Empatia algoritmica: perché l’AI sembra capirci

, , ,

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

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

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

Che cos’è davvero l’empatia algoritmica?

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

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

In pratica, l’empatia algoritmica combina tre capacità:

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

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

Perché un chatbot può farci sentire ascoltati

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

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

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

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

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

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

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

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

Cosa ci dice la ricerca più recente

1. La qualità della risposta può essere utile

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

2. Più uso non significa automaticamente più benessere

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

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

3. Un sistema clinico non è un chatbot generalista

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

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

Quando il supporto diventa sostituzione

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

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

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

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

Ragazzi e AI companion: vietare non basta

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

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

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

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

Empatia algoritmica ed emotion recognition non sono la stessa cosa

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

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

Come usare l’AI senza delegarle le relazioni

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

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

Un prompt utile potrebbe essere:

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

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

La vera sfida è tornare a essere disponibili

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

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

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

Domande frequenti sull’empatia algoritmica

Che cos’è l’empatia algoritmica?

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

ChatGPT prova empatia?

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

Un chatbot può ridurre la solitudine?

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

Un chatbot può sostituire uno psicologo?

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

Qual è il principale rischio degli AI companion?

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

Come possono intervenire genitori e insegnanti?

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

Fonti

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

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

Invia un’email

/0 Commenti/da

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

, ,

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

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

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

Che cos’è l’epistemia?

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

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

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

Epistemia e allucinazioni dell’AI non sono la stessa cosa

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

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

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

Perché una risposta ben scritta ci sembra più vera?

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

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

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

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

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

Le sette fratture tra intelligenza umana e LLM

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

1. Grounding: esperienza del mondo contro input

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

2. Parsing: interpretazione contro tokenizzazione

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

3. Esperienza: memoria autobiografica contro associazioni statistiche

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

4. Motivazione: obiettivi umani contro ottimizzazione

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

5. Causalità: spiegare il perché contro riconoscere regolarità

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

6. Metacognizione: sapere di non sapere

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

7. Valori: responsabilità contro probabilità

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

Il vero rischio: trasformare la conoscenza da processo a prodotto

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

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

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

Cinque esempi concreti di epistemia al lavoro

Un responsabile HR chiede all’AI quale candidato assumere

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

Un avvocato riceve una sintesi giuridica

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

Un medico usa un chatbot per interpretare un caso

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

Un funzionario pubblico prepara una risposta a un cittadino

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

Uno studente prepara un’interrogazione

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

Una tesi potente, ma da non trasformare in dogma

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

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

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

Come difendersi dall’epistemia

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

1. Separare generazione e verifica

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

2. Chiedere la provenienza delle affermazioni

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

3. Rendere visibile l’incertezza

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

4. Cercare controesempi

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

5. Collegare le risposte a fonti delimitate

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

6. Mantenere l’essere umano nel punto giusto

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

7. Valutare il processo, non soltanto il risultato

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

Un prompt antiepistemia da provare

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

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

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

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

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

Dall’alfabetizzazione digitale all’alfabetizzazione epistemica

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

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

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

L’AI può rispondere, ma chi sta giudicando?

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

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

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

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

Domande frequenti sull’epistemia

Che cosa significa epistemia?

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

Epistemia e allucinazioni AI sono sinonimi?

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

L’epistemia è una malattia?

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

Come si evita l’epistemia?

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

L’intelligenza artificiale può sapere di non sapere?

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

Possiamo fidarci delle risposte dei chatbot?

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

Fonti principali

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

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

Inviaci email

/0 Commenti/da

5 skill per Claude: cosa fanno davvero e quali rischi evitare

, , ,

Aggiornato al 18 luglio 2026. Un video TikTok di un minuto presenta cinque skill per Claude che promettono di migliorare scrittura, memoria, progettazione di interfacce, osservazione dei task e ricerca di altre skill. Le ho verificate una per una: sono progetti reali, ma non sono componenti ufficiali di Anthropic e non vanno installati come se fossero semplici prompt. Una skill può contenere istruzioni, script e accessi a strumenti: in pratica è codice operativo che entra nel flusso di lavoro dell’agente.

Il video di @ozzibig, intitolato “5 skill di Claude che il 99% delle persone non conosce”, cita Stop Slop, Claude Mem, UI UX Pro Max, Task Observer e Find Skill. L’elenco è interessante perché mostra cinque direzioni in cui si stanno evolvendo gli assistenti agentici. Il punto, però, non è collezionare estensioni: è capire che cosa fanno davvero, quali dati toccano e quanto ci si può fidare.

Che cosa sono le skill per Claude?

Le Agent Skills sono cartelle organizzate che forniscono a un agente istruzioni, risorse e, in alcuni casi, script eseguibili per svolgere un compito specializzato. Anthropic le descrive come moduli caricabili in modo progressivo: l’agente legge prima una descrizione sintetica e approfondisce la skill quando diventa pertinente. La documentazione ufficiale è disponibile nel manuale di Claude, nell’articolo tecnico “Equipping agents for the real world with Agent Skills” e nel repository pubblico di Anthropic.

Il formato non riguarda soltanto Claude. La specifica aperta Agent Skills punta alla portabilità tra strumenti diversi. È un passaggio importante: non stiamo più parlando di una frase salvata nel cassetto dei prompt, ma di un piccolo pacchetto di competenze riusabile da un agente.

Una distinzione evita molti equivoci:

  • prompt: dice al modello come rispondere in una determinata situazione;
  • skill: organizza istruzioni, file di supporto e talvolta automazioni o comandi;
  • connettore o tool: consente all’agente di leggere o modificare sistemi esterni;
  • agente: decide quali passaggi eseguire e può combinare più skill e strumenti.

Più si scende nell’elenco, più aumenta la capacità di agire. E con la capacità aumenta anche la superficie di rischio.

Le cinque skill del video, a colpo d’occhio

Skill Che cosa fa A chi può servire Dato o permesso delicato Rischio da valutare
Stop Slop Individua e riduce formule stereotipate della prosa generata dall’AI Autori, marketer, formatori, redazioni Testi e documenti sottoposti alla revisione Uniformare troppo la voce o confondere stile con veridicità
Claude Mem Conserva e recupera memoria tra sessioni Sviluppatori e team su progetti lunghi Contesto, attività e cronologia delle sessioni Privacy, retention e contaminazione tra progetti
UI UX Pro Max Propone stili, palette, font e regole per interfacce Designer, sviluppatori front-end, prototipatori Codice del progetto e requisiti di prodotto Design plausibile ma non testato con utenti o tecnologie assistive
Task Observer Osserva correzioni e lacune, poi propone miglioramenti alle skill Utenti avanzati che mantengono molte automazioni Log, errori, feedback e comportamenti ripetuti Trasformare un errore occasionale in una regola permanente
Find Skill Cerca skill in più cataloghi e può facilitarne l’installazione Chi esplora l’ecosistema di agenti Accesso a fonti esterne e installazione di pacchetti Supply chain: trovare più velocemente anche componenti insicuri

1. Stop Slop: ripulire la scrittura AI senza fingere che diventi “umana”

Stop Slop è una skill con licenza MIT che cerca segnali ricorrenti della scrittura artificiale: aperture generiche, contrasti costruiti in serie, enfasi eccessiva, conclusioni gonfie e frasi che sembrano autorevoli senza aggiungere informazione.

Immaginiamo una responsabile marketing che debba rivedere quindici schede prodotto. La skill può segnalare espressioni come “nel panorama in continua evoluzione” o una sequenza di paragrafi tutti costruiti nello stesso modo. La persona decide che cosa tagliare, verifica i dati e reinserisce esempi reali. Qui la skill funziona bene come editor di primo livello, non come certificatore di autenticità.

Altri casi concreti:

  • un consulente confronta una proposta commerciale con le proprie linee editoriali;
  • un insegnante fa individuare agli studenti le formule vaghe in una relazione;
  • una redazione usa il controllo prima della revisione umana, senza affidargli la decisione finale;
  • un ufficio HR elimina il linguaggio magniloquente da un annuncio di lavoro.

Il limite è semplice: un testo meno stereotipato non diventa automaticamente corretto, originale o scritto da una persona. Stop Slop non sostituisce fact-checking, competenza editoriale e controllo delle fonti. E usarlo per “battere i detector” sarebbe una promessa impropria: i detector di testo AI sono notoriamente fallibili e lo stile non prova l’origine di un contenuto.

2. Claude Mem: una memoria utile, quindi anche delicata

Claude Mem, distribuito con licenza Apache 2.0, aggiunge memoria persistente alle sessioni di lavoro. Registra osservazioni, le comprime e permette di recuperare il contesto rilevante in un secondo momento. L’obiettivo è evitare la scena che conoscono tutti: riaprire un progetto e dover spiegare da capo architettura, decisioni e problemi già risolti.

Per uno sviluppatore può significare ricordare che l’applicazione usa un certo schema dati, che una libreria è stata scartata per incompatibilità e che una determinata cartella non va modificata. Per un team di comunicazione potrebbe voler dire conservare terminologia approvata, pubblico, vincoli legali e decisioni prese durante le revisioni.

La memoria, però, è utile proprio perché trattiene informazioni. Prima di adottarla occorre chiedersi:

  • dove vengono archiviati i dati e per quanto tempo;
  • quali conversazioni, file e comandi vengono catturati;
  • come si cancellano o esportano i ricordi;
  • se progetti e clienti diversi restano davvero separati;
  • che cosa succede a credenziali, dati personali e segreti comparsi per errore.

La ricerca sui Generative Agents ha mostrato quanto memoria, riflessione e pianificazione possano rendere più coerente il comportamento di un agente. In un contesto aziendale, però, coerenza non significa automaticamente conformità: servono minimizzazione dei dati, separazione degli ambienti e una politica di conservazione.

