è una frase magica. È una mini-istruzione di lavoro. Per esempio deve dire all’AI:

  • chi deve essere il destinatario;
  • quale obiettivo deve raggiungere;
  • quale tono usare;
  • quali informazioni sono certe e quali no;
  • quali vincoli rispettare;
  • in quale formato restituire il risultato;
  • come segnalare dubbi, fonti mancanti o passaggi incerti.

Qui si vede subito la differenza tra “fammi un testo” e “aiutami a lavorare meglio”.

4. Verifica delle risposte: la parte che molti saltano

Un workshop serio deve insegnare anche a controllare l’output. L’intelligenza artificiale generativa è bravissima a produrre testi plausibili. Il problema è proprio questo: plausibile non significa vero.

Per questo conviene allenare i partecipanti a chiedere fonti, separare fatti da ipotesi, controllare numeri, evitare citazioni inventate, verificare riferimenti normativi e usare l’AI come assistente, non come responsabile finale.

5. Mini policy aziendale: cosa facciamo da lunedì mattina

Il workshop dovrebbe chiudersi con una bozza di regole operative. Poche, chiare, applicabili. Per esempio:

  • non inserire dati personali, riservati o contrattuali in strumenti non autorizzati;
  • indicare quando un contenuto è stato prodotto o rielaborato con AI, se il contesto lo richiede;
  • validare sempre output legali, fiscali, medici, finanziari o tecnici;
  • non usare l’AI per decisioni automatizzate su persone senza valutazioni specifiche;
  • preferire strumenti approvati dall’azienda per attività sensibili;
  • tenere traccia dei casi d’uso più importanti.

Questa mini policy non sostituisce il lavoro di legali, DPO, IT o compliance. Però aiuta moltissimo a trasformare la formazione in comportamenti concreti.

Quali evidenze conservare dopo il workshop

Se la formazione è obbligatoria, prima o poi qualcuno chiederà: “Come dimostriamo di averla fatta?”. Meglio pensarci subito.

Dopo un workshop di formazione AI obbligatoria conviene conservare almeno questi materiali:

  • programma del corso o agenda del workshop;
  • registro presenze o report di partecipazione;
  • materiali didattici usati durante la sessione;
  • esercizi svolti o casi analizzati;
  • eventuale test finale o questionario di autovalutazione;
  • policy, checklist o linee guida consegnate ai partecipanti;
  • data della formazione e profilo dei destinatari;
  • aggiornamenti successivi, soprattutto se cambiano strumenti o processi.

La parola chiave è “coerenza”. Se formo un team marketing che usa l’AI per generare contenuti, affronterò prompt, copyright, tono di voce, revisione e fact-checking. Se formo HR, parlerò molto di dati personali, bias, selezione, valutazione e trasparenza. Se formo manager, lavorerò su decisioni, produttività, limiti degli strumenti e governance.

Workshop per aziende: esempi di moduli pratici

Un vantaggio del workshop è che può essere modulare. Ecco alcuni moduli che uso spesso nei percorsi aziendali sull’AI generativa.

Modulo base: usare l’AI senza farsi usare dall’AI

Introduzione pratica a ChatGPT, Copilot, Gemini e altri strumenti. Cosa fanno, cosa non fanno, perché sbagliano, come scrivere prompt sensati, come controllare i risultati.

Modulo dati e privacy

Cosa evitare di caricare nei chatbot, come ragionare sui dati personali, quali informazioni vanno anonimizzate, quando coinvolgere DPO, IT o responsabili interni.

Modulo contenuti e comunicazione

Uso dell’AI per email, articoli, post LinkedIn, presentazioni, piani editoriali e materiali commerciali. Con una regola semplice: l’AI aiuta a scrivere, ma la responsabilità resta umana.

Modulo produttività personale

Riassunti, checklist, preparazione riunioni, brainstorming, analisi di documenti, organizzazione delle informazioni, uso di strumenti come NotebookLM o assistenti integrati nelle suite di lavoro.

Modulo manager e decisioni

Come usare l’AI per esplorare scenari senza delegare decisioni delicate a uno strumento probabilistico. Qui entrano in gioco qualità delle fonti, bias, accountability e tracciabilità.

Quanto deve durare la formazione AI obbligatoria?

Non esiste una durata magica valida per tutti. L’AI Act parla di livello sufficiente di alfabetizzazione AI, da valutare anche rispetto al contesto d’uso. Tradotto: una persona che usa Copilot per migliorare testi interni non ha lo stesso bisogno formativo di chi introduce un sistema AI in ambito HR, credito, sanità, sicurezza o valutazione di persone.

Come regola pratica:

  • 2 ore: sensibilizzazione iniziale, utile per platee ampie;
  • 4 ore: workshop operativo per team che usano già strumenti AI;
  • 8 ore: laboratorio completo con esercizi, policy e casi di reparto;
  • percorso modulare: soluzione migliore quando l’azienda ha reparti con rischi e bisogni diversi.

La durata conta meno della pertinenza. Un workshop breve ma costruito sui casi reali dell’azienda vale più di una giornata generica piena di definizioni.

Domande frequenti sul workshop di formazione AI obbligatoria

La formazione AI obbligatoria deve essere uguale per tutti?

No. L’articolo 4 dell’AI Act chiede un livello sufficiente di alfabetizzazione AI, tenendo conto anche delle conoscenze tecniche, dell’esperienza, dell’istruzione, del contesto d’uso e delle persone o dei gruppi su cui i sistemi AI possono avere effetti. In pratica: meglio una formazione calibrata sui ruoli che un corso identico per tutta l’azienda.

Un workshop su ChatGPT vale come formazione AI obbligatoria?

Può essere una parte della formazione, ma non dovrebbe limitarsi ai comandi di ChatGPT. Un workshop utile deve includere limiti dell’AI, rischi, privacy, verifica delle risposte, esempi di uso corretto e regole aziendali.

Serve un test finale?

Non sempre è obbligatorio, ma è consigliabile. Un breve test o questionario aiuta a documentare la partecipazione e a capire se i concetti essenziali sono passati davvero.

Ogni quanto va aggiornata la formazione AI?

Conviene prevedere aggiornamenti periodici, soprattutto quando cambiano strumenti, processi interni, policy aziendali o indicazioni normative. Nel mondo dell’AI, un corso fatto una volta e dimenticato in archivio invecchia in fretta.

