Il nuovo petrolio è digitale: l’intervista su OSINT, AI e cybersecurity per Byteway

, ,

Il nuovo petrolio non si trova sottoterra. Si trova online.

È fatto di informazioni pubbliche, documenti, immagini, profili social, siti aziendali,
metadati, registri, annunci di lavoro e piccoli indizi digitali che, presi singolarmente,
sembrano insignificanti.

Il valore emerge quando qualcuno riesce a raccoglierli, collegarli, interpretarli e
trasformarli in conoscenza.

È questo il tema della puntata di Chiedilo all’Esperto, il format di
Byteway dedicato alla tecnologia, alla cybersecurity e al mondo
digitale, alla quale ho partecipato insieme a
Gianluca Boccacci.

Il punto di partenza della conversazione è stato il libro che abbiamo scritto insieme:

Il nuovo petrolio (online). OSINT e intelligenza artificiale: a caccia di dati pubblici nell’era dei chatbot
.

In sintesi: oggi il problema non è trovare informazioni.
Il problema è capire quali siano affidabili, come collegarle e che cosa farne.
L’intelligenza artificiale accelera il lavoro, ma non elimina la necessità di metodo,
verifica e pensiero critico.

Guarda l’intervista completa

Nel video parliamo di informazioni pubbliche, ricerca online, AI, sicurezza,
offensive security e delle nuove opportunità che le tecnologie digitali offrono
alle persone e alle imprese.

Che cosa significa davvero OSINT?

OSINT è l’acronimo di Open Source Intelligence, cioè intelligence ricavata
da fonti aperte.

Detta così sembra una disciplina riservata ad analisti, investigatori ed esperti di
sicurezza. In realtà riguarda sempre più spesso anche aziende, professionisti,
giornalisti, comunicatori, ricercatori e responsabili delle risorse umane.

Fare OSINT non significa semplicemente cercare un nome su Google.
Significa seguire un processo:

  • definire una domanda di ricerca;
  • individuare le fonti utili;
  • raccogliere le informazioni disponibili pubblicamente;
  • valutarne attendibilità, provenienza e aggiornamento;
  • confrontare dati provenienti da fonti diverse;
  • trasformare gli indizi in una conclusione ragionata;
  • documentare il percorso seguito.

La differenza tra una normale ricerca online e un’attività OSINT sta soprattutto
nel metodo.

Le informazioni, infatti, non diventano automaticamente conoscenza solo perché
sono accessibili. Servono contesto, verifica e capacità di collegamento.

Perché le informazioni sono il nuovo petrolio digitale

Per molti anni abbiamo ripetuto che “i dati sono il nuovo petrolio”.
È una metafora efficace, ma incompleta.

Il petrolio greggio, da solo, serve a poco. Deve essere estratto, lavorato,
raffinato e trasformato.

Lo stesso vale per i dati.

Un elenco di informazioni non genera necessariamente valore.
Il valore nasce dalla capacità di:

  • selezionare ciò che conta;
  • eliminare il rumore;
  • riconoscere schemi e relazioni;
  • individuare anomalie e contraddizioni;
  • produrre una conoscenza utilizzabile per decidere.

Questo è uno degli aspetti centrali affrontati nell’intervista:
non vince chi possiede più dati, ma chi sa porre le domande migliori e
interpretare correttamente le risposte.

Che cosa cambia con l’intelligenza artificiale

L’intelligenza artificiale generativa ha cambiato profondamente il lavoro sulle
informazioni.

Un chatbot può aiutare a sintetizzare documenti, confrontare testi, costruire
cronologie, estrarre entità, organizzare appunti, individuare incongruenze e
formulare nuove ipotesi di ricerca.

In altre parole, l’AI può rendere interrogabile una grande quantità di materiale
che prima sarebbe stato difficile analizzare manualmente.

Ma qui occorre evitare un equivoco.

L’intelligenza artificiale non trasforma automaticamente una ricerca
mediocre in una buona indagine.

Può velocizzare anche gli errori. Può proporre collegamenti deboli, confondere
persone omonime, utilizzare informazioni non aggiornate o presentare come certo
ciò che è soltanto probabile.

Per questo l’AI deve essere considerata un acceleratore del lavoro analitico,
non un sostituto del giudizio umano.

Il pericolo delle briciole digitali

Durante una giornata normale disseminiamo online una quantità impressionante di
informazioni.

Una fotografia scattata in ufficio può mostrare un badge, un monitor o un documento.
Un annuncio di lavoro può rivelare tecnologie, fornitori e progetti futuri.
Un post pubblicato da un dipendente può anticipare una trasferta, una partnership
o una riorganizzazione.

Ogni elemento, isolato, può sembrare innocuo.

Ma un osservatore competente può unire queste briciole digitali e costruire un
quadro sorprendentemente preciso.

Il rischio non è sempre ciò che pubblichiamo. Spesso è ciò che gli altri possono
dedurre collegando quello che abbiamo pubblicato.

Questo riguarda le persone, ma anche le organizzazioni.

La sicurezza informatica non dipende soltanto da firewall, antivirus e password.
Dipende anche dalla consapevolezza con cui dipendenti, manager e collaboratori
gestiscono le informazioni pubbliche.

OSINT e AI per le aziende: alcuni esempi concreti

L’unione tra OSINT e intelligenza artificiale può essere utilizzata in moltissimi
contesti professionali.

Analisi dei concorrenti

È possibile confrontare siti, comunicati stampa, offerte di lavoro, brevetti,
profili social, bilanci e interventi pubblici per capire come si sta muovendo
un concorrente.

Preparazione di un incontro commerciale

Prima di incontrare un potenziale cliente si possono raccogliere informazioni
pubbliche sull’azienda, sul settore, sui decisori e sui problemi emersi nelle
comunicazioni ufficiali.

Verifica di persone e organizzazioni

Le fonti aperte possono aiutare a controllare la coerenza di un profilo,
verificare esperienze dichiarate e identificare possibili segnali di rischio.
Naturalmente, sempre nel rispetto della legge e senza trasformare la ricerca
in sorveglianza invasiva.

Cybersecurity e prevenzione

Le aziende possono osservare dall’esterno quali informazioni sensibili stanno
esponendo involontariamente: nomi dei sistemi utilizzati, indirizzi email,
documenti dimenticati online, credenziali compromesse o dettagli sulle
infrastrutture.

Giornalismo e verifica delle fonti

Immagini, video, luoghi, date, profili e dichiarazioni possono essere confrontati
per ricostruire un evento e ridurre il rischio di diffondere contenuti falsi
o manipolati.

Reputazione digitale

L’analisi delle fonti pubbliche consente di capire come un’organizzazione viene
raccontata online, quali temi le vengono associati e dove stanno emergendo
criticità reputazionali.

La domanda non è “che cosa sa Internet di me?”

Una domanda tipica è: “Che cosa sa Internet di me?”.

Ma probabilmente non è la domanda più interessante.

Sarebbe meglio chiedersi:

  • quali informazioni su di me sono accessibili?
  • quali sono ancora aggiornate?
  • quali sono inesatte o fuori contesto?
  • che cosa si può dedurre collegandole?
  • quali informazioni sto esponendo senza rendermene conto?
  • come potrebbero essere usate da un cliente, un concorrente o un attaccante?

Questa è la vera educazione digitale di cui abbiamo bisogno.

Non basta sapere usare gli strumenti. Dobbiamo comprendere le conseguenze
informative delle nostre azioni.