Se ti interessa il tema della memoria personale e professionale, ho approfondito un approccio diverso nell’articolo su come creare un second brain con LLM, wiki e Obsidian.

3. UI UX Pro Max: molte opzioni non equivalgono a buon design

UI UX Pro Max è un progetto MIT che raccoglie conoscenza strutturata per progettare interfacce. Al momento della verifica il repository dichiara 84 stili, 161 regole di reasoning, 192 categorie di prodotto e palette, 34 modelli di landing page e 74 coppie tipografiche. Sono numeri dichiarati dal maintainer e descrivono il contenuto del progetto, non una valutazione indipendente della qualità dei risultati.

In pratica può aiutare una piccola impresa a trasformare un brief vago — “vorrei un sito moderno” — in decisioni più concrete: gerarchia, palette, tipografia, componenti, spaziature e stati di interazione. Un prototipatore può chiederle una dashboard per un amministratore di condominio; uno sviluppatore può usarla per controllare coerenza e responsive design; una startup può generare tre direzioni visive prima del confronto con il designer.

Il rischio è produrre un’interfaccia molto credibile in una schermata e poco usabile nella realtà. La skill non conosce automaticamente gli utenti, il loro contesto, le metriche di conversione o le esigenze di chi utilizza uno screen reader. Deve quindi entrare in un processo che includa test, analytics e Web Content Accessibility Guidelines.

Un esempio: il sistema propone testo grigio chiaro, animazioni e menu nascosti perché coerenti con uno stile minimal. Il designer verifica contrasto, navigazione da tastiera e comprensione dei comandi. La skill accelera l’esplorazione; la responsabilità sul prodotto resta umana.

4. Task Observer: l’agente che osserva come migliorare l’agente

Nel repository One Skill to Rule Them All la skill si chiama task-observer. Osserva correzioni, errori e schemi ricorrenti, poi formula raccomandazioni per creare o aggiornare altre skill. Un dettaglio importante: secondo la documentazione non modifica direttamente le skill, ma propone cambiamenti che devono essere approvati.

Può essere utile quando un team ripete ogni settimana la stessa correzione. Per esempio:

  • un report usa sempre il formato di data sbagliato;
  • le bozze citano una fonte secondaria quando è disponibile il paper originale;
  • un agente dimentica il controllo degli accenti prima di pubblicare in italiano;
  • un flusso di sviluppo esegue test generici ma trascura un caso limite ricorrente.

La skill può trasformare il feedback in una proposta stabile: “aggiungiamo questo controllo alla procedura”. È una forma di miglioramento operativo interessante, ma va governata. Una correzione fatta per un cliente non deve diventare una regola universale; un’eccezione non deve contaminare tutti i progetti; i log non devono raccogliere più dati del necessario.

Il README dichiara oltre 900 miglioramenti su 50 skill in sei mesi. È un dato del maintainer, non il risultato di uno studio indipendente: utile per capire il caso d’uso, non per misurare l’efficacia generale.

5. Find Skill: il motore di ricerca che rende decisiva la sicurezza

Find Skill cerca skill in più fonti e dichiara un indice di oltre 4.800 risorse provenienti da 14 cataloghi, con supporto per Claude Code, Codex, OpenCode e Cursor. Anche questi numeri descrivono lo stato dichiarato dal progetto alla data della verifica e possono cambiare.

Il vantaggio è evidente. Un analista può cercare una procedura per lavorare con fogli di calcolo; un formatore una skill per costruire una presentazione; uno sviluppatore un controllo di sicurezza. Invece di partire da zero, riusa una soluzione esistente.

Ma il discovery non è una certificazione. Se una skill può essere installata con pochi comandi, diminuisce anche l’attrito che normalmente ci spinge a ispezionarla. È lo stesso problema della supply chain software: un componente di terze parti può contenere dipendenze vulnerabili, istruzioni malevole o accessi eccessivi. Il catalogo skills.sh e il relativo progetto open source di Vercel Labs sono altre risorse utili per la scoperta, ma anche in quel caso ogni pacchetto va valutato singolarmente.

Una skill non è un prompt innocuo: quali rischi introduce?

Un agente può leggere documenti, eseguire script, usare la rete e modificare file. Una skill male progettata può quindi amplificare un errore o una manipolazione. L’OWASP Top 10 per applicazioni LLM richiama rischi come prompt injection, gestione insicura degli output, eccessiva autonomia e vulnerabilità della supply chain.

Il paper “More than you’ve asked for: A Comprehensive Analysis of Novel Prompt Injection Threats to Application-Integrated Large Language Models” mostra il problema delle indirect prompt injection: istruzioni ostili possono nascondersi nei contenuti che il modello legge, non soltanto nel prompt scritto dall’utente. Un agente che consulta pagine web o documenti può quindi incontrare testo progettato per deviarne il comportamento.

Anche la qualità del codice generato richiede verifica. Gli studi “Asleep at the Keyboard?” e “Do Users Write More Insecure Code with AI Assistants?” non valutano queste cinque skill specifiche, ma documentano un principio più generale: l’assistenza AI può produrre o favorire codice insicuro, e la fiducia dell’utente non è una garanzia di correttezza.

I rischi principali sono cinque:

  1. permessi eccessivi: una skill di scrittura non dovrebbe avere accesso indiscriminato alla rete o a tutto il disco;
  2. esfiltrazione di dati: testi, log o credenziali potrebbero uscire dall’ambiente previsto;
  3. istruzioni nascoste: file o pagine consultati dall’agente possono tentare di modificarne il comportamento;
  4. dipendenze compromesse: il repository visibile può richiamare componenti esterni non controllati;
  5. automazione dell’errore: una procedura sbagliata diventa più veloce, coerente e difficile da notare.

Per questo il modello di supervisione conta. Nell’approfondimento su human-in-the-loop e human-on-the-loop negli agenti AI spiego quando chiedere un’approvazione prima dell’azione e quando è sufficiente monitorare un sistema reversibile entro soglie definite.

Come verificare una skill prima di installarla

Io adotterei questa procedura in sette passaggi. Non garantisce rischio zero, ma rende l’adozione tracciabile e molto meno impulsiva.

  1. Verifica identità e provenienza. Controlla autore, cronologia del repository, release, issue aperte, licenza e manutenzione recente. Il numero di stelle non è una certificazione.
  2. Leggi tutto il pacchetto. Non fermarti al README: esamina integralmente SKILL.md, script, dipendenze, hook e file di configurazione.
  3. Esegui una scansione statica. Un progetto dedicato è NVIDIA SkillSpector. Nel mio flusso una skill esterna non viene installata se la scansione non restituisce SAFE.
  4. Mappa permessi e dati. Scrivi quali cartelle può leggere, quali comandi esegue, se usa la rete, dove conserva i log e come tratta i segreti.
  5. Prova in isolamento. Usa un ambiente temporaneo, dati fittizi, credenziali senza privilegi e nessun accesso ai sistemi di produzione.
  6. Osserva il comportamento. Controlla file creati, richieste di rete, processi e output. Prova anche input anomali e documenti contenenti istruzioni ostili.
  7. Approva, limita e versiona. Installa una versione precisa, concedi il minimo indispensabile e prevedi aggiornamento, rollback e rimozione.

Nel caso di una skill di memoria aggiungerei un controllo su retention e separazione dei clienti. Per una skill che genera codice, test di sicurezza e code review. Per una skill di ricerca e installazione, l’approvazione umana prima di aggiungere qualsiasi nuovo pacchetto.

Quale delle cinque scegliere? Cinque scenari pratici

Scenario 1: libero professionista che scrive contenuti

Stop Slop può diventare l’ultimo controllo prima della revisione manuale. Non serve Claude Mem se si trattano clienti diversi senza una strategia chiara di separazione. La priorità è proteggere bozze, dati e tono personale.

Scenario 2: team software su un prodotto complesso

Claude Mem può ridurre la perdita di contesto e Task Observer può rilevare correzioni ricorrenti. Ma entrambi lavorano su informazioni sensibili: vanno testati su un repository non critico, con segreti esclusi e supervisione degli aggiornamenti proposti.

Scenario 3: agenzia che produce molti prototipi

UI UX Pro Max può accelerare moodboard, design system iniziali e alternative di landing page. Il passaggio successivo deve includere designer, verifica WCAG, test con utenti e dati reali. Non si pubblica soltanto perché la prima schermata “sembra fatta bene”.

Scenario 4: formatore che prepara materiali

Find Skill può scoprire pacchetti per documenti, fogli e slide. La procedura corretta è cercare, selezionare due candidati, leggerli e scansionarli; non installare automaticamente il primo risultato davanti a una classe o su un computer aziendale.

Scenario 5: impresa con processi regolati

Nessuna delle cinque skill dovrebbe entrare direttamente in produzione. Prima servono responsabile del processo, classificazione dei dati, ambiente di prova, log, soglie di autonomia e un piano di risposta agli incidenti. L’utilità potenziale non elimina gli obblighi organizzativi.

Tre video per vedere Claude al lavoro

Le skill acquistano senso quando vengono collegate a un’attività concreta. In questi miei video mostro come Claude passa dalla conversazione al lavoro su documenti e procedure:

Per approfondire puoi leggere anche i tre esempi d’uso di Claude Cowork, la guida su Claude Cowork e la compilazione dei moduli e la pagina del mio corso su Claude per aziende e professionisti.

La vera competenza non è accumulare skill

Il video intercetta una tendenza reale: gli assistenti stanno diventando ambienti componibili. Possiamo aggiungere memoria, procedure editoriali, capacità di progettazione e persino meccanismi che osservano come lavoriamo. È un salto utile, ma cambia anche il modo in cui dobbiamo valutare questi strumenti.