Vuoi organizzare un workshop pratico sulla formazione AI obbligatoria?

Da anni tengo corsi per aziende e professionisti sull’intelligenza artificiale generativa, su ChatGPT, Copilot, Gemini, Claude, NotebookLM, prompt engineering e uso consapevole della tecnologia. Posso aiutare la tua azienda a progettare un workshop pratico, calibrato sui ruoli, sui casi d’uso e sui rischi reali.

Il taglio è molto concreto: esempi, esercizi, strumenti, checklist, materiali e indicazioni operative da usare subito. Perché l’obiettivo non è solo “fare il corso”. L’obiettivo è usare meglio l’intelligenza artificiale, con più consapevolezza e meno improvvisazione.

Se vuoi portare in azienda un workshop sulla formazione AI obbligatoria, scrivimi: costruiamo il percorso più adatto al tuo contesto.

 

/0 Commenti/da

Deskilling: l’AI ci sta facendo dimenticare come si lavora? Gli studi che preoccupano gli esperti

,

C’è un paradosso silenzioso al cuore dell’era dell’intelligenza artificiale: più usiamo l’AI per svolgere compiti complessi, più rischiamo di perdere la capacità di svolgerli da soli. Non è fantascienza, non è allarmismo: è quello che emerge da una serie di studi scientifici recenti, pubblicati su riviste come Nature, The Lancet e presentati da ricercatori di Anthropic stessa.

Il fenomeno ha un nome: deskilling, ovvero l’erosione delle competenze. E i dati che arrivano dalla medicina, dall’ingegneria del software e dalle neuroscienze cognitive stanno iniziando a fare rumore nella comunità scientifica internazionale.

Cosa dice la scienza: il caso dei medici endoscopisti in Polonia

Partiamo dal dato più eclatante. Nel 2025, su The Lancet Gastroenterology and Hepatology (ottobre 2025, vol. 10, n. 10, pp. 896-903), è stato pubblicato uno studio che ha monitorato un gruppo di medici polacchi specializzati in endoscopia. Non medici qualunque: professionisti con almeno 2.000 colonscopie eseguite nel corso della loro carriera, quindi esperti con una lunga esperienza alle spalle.

A questi specialisti è stato dato accesso a un sistema AI in grado di analizzare in tempo reale le immagini della colonscopia e segnalare la presenza di adenomi, un tipo di lesione intestinale precancerosa. Risultato? Dopo l’esposizione al sistema AI, le performance dei medici — misurate senza l’ausilio dell’AI — sono calate in modo statisticamente significativo.

Il tasso di rilevamento degli adenomi (adenoma detection rate, ADR) è sceso dal 28,4% (226 su 795 esami) prima dell’esposizione all’AI al 22,4% (145 su 648) dopo l’esposizione. Una differenza assoluta di -6,0% (IC 95%: -10,5 a -1,6; p=0,0089). In termini pratici: i medici che avevano “delegato” la loro attenzione all’AI hanno iniziato a fare peggio quando l’AI non c’era.

«I medici specializzati in endoscopia avevano tutti eseguito almeno 2.000 colonscopie nel corso della carriera. Eppure, dopo l’esposizione all’AI, le loro prestazioni autonome sono calate.»
— Is AI ruining our skills? Early results are in — and they’re not good, Nature

Nature lancia l’allarme: il deskilling guidato dall’AI è reale

La rivista scientifica Nature ha dedicato un articolo a questo fenomeno emergente con un titolo inequivocabile: “Is AI ruining our skills? Early results are in — and they’re not good”. Il sottotitolo spiega tutto: le prove suggeriscono che il deskilling guidato dall’AI sta iniziando a manifestarsi in medicina, informatica e altri settori. I ricercatori stanno ora discutendo come preservare le competenze umane essenziali nell’era dell’AI.

Robert Wachter, medico presso l’Università della California a San Francisco e autore del libro “A Giant Leap: How AI is Transforming Healthcare and What That Means for Our Future” (Portfolio/Penguin, 2026), è tra le voci più autorevoli su questo tema. Wachter non è contrario all’AI — anzi, ne studia i benefici da anni — ma avverte che l’adozione acritica degli strumenti AI in medicina può portare a un deterioramento delle capacità diagnostiche dei clinici meno esperti, proprio quelli più vulnerabili al rischio di deskilling.

Il caso Anthropic: gli ingegneri del software imparano meno con l’AI

Il fenomeno non riguarda solo la medicina. Uno studio condotto nell’ambito dell’Anthropic Fellows Program — e pubblicato su arXiv (arXiv:2601.20245) prima della revisione paritaria — ha esaminato 52 ingegneri del software divisi in due gruppi: uno che utilizzava l’assistenza AI per scrivere codice, uno che codificava a mano.

Al termine dello studio, i partecipanti sono stati valutati con un quiz sulle competenze acquisite. Il risultato è stato netto: il gruppo che aveva usato l’AI ha ottenuto in media il 50%, contro il 67% del gruppo che aveva lavorato senza AI. Una differenza equivalente, come nota lo studio stesso, a quasi due voti scolastici.

«Il gruppo AI ha ottenuto una media del 50% al quiz, contro il 67% del gruppo che aveva codificato a mano — l’equivalente di quasi due voti scolastici di differenza.»
— How AI assistance impacts the formation of coding skills, Anthropic / arXiv

È un dato che fa riflettere, soprattutto se si pensa che questo studio è stato condotto da Anthropic stessa, una delle principali aziende di sviluppo AI. Non è una voce ostile alla tecnologia: è un’autocritica scientifica e metodologicamente fondata.

Deskilling: perché accade, e perché è un problema sistemico

Il meccanismo alla base del deskilling è ben noto in psicologia cognitiva: le competenze si consolidano attraverso la pratica ripetuta e la gestione diretta dell’errore. Quando deleghiamo un compito a uno strumento (sia esso un GPS, un correttore automatico o un sistema AI) il cervello riduce progressivamente l’allocazione di risorse cognitive a quel compito. Smette di esercitarsi.

Il problema specifico dell’AI è la sua efficacia. Un GPS può sbagliarsi e costringerti a ragionare. Un sistema AI avanzato, come quelli usati in endoscopia o nella generazione di codice, è così preciso da non lasciare mai spazio all’errore formativo. Non c’è mai il momento in cui il medico deve “capire” perché l’AI ha visto qualcosa che lui non aveva visto: semplicemente lo accetta.