AI e OSINT: servono ancora più spirito critico

Oggi possiamo chiedere a un chatbot di analizzare decine di documenti in pochi
minuti. È una possibilità straordinaria.

Ma più lo strumento diventa potente, più aumentano le responsabilità di chi lo usa.

Occorre verificare le fonti, distinguere i fatti dalle ipotesi, documentare i
passaggi e non confondere una risposta linguisticamente convincente con una
risposta necessariamente vera.

Il rischio più grande non è che l’intelligenza artificiale non sappia qualcosa.

È che risponda bene anche quando sta sbagliando.

Per questo, nel lavoro con OSINT e AI, considero fondamentali cinque regole:

  1. Partire da una domanda precisa.
  2. Usare più fonti indipendenti.
  3. Separare i fatti dalle interpretazioni.
  4. Verificare manualmente le conclusioni importanti.
  5. Rispettare privacy, legge ed etica.

Il libro “Il nuovo petrolio (online)”

La puntata di Chiedilo all’Esperto prende spunto dal libro
Il nuovo petrolio (online). OSINT e intelligenza artificiale: a caccia di
dati pubblici nell’era dei chatbot, pubblicato da Ledizioni e scritto
insieme a Gianluca Boccacci.

Nel libro proviamo a spiegare come la ricerca da fonti aperte stia cambiando
nell’epoca dell’intelligenza artificiale generativa.

Non è un manuale per spiare le persone e non è nemmeno un catalogo di strumenti.
È un invito a sviluppare un modo più consapevole e metodico di lavorare con le
informazioni.

Perché tra una montagna di dati e una decisione intelligente c’è ancora qualcosa
che nessun software può garantire automaticamente: il pensiero critico.

Puoi approfondire il contenuto del libro nell’articolo:

OSINT e AI: perché le informazioni pubbliche sono diventate il nuovo petrolio digitale
.

Puoi inoltre consultare la pagina dedicata ai miei

libri ed ebook su intelligenza artificiale e comunicazione digitale
.

Conclusione: il valore è nel metodo

Ringrazio Giuseppe Emanuele e Byteway per
l’invito e per aver creato uno spazio di confronto concreto su tecnologia,
sicurezza e innovazione.

E ringrazio naturalmente Gianluca Boccacci, compagno di questa avventura editoriale
e professionale.

La conclusione della nostra chiacchierata può essere riassunta così:


le informazioni sono ovunque, gli strumenti di intelligenza artificiale sono
sempre più accessibili, ma il vero vantaggio competitivo resta la capacità
umana di fare le domande giuste, verificare le risposte e collegare i punti.

Il nuovo petrolio è digitale. Ma, senza una raffineria chiamata metodo,
resta soltanto una massa disordinata di dati.

Domande frequenti su OSINT e intelligenza artificiale

Che cosa significa OSINT?

OSINT significa Open Source Intelligence. Indica la raccolta e l’analisi
sistematica di informazioni provenienti da fonti pubblicamente accessibili,
con l’obiettivo di produrre conoscenza utile e verificabile.

OSINT significa cercare informazioni su Google?

No. Una ricerca su Google può essere uno dei passaggi, ma l’OSINT richiede
un metodo: definizione dell’obiettivo, selezione delle fonti, verifica,
confronto dei dati, analisi e documentazione dei risultati.

Come può essere usata l’intelligenza artificiale nell’OSINT?

L’AI può sintetizzare documenti, estrarre nomi e date, confrontare fonti,
organizzare informazioni, costruire timeline e suggerire collegamenti.
I risultati devono però essere verificati da una persona.

L’OSINT è legale?

La raccolta di informazioni pubbliche non autorizza qualsiasi utilizzo dei dati.
Occorre rispettare privacy, diritto d’autore, condizioni d’uso delle piattaforme,
normativa sulla protezione dei dati e finalità legittime della ricerca.

A che cosa serve l’OSINT in azienda?

Può supportare la cybersecurity, l’analisi dei concorrenti, la verifica delle
fonti, la preparazione commerciale, la gestione della reputazione e
l’individuazione di informazioni esposte involontariamente.

L’intelligenza artificiale può sostituire un analista OSINT?

No. Può velocizzare molte attività, ma non può garantire da sola affidabilità,
corretta interpretazione, rispetto del contesto e valutazione etica dei risultati.

Vuoi portare OSINT e intelligenza artificiale nella tua organizzazione?

Realizzo corsi, workshop e interventi per aziende, enti pubblici,
associazioni e università sull’uso consapevole dell’intelligenza artificiale,
sulla ricerca online e sulla comunicazione digitale.

Possiamo costruire un percorso dedicato alla tua organizzazione, partendo da
casi concreti, documenti reali ed esigenze operative.


Contattami per un corso o un intervento


/0 Commenti/da

ChatGPT può sostituire l’intermediario assicurativo? Cosa dice il test Franke und Bornberg

, , ,

Immagina di dover scegliere una polizza per la casa. Apri ChatGPT e gli chiedi: «Qual è quella giusta per me?». Il chatbot fa qualche domanda, confronta tre prodotti e propone una classifica. Risposta rapida, linguaggio chiaro, nessun appuntamento da fissare. Sembra la fine dell’intermediario assicurativo.

Non proprio. Un test condotto il 19 marzo 2026 dall’agenzia tedesca di rating Franke und Bornberg, raccontato in Italia da ASSINEWS, mostra un risultato più interessante: ChatGPT può essere un buon primo consigliere digitale, ma non sostituisce una consulenza assicurativa fondata su dati aggiornati, condizioni contrattuali e circostanze personali.

In altre parole, l’intelligenza artificiale può aiutare a capire quali domande fare. Non dovrebbe essere trattata come l’unica voce autorizzata a decidere quale polizza acquistare.

Che cosa ha chiesto Franke und Bornberg a ChatGPT

Il test riguardava una Hausratversicherung, la polizza tedesca che protegge il contenuto dell’abitazione. A ChatGPT è stato chiesto di porre non più di cinque domande, ricostruire il bisogno del cliente e raccomandare fino a tre prodotti.

Con poche informazioni il chatbot ha costruito un profilo plausibile:

  • appartamento di 90 metri quadrati;
  • contenuto di un certo valore;
  • bicicletta del valore superiore a 1.000 euro;
  • attrezzature usate per lavorare da casa;
  • abitazione al piano terra, quindi più esposta al rischio di effrazione;
  • preferenza per un equilibrio tra prezzo, coperture e franchigia.

È un risultato da non liquidare. In cinque passaggi l’AI ha individuato alcuni elementi davvero utili e li ha trasformati in una conversazione comprensibile. È il genere di compito nel quale i modelli linguistici funzionano bene: ordinare le informazioni, far emergere bisogni e tradurre il gergo.

Dove la raccomandazione di ChatGPT ha iniziato a scricchiolare

Il chatbot ha proposto tre prodotti, indicati come A, B e C, motivando la scelta con il rapporto tra prezzo e prestazioni, la copertura della colpa grave, i limiti per i beni di valore e la possibilità di estendere le garanzie.

Quando le analiste Vivian Fiegel e Simone Najderek hanno confrontato la classifica con i rating tecnici e con le condizioni contrattuali, però, sono emerse differenze importanti. Il prodotto A, collocato dall’AI al primo posto, risultava il più debole proprio su aspetti rilevanti per quel cliente. Per esempio, la copertura del furto della bicicletta poteva dipendere da un modulo aggiuntivo. Anche clausole come la rinuncia alla sottoassicurazione e la gestione della colpa grave non erano state pesate abbastanza.