La domanda meno interessante è “quante skill hai installato?”. Quelle importanti sono: chi le ha scritte, che cosa possono fare, quali dati vedono, come vengono aggiornate e chi approva un’azione irreversibile.

Una buona skill riduce lavoro ripetitivo e rende esplicito un metodo. Una cattiva skill rende più efficiente un rischio. La differenza non la fa il nome accattivante del repository, ma la qualità della verifica prima dell’installazione e della supervisione durante l’uso.

Domande frequenti

Le cinque skill del video sono ufficiali di Anthropic?

No. Stop Slop, Claude Mem, UI UX Pro Max, Task Observer e Find Skill sono progetti di terze parti. Anthropic mantiene documentazione, specifiche e un proprio repository pubblico di skill, ma la presenza su GitHub non equivale a un’approvazione ufficiale.

Qual è la migliore skill per Claude?

Dipende dal problema. Stop Slop è orientata alla revisione stilistica, Claude Mem alla continuità tra sessioni, UI UX Pro Max al design, Task Observer al miglioramento delle procedure e Find Skill alla scoperta. La scelta deve considerare valore, dati trattati, permessi e reversibilità.

Una skill per Claude può essere pericolosa?

Sì. Se include script, usa la rete, legge file o installa altri pacchetti, può introdurre rischi di prompt injection, esfiltrazione, dipendenze compromesse o modifiche indesiderate. Va ispezionata e provata in isolamento prima dell’uso reale.

Che cos’è SkillSpector?

SkillSpector è uno strumento open source di NVIDIA per l’analisi statica delle skill degli agenti. Aiuta a individuare pattern sospetti prima dell’installazione, ma non sostituisce la lettura del codice, la limitazione dei permessi e i test in sandbox.

Claude Mem è adatto a documenti riservati?

Non va deciso in astratto. Prima occorre verificare archiviazione, retention, accessi, cancellazione, separazione dei progetti e policy aziendali. Per documenti riservati è prudente iniziare con dati fittizi e coinvolgere chi gestisce privacy e sicurezza.

Le skill sostituiscono la supervisione umana?

No. Rendono un agente più specializzato, ma non garantiscono correttezza. Per azioni ad alto impatto, dati sensibili o modifiche difficili da annullare è opportuno mantenere un’approvazione umana esplicita e log verificabili.

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

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

Invia un’email

/0 Commenti/da

Human-in-the-loop e human-on-the-loop: chi controlla gli agenti AI?

, ,

Un agente AI prepara una risposta a un cliente, aggiorna il CRM, modifica un file, apre una richiesta di rimborso e programma l’invio di un’email. A quale passaggio deve fermarsi e chiedere il permesso? E quando, invece, può continuare mentre una persona controlla dall’alto?

È qui che entra in gioco la differenza tra human-in-the-loop e human-on-the-loop, IN da una parte e ON dall’altra. Nel primo modello l’essere umano è un passaggio obbligatorio del processo: senza la sua approvazione l’azione non parte. Nel secondo l’agente lavora in autonomia entro limiti prestabiliti, mentre una persona osserva indicatori, controlla campioni e può intervenire o fermare il sistema. Non è una scelta ideologica tra controllo e libertà: dipende dal rischio, dalla reversibilità dell’azione e dalla capacità di accorgersi in tempo di un errore.

La distinzione è particolarmente importante nei sistemi agentici usati in azienda. Un chatbot propone parole; un agente può usare strumenti e produrre effetti nel mondo: inviare, acquistare, modificare, pubblicare, cancellare. Più l’AI passa dal “dire” al “fare”, più occorre progettare con precisione il ruolo umano.

Che cosa significa human-in-the-loop

Human-in-the-loop (HITL) significa che una persona è dentro il flusso operativo. L’agente può analizzare dati, formulare una proposta o preparare un’azione, ma incontra un punto di controllo obbligatorio. L’umano approva, corregge o respinge; soltanto dopo il sistema può proseguire.

È il modello adatto quando una decisione può produrre conseguenze economiche, legali, sanitarie, reputazionali o difficili da annullare. Non basta mostrare un pulsante “Approva”: la persona deve ricevere il contesto necessario, avere tempo sufficiente e poter davvero cambiare la decisione.

Un esempio semplice: l’agente legge un reclamo, consulta l’ordine e propone un rimborso di 280 euro. In modalità human-in-the-loop il responsabile vede motivazione, dati usati e importo, poi autorizza o modifica l’operazione. Il sistema non trasferisce denaro da solo.

Che cosa significa human-on-the-loop

Human-on-the-loop (HOTL) significa che una persona supervisiona il processo senza approvare ogni singola azione. L’agente opera entro un perimetro definito; dashboard, registri, avvisi e controlli a campione permettono al supervisore di capire che cosa sta succedendo e intervenire in caso di anomalia.

È adatto ad attività frequenti, a rischio contenuto, misurabili e facilmente reversibili. L’autonomia non elimina il controllo: lo sposta dalla singola operazione alla qualità complessiva del sistema.

Per esempio, un agente classifica ogni notte centinaia di documenti interni. Il responsabile non conferma ogni etichetta, ma controlla un campione, osserva il tasso di errore e riceve un avviso se cresce oltre la soglia. Le classificazioni restano tracciate e correggibili.

Human-in-the-loop vs human-on-the-loop: la differenza in tabella

Aspetto Human-in-the-loop Human-on-the-loop
Ruolo umano Approva o corregge prima dell’azione Supervisiona il sistema mentre opera
Flusso predefinito L’agente si ferma L’agente continua
Controllo Su ogni caso sensibile Su metriche, anomalie e campioni
Velocità Più bassa e legata alla disponibilità umana Più alta e scalabile
Uso tipico Decisioni ad alto impatto o poco reversibili Attività a basso rischio, osservabili e reversibili
Rischio principale Approvazioni frettolose e “fatica da conferma” Accorgersi troppo tardi di una deriva
Strumenti necessari Gate, spiegazioni, confronto e possibilità di rifiuto Log, soglie, alert, audit e arresto immediato

Attenzione: on-the-loop non significa out-of-the-loop

Esiste una terza condizione: human-out-of-the-loop. L’AI decide e agisce senza approvazione puntuale, senza supervisione operativa efficace o senza una reale possibilità di intervento. Non è un sinonimo di human-on-the-loop.

La differenza sembra sottile finché non arriva un incidente. Se il supervisore riceve un report il giorno dopo, quando l’agente ha già inviato mille comunicazioni sbagliate, non era davvero “sopra il circuito”: era fuori dal circuito.

Il tema è noto da molto prima dell’AI generativa. Nel paper “Ironies of automation” del 1983, Lisanne Bainbridge osservava un paradosso ancora attuale: più il sistema automatizza il lavoro ordinario, più alla persona restano i casi rari e difficili, proprio quelli per cui è complicato mantenere allenamento e consapevolezza. Mica Endsley ha poi analizzato il problema nel lavoro “From Here to Autonomy”, collegandolo alla perdita di consapevolezza situazionale quando l’essere umano viene allontanato troppo dal processo.

La matrice pratica: rischio, reversibilità, osservabilità e tempo

L’articolo di Bajara Notes da cui nasce questa riflessione propone un criterio molto concreto per i team di sviluppo: guardare il costo dell’errore e la reversibilità dell’azione. È una buona base, che possiamo estendere a qualsiasi progetto agentico con quattro domande.

  1. Quanto è grave un errore? Una bozza imperfetta non equivale a un bonifico errato.
  2. L’azione è reversibile? Rinominare un file con cronologia è diverso dal cancellare dati o inviare una comunicazione pubblica.
  3. L’errore è osservabile? Possiamo accorgercene con test, metriche o controlli automatici?
  4. Quanto tempo abbiamo per intervenire? Un alert utile dopo un’ora può essere inutile in un processo che produce danni in pochi secondi.
Rischio e reversibilità Modello consigliato Esempio
Basso rischio, facile annullamento Human-on-the-loop Ordinare documenti interni con cronologia delle modifiche
Rischio medio, errore rilevabile prima dell’impatto On-the-loop con soglie ed escalation Aggiornare campi non critici del CRM e isolare i casi incerti
Rischio alto o annullamento costoso Human-in-the-loop Concedere un rimborso, pubblicare un listino, inviare un contratto
Impatto critico o irreversibile Più controlli umani e separazione dei ruoli Pagamento, terapia, rilascio in produzione o decisione sul personale

Otto esempi concreti di human-in-the-loop

1. Email a clienti e comunicazioni pubbliche

L’agente raccoglie i dati, prepara il testo e suggerisce i destinatari. Una persona verifica tono, fatti, allegati e lista di invio. È un controllo necessario soprattutto per crisi, reclami, variazioni di prezzo e comunicazioni legali.

2. Rimborsi, pagamenti e ordini

L’AI può controllare policy e documenti, ma l’azione che muove denaro richiede autorizzazione. Si può introdurre una soglia: piccoli rimborsi standardizzati vengono gestiti automaticamente; quelli anomali o sopra un importo definito arrivano a un responsabile.

3. Selezione del personale

Un agente può riordinare candidature e mettere in evidenza competenze dichiarate. Non dovrebbe trasformare un punteggio opaco in un rifiuto automatico. Il recruiter deve poter vedere i dati usati, correggere il risultato e valutare elementi che il sistema non conosce.

4. Sanità e percorsi di cura

L’AI può segnalare una possibile anomalia o preparare un riepilogo clinico; diagnosi e terapia richiedono giudizio professionale. Nel mio approfondimento su AI e ruolo del medico il punto centrale è proprio questo: supporto e sostituzione non sono la stessa cosa.