Tapani Rinta-Kahila, Senior Lecturer di Business Information Systems e DECRA Fellow presso la Business School dell’Università del Queensland a Brisbane (Australia), studia questo fenomeno da anni. Nelle sue ricerche, il deskilling non è mai immediato: inizia con una dipendenza sottile dagli strumenti, si consolida nell’abitudine, e diventa un problema strutturale solo quando lo strumento non è disponibile o sbaglia.

Non è un argomento contro l’AI: è un’occasione per usarla meglio

Sarebbe un errore leggere questi studi come una condanna dell’intelligenza artificiale. L’AI in endoscopia ha salvato vite: ha rilevato adenomi che i medici avevano mancato. L’AI nella programmazione ha accelerato lo sviluppo di software. Il problema non è l’AI in sé, ma il modo in cui l’integriamo nei processi di apprendimento e di lavoro.

Gli stessi ricercatori che documentano il deskilling propongono soluzioni concrete:

  • Separare le fasi di apprendimento da quelle di produzione. I medici in formazione non dovrebbero usare l’AI come stampella, ma come strumento di verifica a posteriori. Prima si esercita il ragionamento clinico autonomo, poi si confronta con l’AI.
  • Introdurre sessioni regolari di lavoro senza AI. Esattamente come un pilota di aereo fa esercitazioni sul simulatore senza autopilota, i professionisti che usano AI ogni giorno dovrebbero mantenere attive le competenze di base.
  • Progettare sistemi AI che spiegano, non solo che decidono. Un sistema che mostra il ragionamento dietro una diagnosi o una riga di codice contribuisce all’apprendimento; uno che dà solo l’output finale lo ostacola.
  • Monitorare le competenze nel tempo. Le aziende e le istituzioni sanitarie dovrebbero tracciare l’evoluzione delle competenze dei loro professionisti, non solo la produttività.

Il punto per chi usa l’AI ogni giorno

Se usi strumenti AI quotidianamente — per scrivere, programmare, analizzare dati, fare ricerca — questi studi non ti dicono di smettere. Ti dicono di prestare attenzione a una domanda fondamentale: sto usando l’AI per amplificare le mie competenze, o sto delegando competenze che non voglio più sviluppare?

La differenza è cruciale. Un medico esperto che usa l’AI come secondo parere rimane esperto. Un medico che usa l’AI come primo e unico giudizio smette, silenziosamente, di allenarsi. Lo stesso vale per un programmatore, un analista, un copywriter, un manager.

L’AI è uno strumento potente. Come tutti gli strumenti potenti, il modo in cui lo usi determina se ti rende più forte o più dipendente. La consapevolezza è il primo passo.

Vuoi approfondire come usare l’AI in modo strategico senza perdere le tue competenze? Scopri i corsi disponibili oppure contattami per una consulenza.

 

/0 Commenti/da

Gemini Avanzato: Prompt Engineering, Deep Research, Automazione e Gems — Guida Pratica per Professionisti

Gemini, l’intelligenza artificiale di Google, è molto più di un semplice assistente conversazionale. Se sai come usarlo al livello avanzato, diventa uno strumento potentissimo per la ricerca, l’analisi dei dati, la produttività professionale e la creazione di flussi di lavoro automatizzati. In questo articolo — ispirato al webinar tenuto per EDI Confcommercio con oltre 460 professionisti collegati — esploriamo le funzionalità avanzate di Gemini con esempi concreti e pronti all’uso.

Perché usare Gemini a livello avanzato?

La maggior parte degli utenti usa Gemini per domande semplici o riassunti di testo. Ma chi vuole davvero trasformare il proprio modo di lavorare deve andare oltre: sfruttare il Prompt Engineering avanzato, automatizzare l’analisi dei dati, fare ricerche multi-fonte con il Deep Research e costruire assistenti personalizzati con i Gems.

Imprenditori, liberi professionisti, marketer, consulenti e manager possono usare queste funzionalità per risparmiare ore di lavoro ogni settimana, migliorare la qualità delle analisi e prendere decisioni più informate.

1. Prompt Engineering Avanzato con Gemini

Il prompt è la chiave di tutto. Un prompt mal strutturato produce risposte generiche; un prompt ben costruito produce output professionali e precisi. Ecco le tecniche principali:

Struttura a ruolo + contesto + obiettivo + formato

Invece di scrivere “dammi idee per un post LinkedIn”, prova così:

Sei un esperto di comunicazione digitale per PMI italiane. Ho un’azienda nel settore manifatturiero a Brescia. Voglio aumentare la mia visibilità su LinkedIn tra imprenditori del Nord Italia. Scrivi 3 idee di post con hook d’apertura forte, sviluppo del messaggio e call to action. Usa un tono autorevole ma diretto. Formato: un paragrafo per post, max 1200 caratteri ciascuno.

Questo tipo di prompt attiva le capacità reasoning di Gemini e produce contenuti immediatamente utilizzabili.

Chain of thought e prompting a più step

Per analisi complesse, chiedi a Gemini di ragionare passo dopo passo prima di darti la risposta finale. Esempio:

Prima elenca tutti i fattori da considerare, poi analizzali uno a uno, infine dammi la tua raccomandazione finale con pro e contro.

Prompt iterativo con feedback

Non fermarti alla prima risposta. Usa il follow-up per affinare: “Rendi il tono più formale”, “Aggiungi dati statistici”, “Accorcia del 30%”, “Trasforma il punto 3 in un esempio pratico”. Questa tecnica iterativa è la differenza tra un utente base e uno avanzato.

2. Automazione di Analisi e Gestione dei Dati

Gemini integra direttamente con Google Sheets, Google Drive e Google Workspace, permettendo di automatizzare analisi che prima richiedevano ore.

Analisi di fogli di calcolo

Carica un file CSV o collega un Google Sheet e chiedi a Gemini di:

  • Identificare trend nei dati di vendita degli ultimi 12 mesi
  • Calcolare la media mobile e prevedere il prossimo trimestre
  • Segmentare i clienti per fatturato e frequenza d’acquisto
  • Evidenziare anomalie o outlier nei dati

Esempio concreto: “Analizza questi dati di vendita mensili, identifica i 3 prodotti con il calo maggiore negli ultimi 6 mesi e suggerisci possibili cause e azioni correttive.”