Il problema diventava ancora più evidente sul prezzo. I sinistri pregressi potevano far aumentare sensibilmente il premio del prodotto A, fino a renderlo il più costoso dei tre. ChatGPT non aveva considerato questo effetto, né altri meccanismi individuali di tariffazione e sconto.

Qui c’è la lezione: una risposta può essere ben scritta, ordinata e persino convincente, ma poggiare su un confronto incompleto. È lo stesso rischio che ho descritto parlando di epistemia, cioè dell’illusione di sapere generata dall’AI.

Perché ChatGPT non sostituisce l’intermediario assicurativo

Un modello linguistico pubblico non è, di per sé, un preventivatore certificato, un comparatore completo o un professionista abilitato. Può non avere accesso alle versioni più recenti dei fascicoli informativi, alle regole di sottoscrizione, agli aggiornamenti tariffari e ai criteri interni delle compagnie.

Ci sono almeno cinque limiti pratici.

  1. I dati possono non essere aggiornati. Una clausola o una tariffa può cambiare dopo l’ultimo aggiornamento delle fonti disponibili al modello.
  2. Il bisogno reale richiede domande successive. Cinque quesiti possono orientare, ma non sempre bastano per ricostruire patrimonio, rischi, esclusioni, priorità e capacità di spesa.
  3. Le condizioni contano più del nome del prodotto. Massimali, franchigie, scoperti, esclusioni e garanzie accessorie possono cambiare radicalmente il valore della polizza.
  4. La risposta non è necessariamente riproducibile. Due conversazioni simili possono generare classifiche diverse.
  5. Manca una responsabilità professionale. Il chatbot non conosce la tua vita e non risponde delle conseguenze della scelta come un soggetto abilitato.

In Italia conviene inoltre verificare che impresa e intermediario siano autorizzati. L’IVASS raccomanda di controllare gli Albi e il Registro Unico degli Intermediari, oltre a prestare attenzione a siti irregolari e possibili contraffazioni.

Che cosa può fare bene l’AI nel settore assicurativo

Dire che ChatGPT non sostituisce l’intermediario non significa relegarlo a giocattolo. Significa assegnargli un ruolo più utile e realistico.

L’AI può aiutare il cliente a:

  • preparare una lista delle informazioni da raccogliere prima di un incontro;
  • tradurre in parole semplici termini come franchigia, scoperto, massimale e sottoassicurazione;
  • trasformare un fascicolo informativo in una serie di domande da sottoporre al professionista;
  • mettere in tabella coperture, esclusioni e costi presenti nei documenti forniti;
  • riassumere il colloquio e creare una checklist delle verifiche ancora aperte.

Può aiutare anche l’intermediario: nella preparazione dei colloqui, nella prima classificazione dei documenti e nella produzione di spiegazioni più accessibili. Ma la logica resta quella che propongo anche nella consulenza finanziaria assistita dall’intelligenza artificiale: automazione dove serve velocità, supervisione umana dove servono giudizio e responsabilità.

Un metodo in tre fasi: prima, durante e dopo la consulenza

1. Prima: usa ChatGPT per arrivare preparato

Descrivi la tua situazione senza inserire dati personali non necessari. Chiedi quali informazioni mancano e quali termini devi comprendere. L’obiettivo non è ottenere il nome della polizza «migliore», ma costruire una buona mappa del problema.

2. Durante: porta le domande a un intermediario verificato

Confronta la mappa con i documenti ufficiali e con un professionista iscritto al RUI. Chiedi di spiegare per iscritto differenze, esclusioni, franchigie, massimali, effetto dei sinistri pregressi e condizioni per le garanzie accessorie.

3. Dopo: usa l’AI come secondo lettore, non come arbitro

Fornisci al chatbot soltanto documenti che puoi condividere in sicurezza e chiedi di evidenziare incoerenze o punti da chiarire. Ogni rilievo deve poi essere verificato sul testo contrattuale e con il professionista.

Questo approccio evita due estremi: fidarsi ciecamente dell’algoritmo oppure rinunciare a uno strumento che può renderci clienti più consapevoli.

Un prompt prudente per preparare il colloquio

Agisci come assistente alla preparazione di un colloquio assicurativo, non come intermediario e non come decisore. Non consigliarmi prodotti o compagnie. Fammi una domanda alla volta per aiutarmi a chiarire bisogni, rischi, budget, franchigie accettabili, beni da proteggere e situazioni particolari. Alla fine crea: 1) un riepilogo dei dati forniti; 2) l’elenco delle informazioni mancanti; 3) dieci domande da fare a un intermediario iscritto al RUI; 4) una tabella vuota per confrontare massimali, franchigie, scoperti, esclusioni e garanzie accessorie. Segnala esplicitamente che prezzi e condizioni devono essere verificati sui documenti ufficiali aggiornati.

La differenza la fanno le istruzioni. Nel mio libro ChatGPT, come stai? Il prompt engineering come nuova skill ibrida spiego proprio perché dialogare bene con un’AI non significa semplicemente formulare una domanda elegante: occorre definire ruolo, contesto, limiti, formato dell’output e criteri di verifica.

Il tema non è uomo contro macchina, ma chi controlla che cosa

La discussione sulla sostituzione spesso parte dalla domanda sbagliata. Non dovremmo chiederci soltanto se l’AI prenderà il posto dell’intermediario. Dovremmo chiederci quali compiti delegare, quali dati fornire, quali controlli mantenere e chi risponde quando la raccomandazione è sbagliata.

È una questione di governance. Nell’Opinion del 6 agosto 2025, EIOPA ha richiamato per il settore assicurativo un approccio proporzionato al rischio, capace di bilanciare benefici e pericoli dell’AI. Anche l’AI Act europeo adotta una logica basata sul rischio e punta a sistemi affidabili e centrati sulle persone.

Per chi usa un chatbot, la prima forma di governance è molto concreta: conoscere la fonte, controllare la data, leggere il documento originale e distinguere una spiegazione da una raccomandazione professionale. È lo stesso allenamento alla verifica che attraversa il mio Manuale per difendersi dalla Post Verità: una risposta plausibile non diventa vera solo perché è fluida e rassicurante.

Come cambia il lavoro dell’intermediario

Se il chatbot sa già spiegare che cos’è una franchigia, il valore dell’intermediario si sposta verso attività più profonde: fare domande che il cliente non aveva immaginato, interpretare le clausole, collegare il contratto alla vita reale, motivare le alternative e documentare il percorso di scelta.

Chi si limita a recitare un catalogo rischia davvero di essere sostituito. Chi usa l’AI per liberare tempo e dedicarlo all’ascolto, alla verifica e alla relazione può offrire una consulenza migliore.

Il test di Franke und Bornberg, quindi, non è una bocciatura di ChatGPT. È un promemoria sul suo ruolo corretto: ottimo assistente per orientarsi, pessimo oracolo a cui delegare una decisione complessa.

Domande frequenti

ChatGPT può consigliare una polizza assicurativa?

Può aiutare a comprendere bisogni e caratteristiche, ma la raccomandazione va verificata su documenti aggiornati e con un intermediario abilitato. Il modello potrebbe non conoscere clausole, tariffe e criteri di sottoscrizione correnti.

Qual è il rischio principale nell’usare l’AI per confrontare polizze?

Confondere una risposta plausibile con un confronto completo. Una classifica può trascurare esclusioni, garanzie opzionali, sinistri pregressi, sconti e altre variabili personali.

Come verifico un intermediario assicurativo?