5. Contratti e pareri legali

L’agente confronta clausole, segnala differenze e propone una bozza. Un professionista controlla interpretazione, giurisdizione e rischio prima che il documento venga condiviso o firmato.

6. Deploy e modifiche a database di produzione

L’agente può scrivere codice, test e documentazione in un ambiente isolato. Il passaggio in produzione, una migrazione di dati o la modifica di credenziali richiedono un gate umano, spesso con una seconda approvazione.

7. Decisioni su credito, assicurazioni e frodi

Il sistema può ordinare i casi per rischio. Se blocca un conto, rifiuta una pratica o modifica un premio, serve un riesame effettivo: non una firma automatica su un punteggio incomprensibile.

8. Pubblica amministrazione e servizi essenziali

Un agente può verificare la completezza di una domanda e preparare l’istruttoria. La decisione che incide su diritti, benefici o accesso a un servizio deve restare contestabile e attribuita a un responsabile. È un’applicazione concreta del tema affrontato nell’articolo sull’intelligenza artificiale nella Pubblica Amministrazione.

Otto esempi concreti di human-on-the-loop

1. Classificazione di documenti interni

L’agente assegna cartelle e metadati. Il supervisore controlla campioni settimanali e riceve un alert se aumenta la percentuale di documenti classificati con bassa confidenza.

2. Arricchimento del CRM in modalità reversibile

L’agente completa settore, dimensione e informazioni pubbliche sulle aziende, senza modificare campi critici. Ogni variazione è registrata e può essere annullata; i conflitti vengono inviati a una persona.

3. Preparazione di report ricorrenti

L’AI raccoglie dati da più fonti e genera una sintesi interna. Il responsabile non approva ogni report, ma controlla indicatori di qualità, citazioni e anomalie. Se il documento deve uscire dall’azienda, si aggiunge un gate.

4. Ricerca documentale con escalation

L’agente cerca informazioni, confronta fonti e produce una risposta con link verificabili. Se le fonti sono insufficienti o in conflitto, non improvvisa: chiede aiuto.

5. Sviluppo software in ambienti isolati

L’agente crea test, documentazione o componenti standard su un branch separato. La pipeline automatica controlla il codice e il team esamina le eccezioni. I permessi non includono il rilascio autonomo in produzione.

6. Assistenza clienti per domande standard

Il sistema risponde usando una base di conoscenza approvata, ma passa a un operatore reclami, minacce, richieste economiche, dati sensibili e casi con bassa confidenza. Il supervisore osserva tasso di escalation e correzioni.

7. Gestione di file e fogli di calcolo

Un agente riordina righe, normalizza formati e compila campi derivabili, lavorando su una copia o con cronologia attiva. La persona controlla il risultato complessivo e può ripristinare la versione precedente.

Nel blog trovi anche cinque esempi pratici dell’agente Genspark e una prova di Claude Cowork in tre attività concrete.

8. Monitoraggio tecnico e manutenzione

L’agente individua pattern insoliti, apre ticket e applica correzioni già approvate su sistemi non critici. Se supera una soglia di costo, tocca un servizio sensibile o incontra un evento mai visto, si ferma e chiama il tecnico.

Il modello migliore è spesso ibrido e dinamico

In-the-loop e on-the-loop non devono essere due etichette assegnate una volta per tutte. Lo stesso agente può cambiare modalità a seconda del caso.

  • Una risposta informativa standard può partire in modalità on-the-loop; un reclamo passa in-the-loop.
  • Un rimborso entro 20 euro e conforme alla policy può essere automatico; un importo maggiore richiede approvazione.
  • Una modifica su un ambiente di test può essere sorvegliata; il deploy in produzione richiede un gate.
  • Una ricerca con fonti concordanti può proseguire; fonti in conflitto attivano l’escalation.
  • Dopo una serie di anomalie, il sistema può retrocedere automaticamente da on-the-loop a in-the-loop.

Questa è la vera maturità agentica: non concedere autonomia in blocco, ma costruire una scala di autonomia legata a condizioni osservabili.

Che cosa dice la ricerca sull’interazione tra persone e automazione

Il paper di Parasuraman, Sheridan e Wickens “A model for types and levels of human interaction with automation” propone di non considerare l’automazione come un interruttore acceso o spento. Un sistema può automatizzare in misura diversa raccolta delle informazioni, analisi, scelta e azione. È esattamente ciò che serve per progettare un agente: possiamo lasciargli cercare e confrontare, ma mantenere umana la decisione finale.

Le “Guidelines for Human-AI Interaction” di Amershi e colleghi, presentate alla conferenza CHI 2019 dell’ACM, ricordano che un buon sistema deve rendere chiaro che cosa sa fare, mostrare informazioni contestuali, permettere correzioni e sostenere un controllo umano coerente nel tempo.

Ben Shneiderman, nel lavoro “Human-Centered Artificial Intelligence: Reliable, Safe & Trustworthy”, contesta l’idea che molta automazione implichi necessariamente poco controllo umano. Si possono progettare sistemi con alta automazione e alto controllo: l’agente svolge molto lavoro, ma le persone mantengono comprensione, responsabilità e capacità d’intervento.

Anche l’AI Risk Management Framework 1.0 del NIST insiste su governance, mappatura del contesto, misurazione e gestione del rischio. Non prescrive un unico livello di autonomia: chiede di collegare controlli e responsabilità all’impatto concreto del sistema.

AI Act e supervisione umana: che cosa cambia

Il Regolamento europeo sull’intelligenza artificiale, Regolamento (UE) 2024/1689, dedica l’articolo 14 alla supervisione umana dei sistemi ad alto rischio. È importante non generalizzare: la disposizione riguarda quella specifica categoria di sistemi, non qualunque chatbot o agente.

Il principio, però, è utile a ogni progetto serio. La supervisione deve consentire alle persone di comprendere capacità e limiti, riconoscere anomalie, evitare un affidamento automatico eccessivo, interpretare correttamente l’output, ignorarlo o annullarlo e fermare il sistema. Una casella da spuntare non soddisfa questo obiettivo se l’operatore non ha informazioni, autorità o tempo per agire.

Per approfondire il contesto organizzativo, rimando anche alla guida sulla formazione AI in azienda e AI Act e all’articolo sulle decisioni artificiali che possono aiutare o distorcere le scelte.

Come progettare una supervisione che funzioni davvero

  1. Definire le azioni consentite. Leggere, proporre, scrivere, inviare, acquistare e cancellare non devono avere gli stessi permessi.
  2. Stabilire i gate. Importi, categorie di dati, destinatari, strumenti e condizioni che richiedono approvazione.
  3. Mostrare il contesto. Il supervisore deve vedere fonti, passaggi, incertezze e conseguenze dell’azione.
  4. Costruire escalation reali. L’agente deve saper dire “non lo so” e passare il caso alla persona giusta.
  5. Registrare tutto. Prompt, strumenti usati, dati consultati, output, approvazioni, modifiche e identità di chi interviene.
  6. Preparare l’arresto. Un pulsante, una regola automatica o un limite di spesa devono fermare il processo prima che l’anomalia si moltiplichi.
  7. Testare anche i casi brutti. Dati mancanti, istruzioni in conflitto, prompt injection, servizi non disponibili e richieste fuori policy.
  8. Misurare gli esiti. Non soltanto quante attività sono state completate, ma errori, danni evitati, correzioni, escalation e tempo umano recuperato.

I due fallimenti opposti da evitare

Il primo è mettere una persona dentro ogni passaggio. Dopo cento conferme al giorno, l’approvazione diventa un riflesso. L’agente sembra controllato, ma l’essere umano fa soltanto clic. È la cosiddetta automation bias: tendiamo ad accettare il suggerimento della macchina, soprattutto quando arriva spesso e sembra plausibile.

Il secondo fallimento è mettere una persona “sopra” un processo che non può davvero vedere o fermare. Una dashboard piena di numeri non è supervisione se gli indicatori non mostrano il rischio, gli avvisi arrivano tardi o l’operatore non ha l’autorità per intervenire.

La domanda giusta non è quindi “c’è un umano?”. È: quale decisione può prendere, con quali informazioni e prima di quale conseguenza?

Una checklist per decidere domani mattina

Prima di attivare un agente, classifica ogni azione con queste domande:

  • può causare un danno economico, legale, fisico o reputazionale?
  • coinvolge dati personali, credenziali o categorie sensibili?
  • l’azione è visibile all’esterno?
  • possiamo annullarla in pochi minuti?
  • esiste una metrica capace di rivelare un errore?
  • il supervisore può intervenire prima che il danno si propaghi?
  • l’agente sa riconoscere l’incertezza ed effettuare un’escalation?
  • chi risponde del risultato è chiaramente identificato?

Se il danno potenziale è alto, l’azione poco reversibile o il tempo d’intervento breve, scegli human-in-the-loop. Se rischio e impatto sono contenuti, l’errore è osservabile e il ripristino semplice, puoi valutare human-on-the-loop. Se non puoi rispondere alle domande, non aumentare l’autonomia: prima rendi il processo comprensibile.

Il ruolo umano non sparisce: cambia livello

Con gli agenti AI l’umano non deve necessariamente controllare ogni riga, ogni file o ogni messaggio. Deve progettare il perimetro, definire le eccezioni, osservare gli effetti e assumersi la responsabilità delle decisioni importanti.

Il modello corretto non è “AI libera” contro “AI al guinzaglio”. È un sistema in cui l’autonomia cresce soltanto quando aumentano test, tracciabilità, reversibilità e capacità di intervento.

In altre parole: human-in-the-loop quando serve consenso; human-on-the-loop quando serve supervisione; mai human-out-of-the-loop per distrazione.

Domande frequenti

Qual è la differenza tra human-in-the-loop e human-on-the-loop?