Sintesi automatica di documenti aziendali

Carica PDF, report, contratti o email e chiedi a Gemini di estrarre i punti chiave, identificare rischi, confrontare versioni diverse di un documento o generare una sintesi esecutiva. Questo è particolarmente utile per consulenti, avvocati d’affari e manager che gestiscono grandi volumi di documentazione.

Creazione di script e formule

Gemini può scrivere formule complesse per Excel/Google Sheets, script Google Apps Script per automatizzare attività ripetitive, e persino codice Python per analisi dati più avanzate — anche se non sei un programmatore.

3. Deep Research Multi-Fonte

La funzione Deep Research di Gemini (disponibile nelle versioni avanzate) è una delle più potenti per chi fa ricerca professionale. Permette di effettuare ricerche approfondite su un argomento, consultando e sintetizzando decine di fonti in pochi minuti.

Come funziona il Deep Research

Invece di fare una singola ricerca e ottenere un’unica risposta, il Deep Research:

  • Definisce automaticamente un piano di ricerca strutturato
  • Consulta decine di fonti web verificate
  • Sintetizza le informazioni in un report coerente e dettagliato
  • Cita le fonti con link verificabili

Esempi pratici di Deep Research

Per un consulente di marketing: “Fai una ricerca approfondita sulle ultime tendenze nel marketing B2B in Italia nel 2025: canali più efficaci, budget medi, strumenti AI più adottati e casi studio di successo.”

Per un imprenditore: “Analizza il mercato del packaging sostenibile in Europa: dimensioni del mercato, principali player italiani, normative UE in arrivo, opportunità per PMI.”

Per un professionista HR: “Ricerca le migliori pratiche internazionali per il recruiting di figure tech nel 2025: canali, compensation package, employer branding e retention.”

Il risultato è un report strutturato che sostituisce ore di ricerca manuale su Google, lettura di articoli e sintesi dei contenuti.

4. Gems: Assistenti Personalizzati con Gemini

I Gems sono forse la funzionalità più trasformativa di Gemini Advanced. Ti permettono di creare assistenti AI personalizzati per compiti specifici, con istruzioni, tono e contesto definiti da te una volta sola.

Cos’è un Gem e come si crea

Un Gem è un’istanza personalizzata di Gemini a cui puoi dare un nome, un ruolo specifico e istruzioni dettagliate. Ogni volta che lo apri, “ricorda” il contesto e si comporta esattamente come vuoi tu.

Per crearlo: vai su gemini.google.com → Gem manager → Nuovo Gem. Inserisci un nome, una descrizione e le istruzioni di sistema.

Esempi concreti di Gems utili per professionisti

Gem “Copywriter LinkedIn”: “Sei il mio assistente per la comunicazione LinkedIn. Conosci il mio settore (formazione AI e comunicazione digitale per aziende), il mio pubblico (imprenditori e manager italiani) e il mio stile (diretto, concreto, con dati). Quando ti chiedo di scrivere un post, seguono sempre questa struttura: hook forte nella prima riga, sviluppo con esempio concreto, call to action finale.”

Gem “Analista Dati”: “Sei il mio analista dati. Quando ti carico un dataset, prima descrivi la struttura, poi identifichi pattern e anomalie, poi suggerisci 3 visualizzazioni utili e infine mi dai 5 insight azionabili. Usa sempre linguaggio semplice, adatto a un imprenditore non tecnico.”

Gem “Coach per Presentazioni”: “Sei un esperto di public speaking e storytelling aziendale. Quando ti condivido una presentazione o uno schema, mi aiuti a migliorare la narrativa, rafforzare l’apertura, rendere più chiare le slide e chiudere con un messaggio forte e memorabile.”

Perché i Gems cambiano il modo di lavorare

Senza Gems, ogni volta che apri Gemini devi rispiegare chi sei, cosa fai e come vuoi che risponda. Con i Gems, hai già tutto configurato: il contesto è lì, pronto. È come avere un assistente specializzato sempre disponibile, che conosce già il tuo settore, il tuo stile e i tuoi obiettivi.

Gemini Advanced vs Gemini Free: cosa cambia per i professionisti?

Le funzionalità avanzate descritte in questo articolo (Deep Research, Gems avanzati, integrazione con Google Workspace, finestra di contesto estesa fino a 1 milione di token) sono disponibili principalmente con Gemini Advanced, incluso nel piano Google One AI Premium.

Per un professionista o un’azienda che vuole usare l’AI seriamente, l’investimento si ripaga ampiamente in termini di tempo risparmiato e qualità del lavoro prodotto.

Conclusione: l’AI non sostituisce i professionisti, potenzia quelli che la sanno usare

Come emerso chiaramente nel webinar di EDI Confcommercio, il valore di Gemini — e dell’AI in generale — non è nel fare le cose al posto tuo, ma nell’amplificare le tue competenze. Chi impara a usare il Prompt Engineering avanzato, il Deep Research, l’automazione dei dati e i Gems ottiene un vantaggio competitivo reale e misurabile.

Il punto non è sapere tutto sull’AI: è sapere quali strumenti usare, quando usarli e come configurarli per il proprio lavoro specifico. E quello lo puoi imparare adesso.

Vuoi approfondire l’uso avanzato di Gemini e degli strumenti AI per la tua attività? Scopri i corsi e i webinar disponibili oppure contattami per una consulenza personalizzata.

/0 Commenti/da

Gemini o NotebookLM? Differenze, esempi e formazione per aziende

, ,

Gemini o NotebookLM? La risposta breve è questa: Gemini è più adatto come assistente AI trasversale per creare, rielaborare e ragionare; NotebookLM è più adatto quando il lavoro deve restare ancorato a un insieme di fonti selezionate. Non sono due strumenti identici e, nella maggior parte delle aziende, non serve sceglierne uno solo.

La vera competenza consiste nel capire quale usare per ogni attività. Gemini può aiutare a preparare una bozza, sviluppare idee, riorganizzare un testo o affrontare un compito dentro l’ecosistema Google. NotebookLM dà il meglio quando bisogna interrogare documenti, confrontare fonti, costruire un briefing o trasformare materiali esistenti in guide, FAQ e contenuti formativi.