In Italia puoi consultare il Registro Unico degli Intermediari sul sito IVASS e controllare che recapiti, denominazione e sito coincidano con quelli ufficiali.

Posso caricare una polizza su ChatGPT?

Solo dopo aver valutato riservatezza, dati personali e condizioni dello strumento utilizzato. È meglio rimuovere i dati non necessari e non affidare al chatbot l’ultima parola sull’interpretazione contrattuale.

In che modo l’AI può aiutare un intermediario?

Può preparare checklist, riassumere documenti, semplificare il linguaggio e supportare il confronto preliminare. La raccolta approfondita dei bisogni, la verifica e la responsabilità restano umane.

Nota: questo articolo ha finalità informative e non costituisce consulenza assicurativa o legale.

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

Ha ancora senso Google Alerts nell’era dell’AI e degli agenti?

, ,

Ogni mattina, in migliaia di caselle di posta, arriva la stessa email: tre risultati di Google Alerts, due dei quali duplicati e uno completamente fuori tema. Nel frattempo un agente AI potrebbe aver già letto centinaia di fonti, scartato il rumore e preparato una sintesi leggibile in trenta secondi. È la domanda che mi sento fare sempre più spesso da chi si occupa di comunicazione, SEO o brand reputation: ha ancora senso usare Google Alerts quando esistono motori di ricerca basati sull’intelligenza artificiale e veri agenti autonomi capaci di monitorare il web al posto nostro?

La risposta breve è: dipende da cosa dobbiamo monitorare, da quanto in fretta ci serve saperlo e da quanto siamo disposti a delegare. La risposta lunga richiede di capire come funziona oggi Google Alerts, dove si ferma, e che cosa cambia davvero con i motori AI e con gli agenti.

Che cos’è rimasto di Google Alerts nel 2026

Google Alerts nasce come strumento semplice: si imposta una query, si sceglie la frequenza (in tempo reale, una volta al giorno, una volta alla settimana) e si ricevono email quando compaiono nuovi risultati pertinenti su Ricerca Google. Il funzionamento, spiegato nella guida ufficiale di Google, non è cambiato di molto rispetto a quando lo strumento fu lanciato: resta gratuito, immediato da configurare, ma anche piuttosto rigido.

Negli anni Google ha investito pochissimo su questo prodotto. Non si integra con AI Overviews o con AI Mode, non distingue una menzione positiva da una negativa, non raggruppa le notizie per argomento, non impara dalle correzioni. È rimasto, di fatto, fermo a un’epoca precedente ai motori di ricerca conversazionali.

I limiti reali di Google Alerts oggi

  • Copertura parziale delle fonti. Fatica a coprire bene social network, forum verticali, gruppi Telegram o Facebook, marketplace: proprio i luoghi dove nascono molte crisi reputazionali.
  • Ritardo variabile. Anche in modalità “in tempo reale” possono passare ore o giorni prima che un contenuto già indicizzato generi una notifica.
  • Duplicati e rumore. La stessa notizia ripresa da decine di aggregatori riempie la casella di posta di link quasi identici.
  • Nessuna sintesi né priorità. Lo strumento non dice se una menzione è rilevante, virale o pericolosa: il lavoro di lettura e selezione resta interamente umano.
  • Nessuna azione. Si limita a notificare: non propone una risposta, non avvisa un collega, non aggiorna un foglio di lavoro, non apre un ticket.

Un esempio concreto: un’agenzia che monitora le menzioni di un brand riceve anche quaranta email al giorno, di cui solo tre davvero rilevanti, e nonostante questo si accorge in ritardo di una discussione nata su Reddit, perché quel tipo di fonte non viene intercettato con la stessa rapidità di una testata giornalistica.

Che cosa cambia con i motori di ricerca basati sull’AI

Con AI Overviews e AI Mode, Google non si limita più a restituire dieci link blu: costruisce una sintesi che cita le fonti. Strumenti come Perplexity vanno nella stessa direzione, ma capovolgono l’approccio di Alerts: invece di aspettare una notifica, si fa una domanda diretta e si ottiene una risposta aggiornata con le fonti citate. Nel mio articolo su come ho usato Perplexity per una ricerca mirata il principio è lo stesso applicato a un altro obiettivo: interrogare, non aspettare.

Questo cambiamento non riguarda solo come cerchiamo le informazioni, ma anche come veniamo trovati. Se le risposte AI sintetizzano il web al posto dell’utente, capire come il proprio brand o i propri contenuti vengono citati in quelle risposte diventa una nuova forma di monitoraggio, quella che nel mio approfondimento su SEO, GEO e AEO descrivo come necessità di ottimizzare non solo per l’algoritmo di ranking, ma per il modo in cui un modello linguistico riassume e cita le fonti.

Che cosa cambia davvero con gli agenti AI

I motori di ricerca AI rispondono a una domanda quando la facciamo. Un agente va oltre: lavora su un programma, consulta più fonti in autonomia, incrocia i dati, scarta il rumore, scrive una sintesi e, se lo abilitiamo, compie un’azione, come inviare un’email o aggiornare una tabella. È qui che la faccenda si fa interessante, e anche più delicata.

Più un agente passa dal “dire” al “fare”, più serve decidere quanto controllo umano mantenere. Nel mio articolo su human-in-the-loop e human-on-the-loop entro nel dettaglio di questa distinzione: per una sintesi giornaliera delle menzioni può bastare un supervisore che controlla a campione (on-the-loop), ma se l’agente deve rispondere pubblicamente a una recensione negativa, quel passaggio dovrebbe restare sotto approvazione umana (in-the-loop).

Quattro esempi pratici di monitoraggio con agenti AI

  • Rassegna stampa quotidiana automatica. L’agente legge decine di fonti ogni mattina, produce una sintesi con priorità e sentiment, e segnala alla persona solo le anomalie reali, invece di scaricare tutto il lavoro di lettura sull’utente.
  • Monitoraggio prezzi e attività dei concorrenti. L’agente controlla ogni giorno pagine e listini, e avvisa solo quando c’è una variazione significativa, non a ogni minima modifica del codice HTML.
  • Social listening esteso. L’agente copre Reddit, forum di settore, gruppi pubblici e community verticali che Google Alerts intercetta con difficoltà o in ritardo.
  • Monitoraggio della propria presenza nelle risposte AI. L’agente interroga periodicamente ChatGPT, Perplexity e AI Overviews con le domande tipiche del proprio settore, per verificare se e come il brand viene citato: un controllo che nessun Alert tradizionale può fare, perché non guarda “dentro” la risposta generata dal modello.

Per chi deve poi mettere in relazione documenti diversi raccolti durante il monitoraggio, come rassegne stampa, PDF e screenshot, uno strumento come Gemini Notebook può aiutare a incrociare fonti eterogenee invece di leggerle una per una.