Nel modello human-in-the-loop una persona deve approvare o correggere prima che l’agente compia un’azione sensibile. Nel modello human-on-the-loop l’agente opera entro limiti stabiliti, mentre una persona monitora risultati e anomalie e può intervenire.

Human-on-the-loop significa che l’AI lavora senza controllo?

No. Servono log, metriche, controlli a campione, alert, soglie ed efficaci meccanismi di arresto. Senza questi strumenti il sistema rischia di essere human-out-of-the-loop.

Quando è obbligatoria l’approvazione umana?

È prudente renderla obbligatoria per azioni ad alto impatto o difficili da annullare: pagamenti, decisioni sul personale, salute, contratti, sicurezza, servizi essenziali, pubblicazione esterna e modifiche critiche in produzione.

Si può cambiare livello di autonomia in base al caso?

Sì. È spesso la soluzione migliore: casi standard e reversibili procedono sotto supervisione; importi elevati, bassa confidenza, anomalie o dati sensibili attivano un gate umano.

Quali strumenti servono per supervisionare un agente AI?

Permessi minimi, audit log, dashboard, alert, soglie di costo e rischio, versionamento, rollback, escalation e un arresto immediato. Il supervisore deve anche ricevere contesto sufficiente per valutare le azioni.

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

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

Invia un’email

/0 Commenti/da

Agenti AI in azienda: quando servono davvero e quando basta un’automazione

, ,

Succede sempre più spesso: qualcuno mostra una demo in cui un agente AI legge le email, aggiorna il CRM, prepara una presentazione e prenota una riunione. A quel punto parte la domanda: “Possiamo averne uno anche noi?”.

La domanda giusta, però, è un’altra: in quale processo un agente AI crea più valore di una normale automazione? In azienda gli agenti AI servono quando il percorso non è completamente prevedibile, occorre interpretare informazioni, scegliere tra più strumenti e gestire eccezioni. Se i passaggi sono fissi e le regole sono chiare, un workflow tradizionale è spesso più economico, veloce e controllabile.

Questa distinzione è il punto di partenza dell’articolo di Digital4 “C’è un agent per tutto. Ma non tutto ha bisogno di un agent”. Un tema molto attuale: oggi costruire una demo è relativamente facile; trasformarla in uno strumento affidabile è tutto un altro lavoro.

Che cos’è un agente AI, in parole semplici

Un agente AI è un sistema capace di perseguire un obiettivo, osservare ciò che succede, decidere il passo successivo e utilizzare strumenti: per esempio un motore di ricerca, un database, la posta elettronica, un foglio Excel o un gestionale.

La differenza rispetto a un chatbot non è che “scrive meglio”. La differenza è che può agire. E la differenza rispetto a un workflow è che non deve per forza seguire sempre la stessa strada.

Anthropic distingue chiaramente workflow e agenti: nei primi, modelli e strumenti vengono orchestrati attraverso percorsi definiti in anticipo; nei secondi, è il modello a decidere dinamicamente come procedere. Anche la guida pratica di OpenAI alla costruzione degli agenti suggerisce di partire da processi in cui regole rigide e automazioni deterministiche non bastano.

Workflow, assistente o agente? La scelta pratica

Non tutti i problemi aziendali richiedono lo stesso grado di autonomia. Prima di aggiungere la parola “agentico” a una presentazione, conviene usare questa matrice.

Il principio è semplice: usare il livello minimo di autonomia necessario. Più autonomia significa più flessibilità, ma anche più costi, più variabilità e più controlli.

Il test delle cinque domande prima di creare un agente AI

Nei corsi e nei progetti aziendali partirei da cinque domande molto concrete.

  1. Il processo cambia spesso percorso? Se la risposta è no, probabilmente basta un’automazione.
  2. Occorre interpretare informazioni non strutturate? Email, documenti, note e richieste ambigue sono un terreno più adatto agli agenti.
  3. L’agente deve usare più strumenti? Per esempio cercare un dato nel CRM, confrontarlo con un contratto e preparare una risposta.
  4. Possiamo verificare il risultato? Se non esiste un modo per sapere se il lavoro è corretto, non esiste nemmeno un buon progetto.
  5. Un errore è reversibile? Cancellare una bozza non equivale a inviare un bonifico o pubblicare un listino sbagliato.

Se il processo non supera questo test, aggiungere un agente rischia di automatizzare non il lavoro, ma la confusione.

Tre casi in cui un agente AI può avere senso

1. Gestire richieste con molte eccezioni

Immaginiamo un servizio clienti che riceve richieste via email. Un workflow può riconoscere alcune parole e assegnare un’etichetta. Un agente, invece, può leggere la conversazione, consultare la scheda cliente, verificare la policy, cercare un ordine e preparare una risposta o chiedere l’intervento di una persona.

Il valore non sta nel testo prodotto, ma nei passaggi manuali eliminati. Naturalmente l’agente deve avere fonti definite, permessi limitati e regole chiare per l’escalation.

2. Raccogliere dati da strumenti diversi

Molte attività aziendali consistono nel fare il giro delle sette chiese digitali: CRM, gestionale, email, fogli, cartelle condivise e piattaforme analytics. Un agente può cercare le informazioni, controllarne la completezza e restituire una sintesi utilizzabile.

Un esempio concreto è il lavoro sui fogli di calcolo. In questo video mostro un agente Genspark che interviene su un file Excel:

Per approfondire, sul blog trovi anche cinque esempi pratici di utilizzo dell’agente Genspark.

3. Preparare un lavoro che una persona deve approvare

L’agente può cercare fonti, confrontare documenti, compilare una bozza e segnalare le anomalie. La persona prende la decisione finale. È un modello molto più realistico del fantomatico collega digitale che sa tutto e non chiede mai aiuto.

Il punto non è sostituire il giudizio, ma recuperare tempo sulle attività preparatorie. Nel video seguente racconto dieci esempi con cui ho misurato un risparmio complessivo di dieci ore in una settimana:

Qui trovi anche l’articolo completo su come recuperare dieci ore alla settimana con l’AI.

Il lavoro difficile non è scrivere il prompt

Con un agente il prompt conta, ma non basta. Bisogna progettare il contesto: quali dati può vedere, quali fonti deve considerare autorevoli, che cosa deve ricordare, quali strumenti può utilizzare e quando deve fermarsi.

Anthropic parla di context engineering per gli agenti AI: non si progetta soltanto una richiesta, ma l’intero ambiente informativo in cui il sistema deve operare. È un passaggio che approfondisco anche nell’articolo dal prompt al contesto.

Se i documenti sono vecchi, le autorizzazioni sono eccessive o le procedure aziendali si contraddicono, l’agente non risolve il problema. Lo esegue più velocemente.

Come avviare un progetto pilota senza farsi male

Un buon progetto non parte dal super-agente aziendale. Parte da un processo piccolo, frequente e misurabile.

  1. Scegliere un solo processo. Per esempio classificare le richieste commerciali in entrata.
  2. Misurare il punto di partenza. Tempo impiegato, errori, volumi, costi e passaggi manuali.
  3. Definire una job description. Obiettivo, strumenti, fonti, divieti, condizioni di arresto ed escalation.
  4. Limitare i permessi. All’inizio meglio leggere e proporre; l’azione autonoma viene dopo.
  5. Creare casi di test. Non solo richieste normali, ma dati mancanti, istruzioni contraddittorie ed eccezioni.
  6. Tenere una persona nel circuito. Le azioni sensibili devono richiedere approvazione.
  7. Decidere in anticipo quando fermare il progetto. Se costa più del lavoro risparmiato o non raggiunge la qualità minima, si torna a un workflow più semplice.

Quali metriche usare per valutare un agente AI

Contare le risposte generate serve a poco. Le metriche utili sono legate al lavoro:

  • tempo medio per completare un’attività;
  • percentuale di attività completate correttamente;
  • numero di interventi umani necessari;
  • costo per attività completata;
  • tasso di errore e gravità degli errori;
  • numero di escalation corrette e mancate;
  • tracciabilità delle fonti e delle azioni;
  • tempo realmente recuperato dalle persone.

Gartner ha previsto che oltre il 40% dei progetti di agentic AI sarà cancellato entro la fine del 2027, citando costi crescenti, valore poco chiaro e controlli del rischio insufficienti. La lezione non è “gli agenti non funzionano”, ma “una demo non è un risultato aziendale”.

Governance: chi controlla l’agente che controlla il processo?

Un agente deve essere trattato come un componente operativo, non come un collega infallibile. Servono registri delle azioni, gestione delle identità, limiti di spesa, fonti approvate, valutazioni periodiche e una persona responsabile del processo.

Il Playbook del NIST per la gestione del rischio AI propone azioni organizzate attorno a quattro funzioni: governare, mappare, misurare e gestire. È una buona bussola anche per un progetto piccolo.

Attenzione inoltre alla Shadow AI in azienda: se gli strumenti ufficiali sono assenti o troppo complicati, le persone ne adotteranno altri senza controllo. La governance efficace non è un elenco di divieti; è un modo sicuro per ottenere risultati.

E nei casi delicati bisogna ricordare che l’AI può anche influenzare male le scelte. Ne parlo nell’approfondimento sulle decisioni artificiali in azienda.

La regola finale: autonomia solo dove produce valore

Gli agenti AI in azienda possono essere molto utili. Ma la maturità non si misura dal numero di agenti attivati. Si misura dalla capacità di scegliere il processo giusto, assegnare un perimetro chiaro, controllare i risultati e fermarsi quando una soluzione più semplice funziona meglio.

Prima si mette ordine nel processo. Poi si decide che cosa automatizzare. Solo alla fine si valuta quanta autonomia concedere all’AI.