In questo articolo vediamo le differenze tra Gemini e NotebookLM, alcuni casi d’uso concreti e il metodo che utilizzo nei miei corsi per aziende e professionisti.

Qual è la differenza tra Gemini e NotebookLM?

Gemini è un assistente di intelligenza artificiale generalista; NotebookLM è un ambiente di ricerca e rielaborazione basato soprattutto sulle fonti aggiunte dall’utente. Gemini parte dal compito che gli affidiamo. NotebookLM parte dal materiale che decidiamo di mettere nel notebook.

Criterio Gemini NotebookLM
Funzione principale Assistente AI per attività diverse Analisi e trasformazione di fonti selezionate
Punto di partenza Una richiesta, un obiettivo o una conversazione Un insieme di documenti, link, file e altri materiali
Ideale per Scrittura, ideazione, rielaborazione e supporto operativo Studio, confronto, sintesi, briefing e knowledge management
Controllo delle fonti Dipende dal compito e dal contesto fornito Le risposte sono collegate alle fonti del notebook
Integrazione Google Workspace Sì, nativa con Gmail, Docs, Drive, Meet Limitata, non è integrato direttamente in Workspace
Modalità audio Non disponibile in questo formato Sì, genera podcast e sintesi audio

Come funziona Gemini in azienda

Gemini è pensato per lavorare dentro i flussi aziendali quotidiani. Se usi Google Workspace, Gemini è già presente in Gmail, Docs, Drive, Meet e Chat. Puoi usarlo per riassumere un’email, redigere una risposta, elaborare un documento, creare una presentazione o preparare un report partendo da dati dispersi.

La sua forza è la flessibilità: Gemini non ha bisogno di essere “configurato” prima di usarlo. Basta descrivere il compito, fornire il contesto necessario e procedere. Funziona bene anche con testi lunghi, conversazioni complesse e richieste aperte.

Alcune attività dove Gemini dà risultati concreti:

  • Rielaborare comunicati, newsletter o contenuti esistenti
  • Costruire bozze di proposta o presentazione
  • Rispondere a email e messaggi con un tono coerente
  • Sintetizzare note di riunione o trascrizioni
  • Supportare l’analisi di dati con Google Sheets

Video: Come funziona la ricerca approfondita (Deep Research) di Google Gemini

Come creare video con NotebookLM - tutorial di Gianluigi Bonanomi
Google NotebookLM: creazione di contenuti da fonti documentali

Come funziona NotebookLM in azienda

NotebookLM funziona diversamente: ogni progetto parte da un notebook in cui l’utente inserisce le fonti che vuole analizzare. Possono essere PDF, documenti Google, link a pagine web, video YouTube o file audio. Una volta caricate, tutte le risposte di NotebookLM restano ancorate a quelle fonti, con citazioni esplicite.

Questo rende NotebookLM particolarmente utile quando si lavora su materiali specifici dell’azienda: policy interne, report di ricerca, manuali, trascrizioni di interviste, contenuti formativi. Il modello non inventa: risponde solo in base a ciò che è nel notebook.

Alcune attività dove NotebookLM dà risultati concreti:

  • Costruire FAQ da documenti aziendali
  • Confrontare versioni diverse di un documento
  • Creare briefing e sintesi da report lunghi
  • Generare materiale formativo da contenuti esistenti
  • Produrre sintesi audio (podcast) da testi o documenti

Video: Come creare video con NotebookLM

Gemini e NotebookLM: possono lavorare insieme?

Sì, e nei miei corsi per aziende mostro esattamente questo. Il flusso più comune prevede di usare NotebookLM per analizzare e sintetizzare le fonti, e poi Gemini per rielaborare, ampliare e portare il contenuto nella forma finale desiderata.

Ad esempio: un team HR può caricare in NotebookLM tutte le policy aziendali e farsi aiutare a costruire una guida per i nuovi assunti. Poi può passare la bozza a Gemini per adattarla al tono della comunicazione interna, aggiungere esempi concreti o prepararla in formato presentazione.

Altre risorse video su Gemini e NotebookLM

Gemini gestisce il Google Calendar

NotebookLM legge le immagini: tre esempi pratici

Formazione su Gemini e NotebookLM per aziende

Nei miei corsi e workshop aziendali lavoro su entrambi gli strumenti, con esercizi pratici e casi d’uso reali. L’obiettivo non è solo capire come funzionano tecnicamente, ma imparare a integrare Gemini e NotebookLM nei flussi di lavoro quotidiani, in modo che il team guadagni tempo e produca risultati migliori.

Il percorso formativo è personalizzato in base al settore, ai ruoli del team e agli strumenti già in uso. Si parte sempre da attività concrete: niente teoria astratta, solo applicazione diretta.

Se stai valutando un corso su Gemini, su NotebookLM o sull’AI per il tuo team, trovi qui sotto un form per contattarmi.

Hai domande o vuoi organizzare una formazione?

    Il tuo nome (richiesto)

    La tua email (richiesto)

    Oggetto

    Il tuo messaggio

    /0 Commenti/da

    Come usare Perplexity (gratis) per cercare lavoro

    , ,

    Cercare lavoro è un lavoro: ormai è un cliché. Devi individuare gli annunci giusti, capire quali aziende assumono, aggiornare il curriculum, prepararti ai colloqui e magari scoprire quali competenze mancano al tuo profilo.

    Il problema è che tutte queste attività richiedono tempo. Molto tempo.

    Perplexity può aiutarti a ridurlo. È uno strumento di intelligenza artificiale che combina le capacità di un chatbot con quelle di un motore di ricerca: cerca informazioni online, sintetizza i risultati e, soprattutto, mostra le fonti utilizzate.

    In questa guida vedrai come usare Perplexity nella versione gratuita per la ricerca del lavoro, con 12 esempi concreti e altrettanti prompt pronti da copiare.

    Che cos’è Perplexity?

    Perplexity è un motore di ricerca basato sull’intelligenza artificiale. Invece di restituire soltanto una lista di link, prova a costruire una risposta ragionata usando informazioni reperite sul Web.

    Su Google potresti cercare: “offerte di lavoro marketing Milano”. Su Perplexity puoi formulare una richiesta molto più articolata:

    Cerca offerte pubblicate negli ultimi sette giorni per digital marketing specialist a Milano, con possibilità di lavoro ibrido e almeno due giorni di smart working. Crea una tabella con azienda, posizione, data di pubblicazione, requisiti e link all’annuncio.

