Il nuovo petrolio online: perché OSINT e AI stanno cambiando il valore delle informazioni

, ,

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

C’è una scena che si ripete continuamente nelle aziende italiane.

Qualcuno apre ChatGPT, incolla un documento, fa una domanda e ottiene una risposta brillante in pochi secondi. Magia? Non proprio. Dietro c’è qualcosa di molto più interessante: la trasformazione delle informazioni pubbliche in conoscenza operativa.

Ed è esattamente da qui che parte Il nuovo petrolio (online). OSINT e intelligenza artificiale: a caccia di dati pubblici nell’era dei chatbot, libro che ho scritto con Gianluca Boccacci, ethical hacker e presidente dei CyberActors. Nel testo si trova anche la prefazione di Francesco Ceraso, Head of Security Cyber Intelligence di Eni S.p.A.

Il punto centrale del volume è semplice, ma spesso sottovalutato: oggi il vero valore non sta solo nei dati. Sta nella capacità di raccoglierli, interpretarli, collegarli e usarli strategicamente.

Che cos’è davvero l’OSINT

OSINT significa Open Source Intelligence, cioè intelligence da fonti aperte. Non è hacking. Non è cyber-spionaggio cinematografico. E non significa nemmeno “cercare su Google”.

Il libro, che ho deciso di realizzare anche come supporto dei miei corsi per lo IAI, chiarisce bene un aspetto fondamentale: l’OSINT è un processo sistematico di raccolta, organizzazione e analisi delle informazioni pubbliche.

Le fonti possono essere:

  • siti web aziendali
  • social network
  • documenti pubblici
  • registri online
  • articoli di giornale
  • report finanziari
  • forum
  • repository tecnici
  • immagini satellitari
  • database aperti

La differenza la fa il metodo.

Perché il problema contemporaneo non è trovare informazioni. È orientarsi nel rumore.

L’intelligenza artificiale cambia completamente il gioco

Uno dei passaggi più interessanti del libro riguarda il rapporto tra OSINT e AI generativa.

Fino a pochi anni fa, raccogliere e correlare informazioni richiedeva tempo, competenze tecniche e una notevole capacità analitica. Oggi i modelli linguistici possono:

  • sintetizzare migliaia di documenti
  • individuare pattern
  • confrontare dati
  • trovare incongruenze
  • estrarre insight
  • costruire timeline
  • analizzare sentiment online

In pratica, l’intelligenza artificiale rende interrogabile il caos digitale.

Il testo insiste molto su questo punto: l’AI non sostituisce il ragionamento umano, ma amplifica enormemente la capacità di lavorare sulle informazioni.

Ed è qui che il libro evita sia l’entusiasmo ingenuo sia il catastrofismo da fantascienza.

Il vero rischio? La superficialità digitale

C’è un aspetto che emerge chiaramente leggendo il volume: molte vulnerabilità non derivano da attacchi sofisticati, ma da leggerezze quotidiane.

Un PDF con metadati dimenticati.
Un badge visibile in una foto.
Un post LinkedIn troppo dettagliato.
Una presentazione caricata online senza attenzione.
Un annuncio di lavoro che rivela strategie aziendali.

Singolarmente sembrano dettagli irrilevanti. Insieme costruiscono mappe informative potentissime.

Il libro mostra bene come l’OSINT sia ormai centrale non solo nella cybersecurity, ma anche nel marketing, nella ricerca accademica, nella business intelligence e nella gestione della reputazione.

Dalle aziende alle università: l’OSINT è ovunque

Uno degli aspetti più riusciti del testo è l’approccio pragmatico.

Non si limita alla teoria. Mostra applicazioni concrete:

  • monitoraggio dei competitor
  • analisi del sentiment
  • valutazione di nuovi mercati
  • verifica delle fonti
  • ricerca accademica
  • intelligence economica
  • contrasto alla disinformazione

Interessante anche la parte dedicata al Retrieval-Augmented Generation (RAG), cioè i sistemi che permettono ai chatbot di interrogare documenti aziendali, PDF e knowledge base interne per ridurre le allucinazioni dell’AI.