Il futuro del lavoro non sarà popolato soltanto da super-agenti. Sarà fatto soprattutto di buoni strumenti, piccoli automatismi e agenti specializzati che fanno poche cose, verificabili, davvero utili.

Domande frequenti sugli agenti AI in azienda

Qual è la differenza tra un agente AI e un chatbot?

Un chatbot risponde principalmente a richieste. Un agente AI può pianificare più passaggi, scegliere strumenti, osservare i risultati intermedi e compiere azioni per raggiungere un obiettivo.

Quando conviene usare un workflow invece di un agente?

Quando il processo è stabile, i passaggi sono noti, le regole sono chiare e le eccezioni sono poche. In questi casi il workflow è generalmente più semplice, economico e prevedibile.

Quali processi sono adatti a un primo agente AI?

Processi frequenti, circoscritti e misurabili: classificazione delle richieste, raccolta di dati da più fonti, controllo della completezza dei documenti e preparazione di bozze da approvare.

Un agente AI può lavorare senza supervisione umana?

Può farlo solo in attività a basso rischio, ben testate e facilmente reversibili. Per pagamenti, contratti, decisioni sulle persone o comunicazioni pubbliche è prudente mantenere un’approvazione umana.

Come si misura il valore di un agente AI?

Con indicatori operativi: tempo risparmiato, costo per attività, qualità del risultato, errori, escalation, interventi umani e tracciabilità delle azioni.

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

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

Invia un’email

/0 Commenti/da

Infografiche con ChatGPT: due esperimenti pratici

,

Le infografiche con ChatGPT sono utili quando bisogna trasformare materiale disordinato, come un menu, un curriculum o una scheda di servizio, in una visualizzazione più leggibile. La condizione è non trattarle come una magia: vanno progettate con un prompt chiaro, controllate nei dettagli e rifinite prima di pubblicarle.

Nel video qui sotto ho fatto due esperimenti molto concreti: un menu di ristorante trasformato in infografica con immagini dei piatti e un curriculum trasformato in una versione visuale, più sintetica e scenografica.

Il punto di partenza era una domanda semplice: se in questi mesi si parla molto di Nano Banana dentro Gemini per creare immagini complesse, ChatGPT è rimasto indietro sulle infografiche?

La risposta, almeno in questi due test, è: mica tanto. Il tema si collega bene anche a un uso più ampio di ChatGPT come strumento operativo: non solo risposte testuali, ma supporto alla riorganizzazione delle informazioni.

Il video: due esperimenti con le infografiche di ChatGPT

Guarda prima il video, perché rende bene l’idea: non parliamo di un’immagine generica, ma di materiali reali trasformati in qualcosa di più leggibile.

Nel primo test ho preso un menu di un ristorante e ho chiesto a ChatGPT di ricrearlo come infografica, aggiungendo anche fotografie dei piatti. Il risultato interessante non è solo estetico: permette di capire meglio cosa si sta per ordinare.

Nel secondo test ho alzato il livello: immagine personale, curriculum e richiesta di trasformare tutto in un curriculum-infografica con uno stile futuristico. Anche qui il risultato è stato sorprendente, soprattutto perché il sistema ha recuperato elementi coerenti, come copertine di libri e competenze presenti online.

Che cosa dimostrano questi due test

Una buona infografica non è un poster carino. Serve a ordinare informazioni, creare gerarchie, far emergere pattern e ridurre lo sforzo cognitivo del lettore.

Nel caso del menu, l’utilità è immediata: invece di leggere solo nomi e descrizioni, il cliente può visualizzare i piatti. Nel caso del curriculum, l’obiettivo cambia: non sostituire il CV tradizionale, ma creare una sintesi visiva utile per una presentazione, un profilo personale, una pagina evento o un contenuto social.

Questo è il passaggio importante: ChatGPT non deve solo “fare un’immagine”. Deve capire quali informazioni sono importanti, quali vanno raggruppate, quali meritano più spazio e quali rischiano di confondere.

Perché il confronto con Gemini Nano Banana conta

Negli ultimi mesi Gemini, con i modelli Nano Banana, è diventato un riferimento forte per generazione e modifica delle immagini. Google descrive Gemini 2.5 Flash Image, noto anche come Nano Banana, come un modello pensato per generazione visuale veloce, editing conversazionale e workflow creativi a bassa latenza.

Questo ha alzato l’asticella: oggi non basta più generare una bella immagine. Serve mantenere coerenza tra testo, oggetti, stile e vincoli del prompt. E le infografiche sono un buon banco di prova, perché contengono testo, layout, dati, icone, immagini e gerarchie visive.

OpenAI, dal canto suo, nelle guide ufficiali di ChatGPT Images spiega che si possono creare immagini descrivendole in chat e modificare immagini generate o caricate dall’utente. Negli annunci più recenti su ChatGPT Images 2.0, OpenAI insiste proprio su testo più leggibile, supporto multilingue e capacità di produrre materiali visuali più rifiniti.

Come creare un’infografica con ChatGPT partendo da un documento

Il metodo più solido non è scrivere “fammi una bella infografica”. Troppo vago. Meglio dividere il lavoro in passaggi. È lo stesso principio che vale quando si evitano gli errori più comuni nei prompt ChatGPT: meno ambiguità all’inizio, meno correzioni dopo.

1. Carica il materiale di partenza

Può essere una foto, un PDF, un testo, una tabella, un menu, un curriculum o una pagina web. Più il materiale è chiaro, meno l’AI dovrà riempire i buchi con interpretazioni creative.

2. Spiega il pubblico e l’uso finale

Un’infografica per Instagram non è uguale a una slide per un corso, a una scheda commerciale o a un poster da stampare. Specifica sempre formato, lettore e contesto.

3. Chiedi prima la struttura, poi l’immagine

Prima di generare, conviene chiedere. Può aiutare anche un metodo semplice come il metodo G.O.L. per creare prompt più precisi, soprattutto quando si lavora su materiali destinati a clienti, studenti o colleghi.

  • quali sezioni inserire;
  • quale titolo usare;
  • quali dati o concetti mettere in evidenza;
  • quali elementi visuali potrebbero aiutare;
  • quali informazioni vanno escluse.

Solo dopo si passa alla generazione dell’immagine. Questo riduce errori, testi strani e layout confusi.

4. Fai un controllo finale, non estetico ma informativo

La domanda non è “mi piace?”. La domanda è: “si capisce meglio di prima?”.

Nel test del menu, per esempio, il controllo era molto semplice: accanto alla pizza vegetariana c’era davvero un’immagine coerente con una pizza con verdure? Se la risposta è sì, l’infografica sta facendo il suo lavoro. Se la risposta è no, è solo decorazione rumorosa. Questo vale per ChatGPT e vale anche per strumenti che ragionano su immagini, come negli esempi su Gemini Notebook (ex NotebookLM) e il riconoscimento delle immagini.

Un prompt pratico per iniziare

Puoi partire da una richiesta di questo tipo:

Analizza il materiale allegato e trasformalo in un’infografica chiara per [pubblico]. Prima proponi struttura, titolo, sezioni e gerarchia delle informazioni. Poi genera un’immagine in formato [formato], stile [stile], con testo leggibile in italiano. Non aggiungere informazioni non presenti nel materiale. Se qualcosa non è chiaro, segnalalo invece di inventarlo.

Per un menu, aggiungerei:

Associa ogni piatto a un’immagine coerente con ingredienti e descrizione. Mantieni i nomi dei piatti leggibili. Evita immagini generiche se la descrizione contiene dettagli specifici.

Per un curriculum, invece:

Trasforma il CV in una mappa visuale professionale: competenze, esperienze, libri/progetti, temi ricorrenti, contatti. Non sostituire il CV completo: crea una sintesi visiva da usare in una presentazione o in una pagina profilo.

Dove ChatGPT può sbagliare

Le immagini generate con l’AI sono sempre seducenti, ma questo è anche il rischio. Un’infografica può sembrare autorevole anche quando contiene dettagli sbagliati.

Controlla sempre:

  • testi: accenti, lettere mancanti, parole deformate, inglesismi non voluti;
  • corrispondenza visiva: un piatto vegetariano non deve diventare una pizza con salame;
  • gerarchia: le informazioni importanti devono essere più evidenti;
  • fedeltà al documento: l’AI non deve aggiungere competenze, date o risultati mai dichiarati;
  • uso finale: una grafica bella sullo schermo può essere illeggibile su mobile o in stampa.

Il criterio è sempre lo stesso: l’AI può accelerare la prima versione, ma non può fare da revisore unico del proprio lavoro.

Quando usare davvero le infografiche generate con AI

Ci sono almeno cinque casi in cui vale la pena provarci:

  • menu e listini: per rendere più comprensibile un’offerta complessa;
  • curriculum e profili professionali: per creare una sintesi da usare in slide, eventi o pagine personali;
  • presentazioni aziendali: per trasformare una lista di concetti in una mappa visuale;
  • materiali didattici: per spiegare processi, passaggi, ruoli o differenze;
  • contenuti social: quando un concetto può essere capito meglio con una struttura visiva.

Il trucco è non partire dall’immagine, ma dalla funzione. Che cosa deve capire il lettore in dieci secondi?

Da dove partire senza perdersi

Se vuoi fare una prova sensata, scegli un documento piccolo: una pagina di menu, una bio professionale, una scheda corso, una lista di servizi. Chiedi prima a ChatGPT di estrarre le informazioni principali, poi di proporre una struttura visuale, poi di generare l’immagine.

Alla fine confronta tre cose: il documento originale, la struttura proposta e l’infografica generata. Se l’immagine migliora la comprensione, hai uno strumento utile. Se la peggiora, hai solo un poster più vistoso.