Google Alerts, motori AI e agenti a confronto

Aspetto Google Alerts Motori di ricerca AI Agenti AI di monitoraggio
Copertura fonti Limitata, soprattutto su social e forum Ampia, ma legata al momento della domanda Ampia e programmabile su misura
Tempestività Da ore a giorni Immediata, ma solo su richiesta Continua, secondo la frequenza impostata
Sintesi e priorità Assente Buona sulla singola risposta Costruita su misura, con soglie e priorità
Azioni automatiche Nessuna Nessuna, resta conversazionale Possibili, da presidiare con attenzione
Costo Gratuito Gratuito o abbonamento Tempo di configurazione o costo del servizio
Controllo richiesto Minimo Minimo Da progettare (in-the-loop o on-the-loop)

Quando ha ancora senso usare Google Alerts

Non tutto merita un agente. Per un uso personale, per un tema poco competitivo, per un primo filtro gratuito su un argomento che non è ancora una priorità, Google Alerts resta uno strumento onesto: costa zero, si imposta in due minuti e, come rete a maglie larghe, qualcosa la intercetta comunque. Il problema nasce quando lo si usa come unico strumento per la reputazione di un brand, per la sicurezza di un’azienda o per capire in tempo reale una crisi in corso: lì il divario con motori AI e agenti diventa evidente, come racconto anche nella guida su come gestire la reputazione online, dove il monitoraggio è solo il primo passo di un processo più ampio.

Come costruire oggi un sistema di monitoraggio ibrido

  • Definire cosa conta davvero. Nome del brand, prodotti, dirigenti, hashtag, concorrenti diretti: non tutto merita lo stesso livello di attenzione.
  • Tenere Google Alerts come rete di base gratuita. Non va abbandonato, va ridimensionato al ruolo che può davvero sostenere.
  • Affiancare un motore AI per le domande puntuali. Utile quando serve una risposta rapida su un tema specifico, non una sorveglianza continua.
  • Costruire o adottare un agente per le fonti scoperte. Social, forum e community restano il punto debole di Alerts e il punto di forza di un agente ben configurato.
  • Scegliere il livello di supervisione giusto. Sintesi giornaliera in modalità on-the-loop, approvazione umana obbligatoria per ogni azione pubblica o sensibile.
  • Misurare che cosa si sarebbe perso. Confrontare periodicamente i risultati di Alerts con quelli dell’agente aiuta a capire quanto valore reale aggiunge il cambio di strumento.

Domande frequenti

Google Alerts è ormai inutile?

No, ma da solo non basta più per chi ha bisogno di rapidità, copertura ampia o sintesi. Resta valido come rete gratuita di base per temi a bassa priorità.

Gli agenti AI sostituiscono completamente Google Alerts?

Possono coprire molti dei suoi limiti, ma vanno progettati con attenzione: senza soglie, log e supervisione rischiano di generare falsi allarmi o azioni indesiderate.

Serve saper programmare per costruire un agente di monitoraggio?

Non sempre: esistono strumenti e piattaforme che permettono di collegare fonti, regole di sintesi e notifiche senza scrivere codice, anche se una configurazione più su misura richiede competenze tecniche.

Google Alerts copre bene i social network?

No, è uno dei suoi limiti più noti: social, forum e gruppi privati vengono intercettati in modo parziale e spesso in ritardo rispetto a siti di informazione indicizzati.

Qual è il rischio principale nel delegare il monitoraggio a un agente?

Perdere il controllo su ciò che l’agente fa in autonomia. Per questo conviene distinguere sempre tra un ruolo di supervisione (on-the-loop) e uno di approvazione obbligatoria (in-the-loop) per le azioni più delicate.

La domanda giusta non è più “Alerts sì o no”

Google Alerts non è morto, ma nel 2026 ha smesso di essere sufficiente da solo. Ha ancora senso quando serve un primo filtro gratuito su un tema semplice; ne ha molto meno quando in gioco ci sono la reputazione di un brand, la velocità di reazione o la comprensione di come l’intelligenza artificiale parla di noi. La domanda giusta non è più se usare Alerts, ma quale combinazione di motori AI, agenti e supervisione umana meriti la nostra attenzione, che resta la risorsa più limitata di tutte.

/0 Commenti/da

Gemini Notebook legge documenti e immagini: 10 incroci utili per lavorare meglio

, , ,

Per mesi abbiamo usato NotebookLM soprattutto così: carichiamo un PDF, chiediamo un riassunto e ci sentiamo già molto produttivi.

È utile, certo. Ma è anche un modo piuttosto limitato di usare lo strumento.

Il vero salto avviene quando non gli affidiamo una sola fonte, ma materiali diversi: un documento e una fotografia, un contratto e una planimetria, una presentazione e i relativi grafici, un report tecnico e le immagini scattate durante un sopralluogo.

A quel punto l’intelligenza artificiale non deve semplicemente riassumere. Deve incrociare le fonti, individuare corrispondenze, segnalare differenze e costruire una lettura unitaria.

Dal 16 luglio 2026, tra l’altro, NotebookLM ha ufficialmente cambiato nome ed è diventato Gemini Notebook. Google lo presenta come lo stesso prodotto autonomo, ma maggiormente integrato nell’ecosistema Gemini e nei servizi dell’azienda (fonte: blog.google).

Che cosa può leggere Gemini Notebook?

Gemini Notebook è un assistente di ricerca basato sulle fonti selezionate dall’utente. Può lavorare su testi, grafici, immagini e audio, restituendo risposte corredate da citazioni che permettono di risalire ai materiali utilizzati (fonte: Google Aiuto).

Tra i formati supportati troviamo:

  • PDF, Word, PowerPoint, CSV, Markdown ed ePub;
  • Google Docs, Presentazioni e Fogli;
  • file audio;
  • pagine Web;
  • video pubblici di YouTube con trascrizione;
  • immagini in formati come JPG, PNG, WebP, TIFF e HEIC (fonte: Google Aiuto).

Una precisazione importante: quando inseriamo l’indirizzo di una pagina Web, Gemini Notebook acquisisce principalmente il testo HTML. Le immagini presenti nella pagina non vengono automaticamente importate come fonti visuali. Per analizzarle conviene scaricarle, quando ne abbiamo il diritto, e caricarle separatamente.

Ecco dieci incroci che possono trasformare Gemini Notebook da riassuntore di PDF a vero assistente documentale.

1. Manuali tecnici e schemi

Immaginiamo di avere il manuale di una macchina industriale e alcune immagini con lo schema dei componenti.

Gemini Notebook può collegare le istruzioni scritte agli elementi rappresentati nel disegno, aiutandoci a capire:

  • quale componente viene citato in un determinato passaggio;
  • dove si trova fisicamente;
  • quale sequenza operativa seguire;
  • se lo schema appare coerente con le istruzioni;
  • quali avvertenze riguardano quella specifica parte.

È particolarmente utile quando un manuale usa sigle come “modulo A7” o “valvola V12”, mentre lo schema mostra decine di elementi quasi identici.

Prompt di esempio

Analizza il manuale tecnico e lo schema allegato. Individua nello schema tutti i componenti citati nella procedura di manutenzione descritta alle pagine 20-25. Crea una sequenza passo-passo. Per ogni passaggio indica il componente, la fonte, la pagina e gli eventuali dubbi. Non inventare collegamenti non verificabili.

Non sostituisce il tecnico qualificato, ma può ridurre parecchio il tempo perso a saltare continuamente dal testo al disegno.

2. Contratti e planimetrie

Un contratto di locazione, un capitolato o un regolamento possono contenere riferimenti a stanze, aree comuni, confini, pertinenze e destinazioni d’uso.

La planimetria mostra gli spazi. Il contratto stabilisce gli obblighi.

Incrociando le due fonti possiamo chiedere a Gemini Notebook di:

  • associare le clausole alle aree rappresentate;
  • distinguere spazi privati e comuni;
  • trovare obblighi di manutenzione collegati a locali specifici;
  • evidenziare zone presenti nella planimetria ma non citate nel contratto;
  • segnalare descrizioni potenzialmente ambigue.