    La versione gratuita permette di effettuare ricerche, consultare le fonti e utilizzare alcune funzioni avanzate con limiti variabili. Questi limiti possono cambiare nel tempo: conviene quindi controllare la pagina ufficiale dei piani di Perplexity.

    Perché usare Perplexity per cercare lavoro?

    Perplexity non sostituisce LinkedIn, Indeed, InfoJobs, i portali aziendali o il contatto con i recruiter. Può però diventare il livello di ricerca che li collega. Se vuoi approfondire come usare l’AI nella ricerca del lavoro in generale, leggi anche la guida su cercare lavoro con l’intelligenza artificiale.

    • Individuare opportunità professionali e aziende interessanti.
    • Analizzare un settore e confrontare il CV con il mercato.
    • Scoprire competenze emergenti e costruire un piano di formazione.
    • Preparare colloqui e verificare informazioni sull’azienda.
    • Cercare eventi e occasioni di networking.

    Attenzione: le offerte possono scadere, essere duplicate o cambiare. Prima di candidarti devi sempre aprire la fonte originale e verificare che la posizione sia ancora disponibile.

    Prima di iniziare: prepara il tuo kit professionale

    • Curriculum aggiornato.
    • Ruolo desiderato e area geografica.
    • Disponibilità al lavoro remoto o ibrido.
    • Livello di esperienza e settori preferiti.
    • Competenze tecniche e conoscenza delle lingue.
    • Aspettative contrattuali ed eventuali vincoli sulla mobilità.

    Se carichi il curriculum, elimina prima i dati non necessari: indirizzo completo, codice fiscale, firma, numero di documento e altre informazioni sensibili. Per lavorare sul posizionamento bastano esperienze, studi, competenze e risultati professionali.

    1. Scoprire quali lavori puoi fare partendo dal curriculum

    Non sempre il problema è trovare gli annunci. A volte non sappiamo nemmeno quali ruoli cercare. Puoi caricare il curriculum in PDF e chiedere a Perplexity di ricavare una lista di posizioni compatibili.

    Prompt

    Analizza il curriculum che ho caricato.

    Individua:
    1. le mie competenze tecniche;
    2. le competenze trasversali dimostrate dalle esperienze;
    3. i settori nei quali ho già lavorato;
    4. dieci posizioni lavorative compatibili con il mio profilo;
    5. cinque posizioni adiacenti che potrei valutare con una formazione limitata.

    Per ogni posizione indica perché è coerente, competenze già possedute, competenze mancanti, parole chiave da usare e compatibilità da 1 a 10. Non inventare esperienze assenti dal curriculum.

    2. Cercare offerte coerenti con il curriculum

    Dopo aver identificato i ruoli compatibili, puoi chiedere a Perplexity di cercare offerte recenti e verificabili.

    Prompt

    In base al curriculum allegato, cerca offerte di lavoro attualmente disponibili in Italia e pubblicate o aggiornate negli ultimi 14 giorni.

    Vincoli: località Milano e provincia; modalità ibrida o da remoto; esperienza richiesta massimo 5 anni; escludi stage non retribuiti; considera soltanto offerte con una pagina originale verificabile.

    Crea una tabella con posizione, azienda, località, modalità, data, requisiti principali, compatibilità con il CV da 1 a 10, gap e link diretto. Ordina dalla maggiore compatibilità. Se non riesci a verificare un dato, scrivi “non disponibile”.

    3. Trovare aziende per un’autocandidatura

    Molte opportunità non arrivano sui portali di recruiting. Può quindi essere utile individuare aziende coerenti con il proprio profilo e inviare un’autocandidatura mirata.

    Prompt

    Agisci come un consulente di carriera specializzato nel mercato italiano. Partendo dal mio curriculum, individua 20 aziende con sede in Lombardia che potrebbero essere interessate al mio profilo, anche se non hanno pubblicato un annuncio.

    Per ogni azienda indica settore, sede, dimensioni indicative, prodotti o servizi, motivo della compatibilità, segnali recenti di crescita, pagina Lavora con noi e fonti. Dividile in compatibilità alta, media e aziende più sfidanti. Usa informazioni recenti e non inventare indirizzi email.

    4. Scoprire le aziende che stanno crescendo

    Un’azienda che apre sedi, raccoglie investimenti, acquisisce concorrenti o lancia prodotti potrebbe avere bisogno di nuove persone.

    Prompt

    Cerca aziende italiane del settore cybersecurity che negli ultimi 12 mesi abbiano mostrato segnali concreti di crescita: nuovi finanziamenti, acquisizioni, apertura di sedi, ingresso in nuovi mercati, crescita dell’organico, nuovi prodotti o partnership rilevanti.

    Crea una tabella con azienda, segnale di crescita, data, fonte, sede, pagina carriere ed eventuali posizioni aperte. Usa preferibilmente fonti aziendali, comunicati stampa e testate economiche affidabili. Segnala le informazioni non confermate.

    5. Analizzare i trend occupazionali del settore

    Quali professioni stanno crescendo? Quali competenze compaiono più spesso negli annunci? Perplexity può realizzare una prima analisi del mercato.

    Prompt

    Analizza il mercato del lavoro italiano per i professionisti del marketing digitale usando dati pubblicati negli ultimi 18 mesi. Indica ruoli più richiesti, competenze tecniche, strumenti più citati, competenze AI emergenti, ruoli in crescita, attività esposte all’automazione e settori che assumono di più.

    Distingui chiaramente dati documentati, interpretazioni e previsioni. Cita le fonti e la data di ciascun dato.

    6. Analizzare una singola offerta di lavoro

    Gli annunci sono spesso pieni di formule standard. Devi capire quali requisiti contano davvero e quali elementi richiedono chiarimenti.

    Prompt

    Analizza questa offerta di lavoro: [INCOLLA IL TESTO O IL LINK].

    Estrai attività principali, requisiti obbligatori e preferenziali, competenze tecniche, soft skill, seniority, parole chiave per il CV, possibili domande di colloquio ed elementi poco chiari. Individua eventuali segnali critici: responsabilità eccessive, descrizione generica, requisiti contraddittori, informazioni essenziali assenti o annuncio non aggiornato. Non dedurre stipendio o condizioni non dichiarate.