In questi due esperimenti, il test è superato: ChatGPT resta competitivo anche su immagini complesse come le infografiche. Ma il valore non sta nel clic su “genera”. Sta nel metodo con cui gli chiediamo di organizzare le informazioni.

FAQ sulle infografiche con ChatGPT

ChatGPT può creare infografiche partendo da una foto?

Sì, può partire da un’immagine caricata e trasformarla in una nuova visualizzazione. Conviene però chiedere prima una struttura testuale, così si riducono errori e aggiunte arbitrarie.

Le infografiche generate con AI sono pronte da pubblicare?

Quasi mai al primo colpo. Vanno controllati testo, layout, coerenza delle immagini e fedeltà alle informazioni originali.

Meglio ChatGPT o Gemini Nano Banana per le infografiche?

Dipende dal caso. Gemini Nano Banana è molto forte sull’editing visuale, ma questi test mostrano che ChatGPT può ottenere risultati interessanti anche con immagini complesse, se il prompt è ben costruito.

Posso usare un’infografica AI per il curriculum?

Sì, ma come sintesi visuale o supporto di presentazione, non come sostituto del CV completo. Date, ruoli, competenze e risultati vanno verificati con attenzione.

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

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

Inviaci email

/0 Commenti/da

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

, , ,


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

La tensione scende. Finalmente sembra esserci una risposta oggettiva.

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

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

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

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

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

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

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

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

Il mito della decisione perfettamente razionale

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

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

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

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

L’AI come sistema di supporto alle decisioni

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

Un sistema di supporto alle decisioni combina normalmente quattro elementi:

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

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

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

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

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

L’intelligenza artificiale agisce su entrambe.

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

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

I tre bias che rendono pericolosa la delega all’AI

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

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

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

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

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

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

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

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

Il rischio è una catena invisibile:

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

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

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

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

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

Spiegare l’algoritmo non basta

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

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

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

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

Che cosa emerge dallo studio presentato nel libro

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

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

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

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

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

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

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

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

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

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

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

Quattro prompt per spezzare framing e ancoraggio

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

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

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

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

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

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

Perché leggere Decisioni artificiali oggi

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

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

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

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

Domande frequenti su Decisioni artificiali e AI decision making

Chi ha scritto Decisioni artificiali?

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

Di che cosa parla il libro?

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

L’intelligenza artificiale elimina i bias umani?

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

Che cos’è il bias di automazione?

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

Che cosa significa human in the loop?

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

Dove si può acquistare Decisioni artificiali?

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

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

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

Invia un’email

/0 Commenti/da

L’intelligenza artificiale nel calcio nel 2026: dal VAR 3D a TacticAI, cosa è cambiato davvero

, ,

Nel novembre 2023, sul palco dello stadio di Cesena, parlavo di intelligenza artificiale nel calcio come di una rivoluzione “precedentemente inimmaginabile”. A distanza di tre anni, con il Mondiale 2026 alle porte tra Canada, USA e Messico, quella rivoluzione è già realtà quotidiana nei club, nei laboratori di ricerca e persino nelle tasche dei tifosi. Ho quindi deciso di aggiornare il discorso con dati, paper e strumenti concreti che nel 2023 semplicemente non esistevano.

Dal fuorigioco 2D al VAR 3D: l’arbitraggio ai Mondiali 2026

Il salto più visibile riguarda l’arbitraggio. Il sistema SAOT (Semi-Automated Offside Technology), introdotto a Qatar 2022, si basava su 12 telecamere e un sensore nel pallone che tracciava 29 punti del corpo di ogni giocatore. Per il Mondiale 2026, FIFA e Lenovo hanno sviluppato il VAR 3D: ogni calciatore delle 48 nazionali viene scansionato in stazioni con 36 fotocamere, generando un avatar digitale fedele fino a mezzo centimetro. Quando il fuorigioco supera i 10 centimetri, l’assistente riceve un segnale immediato sul proprio dispositivo. Dietro tutto questo ci sono oltre 17.000 dispositivi Lenovo e Motorola distribuiti nei sedici stadi, più Football AI Pro, un assistente linguistico che permette a ogni staff tecnico di analizzare oltre 2.000 metriche di gioco.

Attenzione però: la decisione finale resta umana. Come ha ricordato Pierluigi Collina, oggi responsabile arbitri FIFA, “sul fuorigioco è sempre l’arbitro ad avere la parola finale”, mentre solo la linea di porta è già completamente automatizzata. Il calcio senza arbitri di cui parlavo nel 2023 resta quindi, per ora, un orizzonte più che una realtà.

La ricerca scientifica: i paper che stanno ridisegnando il calcio data-driven

Se nel 2023 citavo strumenti commerciali, oggi il calcio produce anche letteratura scientifica vera e propria. Il caso più noto è TacticAI, l’assistente sviluppato da Google DeepMind con il Liverpool FC, pubblicato su Nature Communications nel 2024 (arXiv:2310.10553): un modello capace di suggerire schemi sui calci d’angolo, preferito dagli analisti del club nel 90% dei confronti con soluzioni umane. Nella sua versione più recente, TacticAI è in grado di anticipare le traiettorie di gioco fino a 8 secondi prima che accadano, ed è stato adottato anche dal Palmeiras, primo club sudamericano a utilizzarlo.

Il 2025 e il 2026 hanno visto una vera esplosione di ricerca su arXiv: dal dataset multimodale per il contesto tattico di Ochin et al., ai modelli di forecasting dei risultati su larga scala di Horton, fino all’EFPI di Bekkers per il riconoscimento automatico dei moduli di gioco e ai lavori di Bischofberger sulla misurazione delle prestazioni difensive senza palla tramite tracking data ed explainable AI. Un intero filone accademico che, dieci anni fa, semplicemente non esisteva.

Scouting e calciomercato: l’IA che scova i nuovi talenti

Sul fronte scouting, IBM ha sviluppato per l’Empoli FC una piattaforma di talent scouting pensata per supportare la ricerca e lo sviluppo dei giovani. Nel frattempo il mercato si è consolidato: Hudl ha acquisito StatsBomb, integrando la storica libreria video di Wyscout con le analytics avanzate, creando di fatto uno degli ecosistemi dati più completi per club e agenzie di scouting.

Prevenzione infortuni e wearable: il calciatore connesso

Qui il salto rispetto al 2023 è enorme. Bayer Leverkusen e IBM hanno costruito su watsonx.ai una piattaforma che riconosce automaticamente gli eventi di gioco dai video, liberando tempo per analisti e staff medico. Real Madrid, Manchester City, Bayern Monaco, Palmeiras e Flamengo hanno invece investito in software che incrociano dati di GPS, sensori e videocamere per stimare quotidianamente il rischio infortunio di ogni giocatore, regolando di conseguenza i carichi di lavoro. Aziende come Zone7 Technologies applicano machine learning proprio a questo incrocio tra carico di lavoro, dati biometrici e storico infortuni.

Tattica in tempo reale: quando l’IA suggerisce la giocata

Mikel Arteta ha dichiarato pubblicamente di usare l’intelligenza artificiale per preparare le partite dell’Arsenal, mentre il Liverpool utilizza TacticAI proprio per decidere chi debba ricevere un cross o tentare un tiro su azioni codificate come corner e punizioni. È l’evoluzione naturale di quello che nel 2023 chiamavo “machine learning per lo scouting”: oggi lo stesso approccio guida le scelte in campo, partita dopo partita.

Anti-frode e scommesse: l’IA a tutela dell’integrità del gioco

Un tema che nel 2023 avevo solo accennato è oggi centrale: Sportradar utilizza il proprio sistema UFDS (Universal Fraud Detection System), basato su intelligenza artificiale, per individuare flussi di scommesse anomali su scala globale. Il sistema ha contribuito a far emergere 438 partite sospette di match-fixing in un solo anno, in tutti gli sport monitorati.

Fan experience: dai chatbot agli avatar, il tifoso diventa un profilo

Se nel 2023 parlavo di VR e AR per l’engagement, oggi il paradigma è cambiato: il tifoso è diventato un profilo dati da coltivare. Il Liverpool ha siglato una partnership globale con SAS per personalizzare comunicazione e marketing su scala mondiale. La Premier League ha lanciato, con Microsoft Azure OpenAI e Copilot, un assistente digitale integrato nell’app ufficiale che attinge a trent’anni di statistiche, circa 300mila articoli e 9mila video per rispondere ai tifosi e suggerire strategie di Fantacalcio. Il Nashville SC applica invece elaborazione del linguaggio naturale per analizzare il sentiment dei tifosi in tempo reale, mentre NTT Data ha costruito metodologie simili per Arsenal e Paris FC.

Per un’applicazione pratica dedicata al gioco, leggi la mia guida all’AI per il Fantacalcio, con 25 applicazioni e prompt per asta, formazione e scambi.

Non mancano i prodotti pensati per il grande pubblico, come PitchMate di Infobip, un compagno AI pensato per i tifosi. Non stupisce che, secondo un’indagine della Gazzetta dello Sport su 12mila tifosi in 11 Paesi, il 54% utilizzi già l’IA per notizie, statistiche e approfondimenti.

I gadget del Mondiale 2026: pallone smart, bodycam, scanner corporei

Oltre al software, il 2026 porta anche hardware inedito: il pallone ufficiale Trionda integra sensori che trasmettono dati in tempo reale per il fuorigioco semi-automatico; le stazioni di scansione corporea a 36 fotocamere generano gli avatar digitali dei giocatori in meno di un secondo; la Referee Camera, indossata dagli arbitri, usa algoritmi di stabilizzazione per offrire a tifosi e broadcaster la visuale in prima persona del direttore di gara, eliminando l’effetto mosso della corsa.

Verso un calcio senza arbitri?