Prompt di esempio

Confronta il contratto con la planimetria. Crea una tabella con: area, clausole collegate, obblighi del locatore, obblighi del conduttore, eventuali incongruenze e informazioni mancanti. Se una corrispondenza è soltanto probabile, dichiaralo esplicitamente.

Il risultato è una mappa di orientamento, non un parere legale. Le interpretazioni contrattuali devono essere verificate da un professionista.

3. Fatture e fotografie dei prodotti

Una fattura sostiene che sono stati consegnati dieci prodotti di un certo modello. Le fotografie mostrano ciò che è realmente arrivato.

Gemini Notebook può aiutare a confrontare:

  • descrizione e aspetto del prodotto;
  • modello, colore e confezione;
  • quantità documentata e quantità visibile;
  • accessori dichiarati;
  • eventuali codici o numeri di serie leggibili;
  • differenze tra quanto fatturato e quanto fotografato.

Prompt di esempio

Confronta le righe della fattura con i prodotti visibili nelle fotografie. Per ogni riga indica se esiste una corrispondenza visiva, quali elementi la supportano e quali non possono essere verificati. Non considerare l’aspetto esteriore una prova definitiva di autenticità.

È un ottimo primo controllo. Non è invece uno strumento forense per certificare l’originalità di un prodotto.

4. Report di sopralluogo e fotografie del cantiere

Questo è uno dei casi più interessanti per tecnici, aziende edili, amministratori di condominio e responsabili della sicurezza.

Carichiamo:

  1. il report del sopralluogo;
  2. le fotografie del cantiere;
  3. eventualmente il capitolato o il cronoprogramma.

Gemini Notebook può costruire una matrice con:

  • problema segnalato;
  • immagine associata;
  • posizione;
  • livello di urgenza indicato nel report;
  • intervento previsto;
  • prove mancanti;
  • possibili contraddizioni tra testo e fotografie.

Prompt di esempio

Associa ogni criticità citata nel report alle fotografie pertinenti. Crea una tabella con descrizione, posizione, fotografia, intervento richiesto, priorità dichiarata e informazioni da verificare. Non stimare autonomamente la sicurezza strutturale.

Sul mio sito ho già raccolto diversi esempi di utilizzo dell’intelligenza artificiale nei cantieri, tra capitolati, progetti e controlli documentali.

5. Curriculum e certificati

Il curriculum racconta le competenze. I certificati dovrebbero documentarne almeno alcune.

Gemini Notebook può confrontare le due fonti per individuare:

  • certificazioni citate nel CV ma non documentate;
  • date di rilascio e scadenza;
  • enti certificatori;
  • corsi apparentemente duplicati;
  • competenze dichiarate senza evidenze allegate;
  • attestati non menzionati nel curriculum.

Prompt di esempio

Confronta il curriculum con gli attestati allegati. Non esprimere giudizi sulla persona. Elenca soltanto le competenze documentate, quelle dichiarate ma non documentate, le date di validità e gli elementi che richiedono verifica umana.

Questo utilizzo richiede particolare attenzione a privacy, minimizzazione dei dati e possibili discriminazioni. Non si dovrebbe chiedere all’AI di stabilire chi “merita” un lavoro partendo da una fotografia o da caratteristiche personali.

6. Presentazioni e grafici

Una slide può affermare che “le vendite sono esplose”. Il grafico potrebbe raccontare una storia un po’ meno entusiasmante.

Incrociando testo e visualizzazioni possiamo verificare:

  • se il titolo della slide riflette davvero i dati;
  • se gli assi partono da zero;
  • se vengono confrontati periodi equivalenti;
  • se le percentuali hanno una base chiara;
  • se mancano fonti;
  • se alcuni dati importanti sono stati esclusi dalla narrazione.

Prompt di esempio

Analizza le affermazioni contenute nella presentazione e confrontale con i grafici. Per ogni affermazione indica: dato che la supporta, fonte, eventuali limiti, possibili interpretazioni alternative e informazioni mancanti.

Gemini Notebook può anche trasformare le fonti in presentazioni, report e altri artefatti. Google precisa però che i contenuti generati possono includere inesattezze visive o fattuali (fonte: blog.google).

7. Regolamenti e infografiche

Molte organizzazioni trasformano regolamenti complessi in infografiche da distribuire a dipendenti, cittadini o clienti.

L’infografica deve essere semplice. Il rischio è che diventi troppo semplice.

Gemini Notebook può confrontare il documento originale con la sintesi grafica per trovare:

  • eccezioni eliminate;
  • scadenze errate;
  • obblighi presentati come facoltativi;
  • indicazioni prive di contesto;
  • semplificazioni potenzialmente fuorvianti.

Prompt di esempio

Verifica se l’infografica rappresenta correttamente il regolamento. Individua omissioni, semplificazioni e affermazioni che potrebbero generare equivoci. Cita per ogni osservazione il punto preciso del regolamento.

È un uso molto concreto per Pubbliche Amministrazioni, associazioni, scuole e uffici delle risorse umane.

8. Ricerche di mercato e immagini dei prodotti

Una ricerca di mercato parla di posizionamento, target, prezzo, differenziazione e comportamento dei concorrenti.

Le immagini dei prodotti mostrano come quei concetti si traducono nella realtà.

Possiamo chiedere a Gemini Notebook di confrontare:

  • promessa del marchio e confezione;
  • target dichiarato e linguaggio visuale;
  • posizionamento premium e qualità percepita;
  • claim presenti sul prodotto;
  • colori, simboli e informazioni in evidenza;
  • differenze tra concorrenti.

Prompt di esempio

Incrocia le conclusioni della ricerca di mercato con le immagini dei prodotti. Analizza soltanto elementi visibili e informazioni presenti nelle fonti. Distingui chiaramente tra osservazioni oggettive e interpretazioni di marketing.

Questo può diventare il punto di partenza per un’analisi del packaging, una presentazione commerciale o un workshop sul posizionamento.

9. Casi clinici e immagini mediche

È l’esempio che richiede più prudenza.

Gemini Notebook può essere usato per organizzare materiali clinici, confrontare un referto con la documentazione allegata, estrarre domande da rivolgere allo specialista o individuare differenze terminologiche tra più documenti.

Non dovrebbe invece essere usato per formulare diagnosi autonome o decidere terapie.

Un prompt prudente potrebbe essere:

Organizza le informazioni presenti nel caso clinico e nei referti. Non formulare diagnosi e non interpretare autonomamente le immagini mediche. Evidenzia eventuali differenze tra i documenti, termini da chiarire e domande da sottoporre allo specialista.

Google stessa ricorda che Gemini Notebook può commettere errori e invita a consultare professionisti qualificati per questioni mediche, legali o finanziarie (fonte: Google Aiuto).

10. Articoli di giornale e fotografie

Un articolo descrive un evento. Le fotografie ne mostrano soltanto una porzione, scelta da chi ha scattato o selezionato l’immagine.

Incrociare le due fonti può servire per:

  • verificare se la didascalia corrisponde a ciò che è visibile;
  • ricostruire la sequenza temporale;
  • distinguere fatti riportati e interpretazioni;
  • individuare oggetti, cartelli e luoghi citati nel testo;
  • confrontare versioni diverse dello stesso evento;
  • segnalare elementi presenti nella foto ma ignorati dall’articolo.

Prompt di esempio

Confronta il contenuto dell’articolo con le fotografie. Elenca soltanto gli elementi direttamente verificabili. Non identificare persone basandoti esclusivamente sul volto e non dedurre intenzioni o responsabilità dalle immagini.