    7. Misurare la compatibilità tra CV e annuncio

    Ottimizzare il CV per gli ATS non significa riempirlo di parole chiave. Significa usare il linguaggio dell’annuncio quando descrive competenze che possiedi davvero.

    Prompt

    Confronta il curriculum allegato con questa offerta: [INCOLLA ANNUNCIO].

    Crea una tabella con requisito, evidenza nel CV, corrispondenza, informazione mancante e possibile miglioramento. Poi assegna un punteggio indicativo 0-100, elenca parole chiave pertinenti assenti, suggerisci riformulazioni senza inventare competenze, indica i requisiti mancanti e proponi cinque domande al recruiter. Se il CV non contiene una prova, non considerare la competenza acquisita.

    8. Studiare un’azienda prima del colloquio

    Presentarsi a un colloquio senza conoscere l’azienda è uno degli errori più frequenti. Perplexity può preparare un briefing aggiornato.

    Prompt

    Devo sostenere un colloquio con [AZIENDA] per [POSIZIONE]. Prepara un briefing con storia, attività, prodotti, mercati, concorrenti, notizie degli ultimi 12 mesi, investimenti o cambiamenti, valori dichiarati, sfide del settore, competenze cercate e dieci domande intelligenti.

    Dai priorità al sito aziendale, comunicati ufficiali, bilanci e fonti giornalistiche autorevoli. Inserisci data e link per ogni notizia.

    9. Confrontare due offerte di lavoro

    Se hai ricevuto due proposte, Perplexity può aiutarti a costruire una matrice decisionale senza scegliere al posto tuo.

    Prompt

    Confronta queste due offerte:
    OFFERTA A: [INCOLLA]
    OFFERTA B: [INCOLLA]

    Usa: coerenza con il CV, crescita, stabilità, formazione, flessibilità, responsabilità, spendibilità futura, distanza, retribuzione e benefit solo se dichiarati, rischi e dati mancanti. Assegna un punteggio 1-5 e spiega. Indica quale appare migliore per crescita professionale, stabilità ed equilibrio vita-lavoro.

    10. Scoprire quali corsi seguire

    Prima di acquistare un corso, verifica se la competenza è davvero richiesta dal mercato.

    Prompt

    Voglio candidarmi come data analyst junior in Italia. Analizza un campione recente di offerte e individua dieci competenze tecniche più richieste, strumenti frequenti, conoscenze statistiche, certificazioni e competenze indispensabili o preferenziali.

    Confronta i risultati con il CV allegato e costruisci un piano di 12 settimane. Per ogni settimana indica obiettivo, argomento, esercizio, risorsa gratuita, tempo e risultato da inserire nel portfolio. Privilegia fonti ufficiali e verifica i link.

    11. Cercare corsi, certificazioni e finanziamenti gratuiti

    Oltre ai corsi online esistono programmi regionali, fondi, academy aziendali e iniziative finanziate.

    Prompt

    Cerca opportunità formative gratuite o finanziate attualmente disponibili per una persona disoccupata residente in Lombardia che vuole lavorare nella cybersecurity. Includi corsi regionali, programmi nazionali, academy, corsi universitari aperti, certificazioni gratuite o con voucher.

    Per ogni opportunità indica ente, requisiti, programma, modalità, durata, scadenza, certificazione e pagina ufficiale. Escludi pagine non aggiornate e distingui i corsi gratuiti dalle sole prove gratuite.

    12. Creare un piano settimanale per la ricerca del lavoro

    La ricerca del lavoro rischia di diventare caotica. Puoi trasformarla in un piano misurabile.

    Prompt

    Agisci come un career coach pragmatico. Voglio trovare lavoro come [RUOLO] entro [PERIODO] e posso dedicare [NUMERO] ore alla settimana.

    Costruisci un piano con ricerca offerte, selezione, personalizzazione del CV, autocandidature, networking LinkedIn, studio aziende, formazione, colloqui e verifica dei risultati. Definisci indicatori misurabili e prepara il modello di un foglio di monitoraggio con colonne, stati e prossima azione.

    Il trucco più importante: chiedere sempre le fonti

    Perplexity mostra normalmente le fonti, ma questo non significa che siano tutte ugualmente attendibili. Per migliorare una ricerca puoi aggiungere questa istruzione:

    Per ogni affermazione importante indica una fonte direttamente verificabile. Privilegia fonti primarie e aggiornate. Specifica la data della fonte. Se due fonti sono in contrasto, segnalalo. Se non trovi conferme sufficienti, scrivi chiaramente che l’informazione non è verificata.

    Per le offerte di lavoro, l’ordine di affidabilità consigliato è:

    1. Pagina Lavora con noi dell’azienda.
    2. Portale ufficiale usato dall’azienda.
    3. Profilo LinkedIn verificabile.
    4. Portale di recruiting.
    5. Aggregatore di annunci.

    Come scrivere prompt migliori per Perplexity

    Un buon prompt per la ricerca del lavoro dovrebbe contenere almeno cinque elementi:

    • Contesto: chi sei e cosa stai cercando.
    • Obiettivo: quale risultato vuoi ottenere.
    • Vincoli: luogo, periodo, contratto ed esperienza.
    • Formato: tabella, elenco, piano o confronto.
    • Fonti: quali siti privilegiare e quanto devono essere recenti.

    Un prompt debole potrebbe essere: “Cercami un lavoro nel marketing”. Un prompt più efficace è:

    Cerca posizioni junior nel digital marketing pubblicate negli ultimi sette giorni a Bergamo, Brescia o Milano. Considera ruoli ibridi e contratti a tempo determinato o indeterminato. Escludi stage e offerte prive del nome dell’azienda. Crea una tabella con requisiti, località, data, modalità di lavoro e link diretto alla fonte originale.

    Tre errori da evitare

    1. Fidarsi senza aprire le fonti

    Perplexity può sbagliare, associare un dato alla fonte sbagliata o presentare come attuale un annuncio scaduto.

    2. Inviare il primo testo generato

    Una candidatura scritta interamente dall’AI può risultare generica. Usa la risposta come bozza, poi aggiungi esperienze, numeri, motivazioni e dettagli personali.

    3. Caricare troppi dati personali

    Per analizzare un curriculum non servono codice fiscale, indirizzo completo o documenti. Prima di caricare un file consulta condizioni e informativa sulla privacy.