Tornando alla domanda che ponevo nel 2023: siamo più vicini a un calcio senza arbitri umani? I dati raccontano un’evoluzione, non una sostituzione. L’IA gestisce già in autonomia la linea di porta, supporta il fuorigioco con dati oggettivi, ma la decisione finale su episodi complessi resta affidata a un essere umano. È probabilmente questo l’equilibrio che vedremo consolidarsi nei prossimi anni: non un arbitro sostituito, ma un arbitro aumentato.

Domande frequenti

Cos’è il VAR 3D dei Mondiali 2026?

È il sistema sviluppato da FIFA e Lenovo che sostituisce le linee 2D del fuorigioco semi-automatico con avatar 3D dei giocatori, generati da scansioni corporee reali e intelligenza artificiale generativa.

Cos’è TacticAI?

È l’assistente tattico sviluppato da Google DeepMind con il Liverpool FC, pubblicato su Nature Communications nel 2024, oggi capace di anticipare le giocate fino a 8 secondi prima che avvengano.

L’intelligenza artificiale sostituirà gli arbitri di calcio?

Non nel breve termine: l’IA automatizza già la linea di porta e supporta il fuorigioco, ma le decisioni più complesse restano in mano al direttore di gara.

Quali club di calcio usano di più l’intelligenza artificiale?

Liverpool, Arsenal, Bayer Leverkusen, Real Madrid, Manchester City, Bayern Monaco, Palmeiras e Flamengo sono tra i club che hanno investito maggiormente in tattica, scouting e prevenzione infortuni basati su IA.

L’evento sull’AI

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

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

Invia un email

/0 Commenti/da

Cosa stanno costruendo con Claude? Analisi di 1.900 commenti che raccontano il futuro dell’AI (e non è quello che pensi)

,

Quando si parla di intelligenza artificiale, la maggior parte delle persone continua a discutere dei modelli. GPT-5 o Claude? Gemini o Copilot? Meglio OpenAI o Anthropic? È una conversazione interessante, ma sempre meno utile. Per capire dove sta andando davvero l’AI bisogna osservare un altro fenomeno: che cosa stanno costruendo le persone normali con questi strumenti.

Mi è capitato di imbattermi in un video TikTok di Rakos Media che poneva una domanda semplicissima: “Cosa avete costruito con Claude?”

@rakos.media What are you building with Claude? I’ve built agents for my business and for others, automating email marketing, social media posting, research processes, etc. But I want to get more out of Claude, whether it’s Claude code or Claude cowork. #claude #claudecode #claudecowork #aiagent #automation ♬ original sound – Whitney Leavitt

Il risultato è sorprendente. In pochi giorni il video ha raccolto migliaia di commenti.

Ho analizzato (grazie all’AI, ovviamente) un dataset di oltre 1.900 interventi, raccolti il 13 luglio 2026, e il quadro che emerge racconta molto meglio del marketing dove si sta dirigendo l’intelligenza artificiale.

Non stanno creando chatbot

La prima cosa che colpisce è questa. Quasi nessuno parla di chatbot. Quasi nessuno scrive “ho creato un assistente AI”. Al contrario, le persone stanno costruendo strumenti che eliminano piccoli problemi quotidiani. L’intelligenza artificiale è semplicemente il motore. L’applicazione è il prodotto. Ed è esattamente quello che, da mesi, ripeto durante i miei corsi: l’AI genera valore quando sparisce dalla vista dell’utente.

L’idea che ha conquistato tutti

Il commento più apprezzato (oltre 8.000 like) racconta la realizzazione di un’app molto particolare.

L’utente entra al supermercato, inquadra un prodotto e scopre immediatamente:

  • quale gruppo possiede realmente il marchio
  • se esistono alternative locali
  • aziende familiari
  • cooperative
  • imprese controllate dai dipendenti

Una specie di “Shazam” della filiera produttiva.

È interessante per un motivo: non serve una tecnologia rivoluzionaria. Servono database pubblici, API, riconoscimento del codice a barre e AI per interpretare i dati.

Il valore non è l’intelligenza artificiale. Il valore è la decisione d’acquisto migliore.

La seconda idea è ancora più intelligente

L’app tiene traccia di tutto ciò che possiedi in casa. Davvero tutto: frigorifero, caldaia, condizionatore, seggiolino auto, tetto, filtri, garanzie, manuali, scadenze, richiami ufficiali, ricambi, promemoria.

Quando è ora di sostituire un filtro, arriva la notifica. Quando un elettrodomestico viene richiamato dal produttore, arriva l’avviso. Quando sta per scadere una garanzia, lo sai in anticipo.

È il classico esempio di prodotto che probabilmente non avresti mai immaginato di cercare. Ma appena lo vedi pensi: “Perché non esiste già?”

Le idee migliori non sono tecnologiche

Tra i commenti emergono applicazioni molto diverse:

Problema Soluzione
Cercare lavoro Un coach AI prepara il colloquio, studia l’azienda e corregge le risposte.
Genitorialità Mappa collaborativa dei fasciatoi pubblici.
Puntualità Un assistente pianifica a ritroso tutte le attività prima di uscire.
Informazione Un sistema raccoglie automaticamente solo le notizie rilevanti.
Creator economy Pipeline completa che ricerca trend, scrive script, monta video e pubblica sui social.
Finanza personale Analisi automatica dell’estratto conto per trovare sprechi e risparmi.

Sono problemi minuscoli. Ma milioni di persone li hanno.

Il vero messaggio del video

La parte più interessante non sono le app. Sono i commenti.

Molti utenti scrivono cose come: “Pensavo di essere poco creativo.” Oppure: “Io uso Claude solo per scrivere email.”

Questo racconta due mondi. Il primo è composto dai builder: persone che costruiscono prodotti. Il secondo è composto da chi continua a usare l’AI come un semplice correttore di testi.

La distanza tra questi due gruppi sta aumentando rapidamente.

Da chatbot a prodotto

Negli ultimi due anni abbiamo attraversato almeno quattro fasi.

Prima fase. Usiamo ChatGPT come Google.

Seconda fase. Scriviamo email migliori.

Terza fase. Automatizziamo piccoli processi.

Quarta fase. Costruiamo prodotti completi.

È esattamente ciò che emerge dal dataset. Le persone non chiedono più “come posso usare Claude?”. Chiedono “che problema posso eliminare?”.

Ed è una domanda completamente diversa.

La lezione più importante

Quasi tutte le idee più votate condividono quattro caratteristiche.

1. Nascono da un’esigenza (frustrazione?) personale. “Mi dimentico sempre di sostituire il filtro.” “Sono sempre in ritardo.” “Non trovo mai un fasciatoio.” Le startup migliori iniziano spesso così.

2. Automatizzano decisioni. L’AI non sostituisce l’utente. Gli evita decine di micro decisioni.

3. Organizzano informazioni disperse. Garanzie, ricevute, manuali, curriculum, notizie, documenti: l’intelligenza artificiale eccelle proprio in questo.

4. Sono quasi invisibili. L’utente non vuole usare l’AI. Vuole risolvere il problema. È una differenza enorme.

Cosa significa per aziende e professionisti

Questa analisi suggerisce una riflessione. Molte aziende stanno ancora cercando di capire “come possiamo usare ChatGPT?”.

La domanda migliore è un’altra: quale micro-problema affrontano ogni giorno i nostri clienti?

Una volta trovato quello, l’AI diventa soltanto il motore. Non il prodotto.

Un esercizio che consiglio spesso durante i miei corsi

Prendete carta e penna. Scrivete dieci frasi che iniziano così:

  • Mi dimentico sempre…
  • Perdo troppo tempo a…
  • Ogni settimana devo…
  • Vorrei che qualcuno facesse al posto mio…
  • Ogni volta che…

Poi chiedete a Claude, ChatGPT o Copilot: “Progetta un’applicazione che elimini completamente questo problema. Non limitarti a usare un chatbot: immagina un prodotto utilizzabile ogni giorno.”

Sono convinto che molte delle idee più interessanti nasceranno proprio da esercizi come questo.

Vuoi approfondire?

Se questi temi ti interessano, potrebbero piacerti anche:

Sul mio blog trovi decine di esempi pratici dedicati all’intelligenza artificiale applicata al lavoro quotidiano.

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

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

Invia un email

/0 Commenti/da

Intelligenza artificiale nella Pubblica Amministrazione: la sfida del 2034

, , ,

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

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

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

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

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

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

Il pensionamento di massa è anche una perdita di conoscenza

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

È corretto, ma incompleto.

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

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

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

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

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

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

Fatta questa premessa, le applicazioni concrete sono molte.

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

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

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

L’AI può aiutare a:

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

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

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

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

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

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

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

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

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

L’AI può preparare una prima bozza di:

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

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

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

4. Rendere moduli e comunicazioni finalmente comprensibili

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

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

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

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

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

5. Smistare le pratiche e individuare prima gli errori

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

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

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

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

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

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

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

L’AI non può essere la scusa per non assumere

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

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

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

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

I rischi da affrontare prima, non dopo

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

I principali rischi sono:

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

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

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

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

1. Mappare le uscite e le conoscenze a rischio

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

2. Scegliere un problema piccolo ma misurabile

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

3. Sistemare fonti, dati e responsabilità

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

4. Coinvolgere insieme esperti, nuovi assunti e cittadini

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

5. Misurare qualità, non soltanto velocità

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

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

La vera occasione è riprogettare la Pubblica Amministrazione

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

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

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

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

Domande frequenti sull’AI nella Pubblica Amministrazione

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

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

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

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

Un chatbot pubblico può prendere decisioni amministrative?

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

Come si evitano le risposte inventate dall’AI?

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

Da dove può iniziare un piccolo Comune?

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

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

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

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

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

Inviaci email

/0 Commenti/da