È un esercizio molto utile anche in un corso di educazione ai media: l’immagine sembra una prova oggettiva, ma anch’essa è una selezione della realtà.

Il prompt universale per incrociare documenti e immagini

Per ottenere risultati utili non basta scrivere: “Analizza questi file”.

Meglio fornire un metodo.

Agisci come analista documentale.
Esamina tutte le fonti selezionate, comprese immagini, documenti, tabelle e grafici.
Obiettivo: [descrivi il risultato che ti serve].
Per ogni osservazione:

  1. indica la fonte;
  2. cita la pagina, la sezione o l’immagine;
  3. separa i fatti dalle interpretazioni;
  4. segnala informazioni mancanti o illeggibili;
  5. non inventare corrispondenze;
  6. usa la dicitura “non verificabile” quando le fonti non sono sufficienti.

Presenta il risultato in una tabella con le colonne: elemento, fonte testuale, fonte visuale, corrispondenza, anomalia, livello di certezza e verifica umana richiesta.

Il passaggio decisivo è l’ultimo: obbligare l’AI a dichiarare ciò che non sa.

Tre limiti da non dimenticare

La qualità delle immagini conta

Una fotografia sfocata, tagliata o scattata da un’angolazione sbagliata produce inevitabilmente un’analisi più debole. Lo stesso vale per scansioni storte, tabelle minuscole e schemi privi di legenda.

Le citazioni aiutano, ma non certificano la verità

Gemini Notebook usa citazioni testuali e visuali per mostrare da dove proviene una risposta. Questo rende il controllo più semplice, ma non trasforma automaticamente ogni interpretazione in un fatto corretto (fonte: Google Aiuto).

I dati sensibili non vanno caricati con leggerezza

Prima di inserire contratti, documenti sanitari, dati personali o informazioni aziendali riservate, bisogna verificare il tipo di account, le condizioni applicabili e le regole della propria organizzazione.

Google dichiara che i dati non vengono usati per addestrare Gemini Notebook, salvo l’invio di feedback. Per gli account Workspace ed Education qualificati, caricamenti, richieste e risposte non vengono utilizzati per addestrare i modelli e non sono sottoposti a revisione umana (fonte: Google Aiuto).

Il punto non è “leggere una foto”

La funzione più interessante non consiste nel descrivere un’immagine.

Quello può farlo ormai qualsiasi chatbot multimodale.

Il vero valore sta nel collegare l’immagine a un insieme controllato di documenti e nel chiedere all’AI di lavorare all’interno di quel perimetro.

Non più:

Che cosa vedi in questa fotografia?

Ma:

Che relazione c’è tra questa fotografia, il contratto, il report e la fattura che ti ho fornito?

È qui che Gemini Notebook diventa realmente utile nel lavoro quotidiano: quando passa dalla generica produzione di risposte all’analisi di fonti che abbiamo scelto noi.

Per approfondire lo strumento puoi consultare il mio corso Gemini Notebook per aziende e professionisti e il confronto tra Gemini e NotebookLM, utile per capire quale ambiente usare nei diversi scenari professionali.

Domande frequenti su Gemini Notebook e le immagini

Gemini Notebook può leggere direttamente le immagini?

Sì. Le immagini possono essere caricate come fonti autonome e utilizzate insieme agli altri materiali del notebook. Sono supportati diversi formati, tra cui JPG, PNG, WebP, TIFF e HEIC.

Può analizzare le immagini contenute in un PDF?

Google ha introdotto la capacità di rispondere a domande su immagini, diagrammi e grafici presenti nelle fonti. Il risultato dipende comunque dalla qualità e dalla leggibilità del documento (fonte: blog.google).

Incollando un sito vengono analizzate anche le fotografie?

No, non automaticamente. Per le pagine Web viene importato principalmente il contenuto testuale. Le immagini devono essere aggiunte separatamente.

Gemini Notebook può citare anche un’immagine?

Sì. Le risposte possono utilizzare testo e immagini provenienti dalle fonti come citazioni, consentendo all’utente di tornare al contenuto originale.

Può sostituire un medico, un avvocato o un tecnico?

No. Può organizzare, confrontare e sintetizzare le fonti, ma le decisioni professionali e le interpretazioni ad alto rischio richiedono una verifica qualificata.

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

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

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

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

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

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

3 strumenti di AI cinesi da provare nel 2026: Qwen, Kimi e Hailuo AI

,

Risposta breve: Qwen, Kimi e Hailuo AI sono tre strumenti di intelligenza artificiale cinesi da conoscere nel 2026. Qwen e Kimi sono soprattutto chatbot e famiglie di modelli linguistici utili per ricerca, scrittura, analisi di documenti e programmazione; Hailuo AI, sviluppato nell’ecosistema MiniMax, è invece orientato alla generazione di immagini e video da testo o da immagini.

Per aziende, formatori, consulenti e professionisti digitali, osservare l’AI cinese non è più una curiosità esotica: è un modo concreto per capire dove sta andando la competizione globale sull’intelligenza artificiale. Dopo DeepSeek, altri strumenti cinesi stanno diventando interessanti anche per chi lavora in Europa con contenuti, marketing, formazione, ricerca e automazione.

In questa guida vediamo che cosa sono Qwen, Kimi e Hailuo AI, quando ha senso provarli, quali differenze pratiche ci sono e quali cautele adottare prima di usarli in contesti aziendali.

Cosa sono Qwen, Kimi e Hailuo AI?

Qwen è la famiglia di modelli di intelligenza artificiale sviluppata da Alibaba Cloud. Comprende modelli linguistici e multimodali, usabili tramite il chatbot Qwen e tramite risorse per sviluppatori. La pagina ufficiale è qwen.ai; per il contesto tecnico è utile anche la pagina Qwen su Alibaba Cloud.

Kimi è il chatbot di Moonshot AI, società cinese specializzata in modelli linguistici. È pensato per conversazione, ricerca, analisi di documenti, scrittura e compiti agentici. Il sito ufficiale internazionale è kimi.com, mentre la società madre presenta i modelli su moonshot.ai.

Hailuo AI è uno strumento creativo collegato a MiniMax e orientato alla generazione di video, immagini e contenuti visuali. È utile soprattutto per trasformare prompt testuali o immagini di partenza in brevi video, mockup creativi e materiali social. La pagina ufficiale è hailuoai.video; MiniMax racconta l’evoluzione del prodotto nella sezione news, per esempio con Hailuo 2.3.

Perché provare strumenti di AI cinesi nel 2026

Provare strumenti di AI cinesi non significa sostituire automaticamente ChatGPT, Claude, Gemini, Copilot o Perplexity. Significa aggiungere al proprio radar strumenti che spesso sperimentano soluzioni diverse: modelli open weight, funzioni multimodali, finestre di contesto ampie, prezzi aggressivi, integrazioni creative e un ritmo di aggiornamento molto rapido.

Per un professionista, il vantaggio è pratico: confrontare più strumenti aiuta a capire quale modello scrive meglio in un certo contesto, quale ragiona meglio su documenti lunghi, quale produce visual più interessanti e quale può diventare utile in un flusso di lavoro aziendale.

Ho già affrontato il tema dell’AI cinese parlando di DeepSeek. Questo articolo allarga lo sguardo ad altri tre nomi che meritano attenzione.

Qwen: il modello AI di Alibaba per testi, codice e multimodalità

Definizione rapida di Qwen

Qwen è una famiglia di modelli AI sviluppata da Alibaba Cloud. Include modelli per conversazione, generazione di testo, programmazione, analisi multimodale e applicazioni aziendali. In pratica, Qwen può essere usato sia come chatbot sia come tecnologia di base per costruire prodotti e automazioni.