    Perplexity può davvero aiutarti a trovare lavoro?

    Sì, ma non nel modo miracoloso spesso promesso dall’intelligenza artificiale.

    Perplexity non sostiene il colloquio al posto tuo, non costruisce relazioni professionali e non può garantire che le informazioni trovate siano corrette. Può però fare molto bene tre cose: allargare la ricerca, organizzare le informazioni e aiutarti a formulare domande migliori.

    Usalo come un assistente di ricerca, non come un pilota automatico. Nel mercato del lavoro la tecnologia può velocizzare il processo; la credibilità, le competenze e le relazioni restano ancora affare tuo. Per un approccio diverso all’uso dell’AI nel lavoro, puoi anche leggere la guida su come usare NotebookLM nella ricerca del lavoro.

    Domande frequenti

    Perplexity è gratuito?

    Perplexity offre un piano gratuito con ricerche standard e accesso limitato ad alcune funzioni avanzate. Limiti e caratteristiche possono cambiare.

    Posso caricare il curriculum?

    Perplexity permette di allegare documenti in alcune modalità. Prima di caricare il CV è consigliabile rimuovere dati personali non necessari e consultare l’informativa sulla privacy di Perplexity.

    Può trovare offerte di lavoro?

    Può cercare e organizzare annunci pubblicati sul Web, ma non garantisce che siano ancora aperti. La disponibilità va verificata sulla fonte originale.

    Può riscrivere il curriculum?

    Può analizzarlo, confrontarlo con un annuncio e suggerire modifiche. Non deve aggiungere esperienze o competenze inesistenti.

    È meglio Perplexity o ChatGPT?

    Perplexity è particolarmente utile per ricerche online aggiornate e fonti; un chatbot generalista può essere più adatto a riscrittura e simulazioni. Sono complementari. Scopri come usarli insieme nella guida su trovare lavoro con ChatGPT e Gemini.

    Può sostituire un career coach?

    No. Può fornire informazioni e ipotesi, ma non conosce completamente la persona e il contesto. Le decisioni importanti richiedono valutazione umana.

     

    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

    Come scoprire se ChatGPT cita il tuo sito (grazie a Google Analytics 4)

    , ,

    L’intelligenza artificiale sta cambiando le regole della ricerca online. Sempre più utenti usano ChatGPT per trovare risposte, prodotti e servizi, ma c’è un dettaglio che molti sottovalutano: i chatbot citano le fonti.

    Quando ChatGPT risponde a una domanda inserendo un link verso il tuo sito, si genera un traffico prezioso e mirato. Ma come si fa a capire quali pagine stanno piacendo di più all’algoritmo di OpenAI? La risposta è dentro Google Analytics 4. Con pochi clic puoi isolare questo traffico e scoprire quali contenuti raddoppiare per scalare la SEO nell’era dei chatbot. Ecco i passaggi da seguire per configurare il report su GA4.

    Identificare la sorgente di traffico ChatGPT

    Il primo passo serve a capire se e quanto traffico arriva effettivamente dai chatbot. Per farlo, entra nel tuo pannello di Google Analytics 4 e segui questo percorso:

    • Clicca su Report nel menu a sinistra.

    • Seleziona la voce Acquisizione e poi Acquisizione traffico.

    • Nella tabella principale, individua la colonna Gruppo di canali principali della sessione e applica un nuovo filtro.

    • Modifica la dimensione selezionando Sorgente sessione.

    • Usa la barra di ricerca sopra la tabella e digita chatgpt.com.

    In questo modo isolerai tutte le visite che sono passate direttamente da una conversazione su ChatGPT al tuo sito. Per me è stata una sorpresa. Sebbene le visite da ChatGPT non siano molte, anzi pochine, comunque ci sono. Eppure si muove, disse Galileo.

    Che cosa dicono questi dati?

    Ho chiesto a Claude di interpretare i dati. Ecco il suo responso: “Da gennaio a metà giugno 2026, ChatGPT ha generato 39 sessioni verso il sito, principalmente tramite traffico Referral (64%). Le visite Referral mostrano una qualità migliore, con un tasso di coinvolgimento del 48%, contro il 14% del traffico Unassigned. Nel complesso, il tasso medio di coinvolgimento è del 35,9%, in linea con la media del sito.
    L’andamento del traffico è discontinuo, con alcuni picchi concentrati tra febbraio e marzo. Nei mesi successivi le visite risultano sporadiche e senza una crescita costante. Pur mostrando segnali positivi in termini di interesse degli utenti, il traffico da ChatGPT resta ancora limitato e non ha generato conversioni.”

    Scoprire quali pagine vengono citate dall’intelligenza artificiale

    Sapere che ChatGPT ti manda traffico è utile, ma sapere dove lo manda è strategico. Per trovare le singole pagine preferite dall’IA, la procedura cambia leggermente:

    • Nel menu a sinistra, sposta l’attenzione su Coinvolgimento e seleziona Pagine e schermate.

    • Sopra il grafico, clicca sul pulsante Aggiungi filtro.

    • Imposta la dimensione su Sorgente sessione, scegli il tipo di corrispondenza contiene e inserisci il valore chatgpt (o il dominio completo).

    • Applica il filtro.

    La tabella si aggiornerà mostrandoti l’elenco esatto degli URL che gli utenti hanno cliccato all’interno delle chat. Ecco i miei risultati:

    Come si evince, la pagina che ha ricevuto qualche attenzione a partire da ChatGPT è questa:

    Arte a 360 gradi: 3 video YouTube da vedere con l’Oculus

    Perché questi dati cambiano la tua strategia di contenuti

    Le pagine che appaiono in questo report sono quelle che ChatGPT considera più autorevoli, dense di valore e strutturate meglio per rispondere alle intenzioni di ricerca degli utenti. Non ignorare questi segnali.

    Se noti che una specifica guida o un articolo del blog attira molto traffico da IA, significa che quel contenuto ha intercettato i parametri di scansione dei Large language model. Il consiglio in redazione è semplice: analizza la struttura di quelle pagine, aggiornale costantemente e crea nuovi contenuti che ricalchino lo stesso schema editoriale. Se l’algoritmo ha già dimostrato di apprezzare quel formato, la strada per ottimizzare il posizionamento è già tracciata.

    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