Cosa puoi fare con Qwen

  • Scrivere bozze di articoli, email, script e documenti.
  • Riassumere testi lunghi e trasformarli in schemi operativi.
  • Analizzare immagini o contenuti multimodali, a seconda del modello disponibile.
  • Generare e correggere codice.
  • Testare modelli open weight in ambienti tecnici, quando disponibili.

Esempio pratico con Qwen

Un consulente può caricare un brief aziendale e chiedere a Qwen di trasformarlo in una scaletta per un workshop: obiettivi, moduli, esercizi, esempi e domande di verifica. Un team tecnico può invece usarlo per confrontare soluzioni architetturali o per generare una prima bozza di documentazione.

Quando scegliere Qwen

Qwen è interessante se vuoi sperimentare un’alternativa cinese ai grandi modelli occidentali, soprattutto su attività testuali, coding, ragionamento e casi in cui ti interessa anche il lato tecnico dei modelli.

Kimi: il chatbot cinese di Moonshot AI per ricerca e documenti lunghi

Definizione rapida di Kimi

Kimi è un chatbot AI sviluppato da Moonshot AI. È pensato per gestire conversazioni, ricerche, documenti, scrittura e compiti complessi. La sua identità pubblica è molto legata alla capacità di lavorare con contesti ampi e con attività di tipo agentico.

Cosa puoi fare con Kimi

  • Analizzare documenti lunghi e ricavarne sintesi operative.
  • Preparare ricerche strutturate su un tema.
  • Generare bozze di articoli, piani editoriali e materiali di studio.
  • Usarlo come assistente per ragionare su problemi complessi.
  • Testare funzioni orientate al coding e agli agenti AI.

Esempio pratico con Kimi

Un responsabile formazione può usare Kimi per analizzare un documento normativo, chiedere una sintesi per manager non tecnici e poi trasformarla in una scaletta di corso. Un creator può usarlo per raccogliere fonti, creare una traccia video e generare domande frequenti per il pubblico.

Quando scegliere Kimi

Kimi è da provare quando lavori su documenti lunghi, ricerche articolate o attività che richiedono memoria del contesto. Non va trattato come fonte infallibile: come ogni chatbot AI, richiede verifica delle informazioni, controllo delle fonti e attenzione ai dati caricati.

Hailuo AI: video e immagini generati con l’intelligenza artificiale cinese

Definizione rapida di Hailuo AI

Hailuo AI è uno strumento di generazione visuale basato sull’intelligenza artificiale. Serve a creare immagini e video da prompt testuali o da immagini di partenza. Rispetto a Qwen e Kimi, non nasce come chatbot generalista: il suo punto forte è la produzione creativa visuale.

Cosa puoi fare con Hailuo AI

  • Generare brevi video da una descrizione testuale.
  • Animare immagini statiche.
  • Creare concept visuali per social, advertising e presentazioni.
  • Produrre varianti creative per una campagna.
  • Testare rapidamente idee prima di passare a una produzione professionale.

Esempio pratico con Hailuo AI

Un marketer può partire da una foto prodotto e generare brevi clip per testare mood, ambientazioni o angoli creativi. Un formatore può creare un esempio visuale per spiegare come funzionano i generatori video AI durante un workshop sull’intelligenza artificiale generativa.

Quando scegliere Hailuo AI

Hailuo AI è utile quando il risultato atteso non è un testo ma un contenuto visivo: video brevi, animazioni, mockup, storyboard e materiali sperimentali. Per usi professionali conviene sempre verificare licenze, diritti, liberatorie e coerenza con la policy aziendale.

Qwen vs Kimi vs Hailuo AI: confronto rapido

Strumento Che cos’è Uso principale Ideale per Attenzione a
Qwen Famiglia di modelli AI di Alibaba Cloud Testi, codice, analisi, multimodalità Sviluppatori, consulenti, aziende, creator tecnici Scelta del modello, privacy, integrazione tecnica
Kimi Chatbot e modelli di Moonshot AI Ricerca, documenti lunghi, scrittura, agenti Professionisti, formatori, ricercatori, marketer Verifica fonti, dati caricati, limiti del modello
Hailuo AI Generatore AI di immagini e video Video, immagini, contenuti social e concept creativi Creator, marketing, comunicazione, formazione Copyright, diritti d’immagine, policy di pubblicazione

Quale strumento AI cinese scegliere?

La scelta dipende dal lavoro da fare. Se devi scrivere, programmare o testare modelli multimodali, parti da Qwen. Se devi analizzare documenti, fare ricerca e costruire ragionamenti lunghi, prova Kimi. Se devi produrre immagini o video generativi, sperimenta Hailuo AI.

In un flusso reale possono convivere: Kimi per raccogliere e organizzare le informazioni, Qwen per generare o rivedere testi e codice, Hailuo AI per trasformare un’idea in un contenuto visuale.

Consigli per aziende e professionisti

  • Non caricare dati riservati senza aver letto termini, privacy policy e impostazioni di conservazione dei dati.
  • Confronta sempre gli output con almeno un altro modello, soprattutto su contenuti tecnici, legali o regolatori.
  • Usa prompt verificabili: chiedi fonti, limiti, assunzioni e passaggi del ragionamento.
  • Documenta gli esperimenti: strumento, prompt, risultato, uso previsto e criticità.
  • Definisci una policy interna, soprattutto se l’azienda usa AI generativa in marketing, HR, customer care o produzione documentale.

Su questo tema possono essere utili anche gli articoli sull’intelligenza artificiale in azienda, sulla formazione AI obbligatoria e AI Act e le risorse per il corso ChatGPT.

FAQ sugli strumenti di AI cinesi

Che cos’è l’AI cinese?

Con AI cinese si indicano modelli, chatbot e strumenti di intelligenza artificiale sviluppati da aziende o laboratori cinesi. Esempi noti sono DeepSeek, Qwen, Kimi e Hailuo AI.

Qwen è un chatbot o un modello?

Qwen è soprattutto una famiglia di modelli sviluppata da Alibaba Cloud, ma può essere usata anche tramite interfacce chatbot e strumenti per sviluppatori.

Kimi è utile per lavorare con documenti lunghi?

Sì, Kimi è interessante proprio per ricerca, analisi di documenti e gestione di contesti ampi. Come sempre, le sintesi vanno controllate sulle fonti originali.

Hailuo AI serve per scrivere testi?

Non principalmente. Hailuo AI è più adatto alla generazione di immagini e video. Per testi, ricerca e documenti conviene partire da Qwen o Kimi.

Posso usare questi strumenti in azienda?

Sì, ma con prudenza. Prima di usare strumenti AI cinesi in azienda bisogna controllare privacy, gestione dei dati, licenze, copyright, policy interne e compatibilità con il contesto regolatorio europeo.

In sintesi

Qwen, Kimi e Hailuo AI mostrano tre direzioni diverse dell’intelligenza artificiale cinese: modelli linguistici e multimodali, chatbot per ricerca e documenti, generatori visuali per video e immagini. Provarli nel 2026 aiuta a capire meglio la competizione globale sull’AI e a costruire una cassetta degli attrezzi più ricca.

La regola resta semplice: sperimentare sì, ma con metodo. Ogni output va verificato, ogni dato sensibile va protetto e ogni strumento va inserito in una strategia di uso consapevole dell’intelligenza artificiale.

/0 Commenti/da