Tradotto: non più chatbot che “inventano”, ma strumenti che ragionano sui documenti reali dell’organizzazione.

È un passaggio cruciale per capire dove sta andando davvero l’intelligenza artificiale nelle aziende.

Come sfruttare la “Deep Research” di Gemini per l’OSINT (più un paio di prompt da provare)

Il libro affronta anche i lati scomodi

Ed è forse la parte più interessante.

Perché il volume non vende una visione utopica dell’AI. Affronta temi delicati:

  • privacy
  • identità digitali false
  • limiti legali dell’OSINT
  • disinformazione
  • deepfake
  • rischi etici
  • allucinazioni dei modelli linguistici

La prefazione di Francesco Ceraso, tra l’altro membro del Comitato Scientifico Clusit, è particolarmente efficace nel mostrare quanto il confine tra attività lecita e rischio legale possa diventare sottile in alcuni contesti investigativi digitali.

È un approccio maturo, raro in un panorama dove spesso si oscilla tra marketing tecnologico e allarmismo.

Perché questo libro arriva nel momento giusto

Negli ultimi mesi l’AI generativa è uscita dai laboratori ed è entrata nella quotidianità di aziende, professionisti e studenti.

Ma molte organizzazioni stanno ancora usando questi strumenti in modo superficiale:

  • senza cultura del dato
  • senza governance
  • senza verificare le fonti
  • senza comprendere i rischi informativi

Ed è qui che l’OSINT diventa strategico.

Perché insegna una competenza fondamentale dell’era AI: trasformare dati dispersi in conoscenza utile.

Non basta più “fare una domanda a ChatGPT”. Serve capire:

  • quali informazioni usare
  • da dove arrivano
  • quanto sono affidabili
  • come contestualizzarle
  • come verificare eventuali errori

In altre parole: il vero vantaggio competitivo non sarà avere accesso all’AI. Sarà saperla usare con metodo e spirito critico.

Il nuovo petrolio (online) prova a fare proprio questo: spiegare come orientarsi nel nuovo ecosistema informativo dove OSINT, chatbot e intelligenza artificiale stanno ridefinendo il concetto stesso di conoscenza digitale.

 

/0 Commenti/da

I 10 concetti più complessi dell’AI generativa spiegati senza paura

,

Me lo chiedono spesso, durante i corsi e le conferenze sull’intelligenza artificiale. Mentre ancora si chiacchiera alla fine della sessione, qualcuno si avvicina e mi fa la domanda vera: “Ma tutta questa roba tecnica – i token, gli embedding, il fine-tuning – devo davvero capirla?”. La risposta breve è: no, non devi diventare un ingegnere. Ma sì, capire cosa c’è sotto ti cambia il modo di usare questi strumenti. Ti rende più efficace, più consapevole.

Ho selezionato i 10 concetti che tornano sempre nelle mie formazioni sull’AI generativa: quelli che generano più confusione, ma anche più soddisfazione quando si capiscono davvero.

1. Token e Tokenizzazione: il segreto che ChatGPT non dice al primo incontro

Quando scrivi un prompt, il modello non legge parole. Legge token: frammenti di testo che possono essere parole intere, parti di parola, o persino singoli caratteri. La parola “Intelligenza” potrebbe diventare tre o quattro token diversi.

Perché conta? Perché i modelli hanno un limite di token per conversazione (il cosiddetto context window), e perché il costo delle API si calcola in token. Ma soprattutto perché capire la tokenizzazione aiuta a costruire prompt migliori: parole rare, termini tecnici o nomi stranieri vengono “sminuzzati” in più token, e questo può influenzare la qualità della risposta.

In pratica: più il tuo linguaggio è preciso e comune, meglio il modello ti capisce.

2. Attention Mechanism e Transformer: cosa fa davvero la macchina quando “pensa”

L’architettura Transformer è la base di quasi tutti i modelli linguistici moderni – da GPT a Gemini, da Claude a Mistral. Il suo cuore è il meccanismo di attention (attenzione): la capacità del modello di valutare quali parole di un testo sono più rilevanti rispetto alle altre, in modo dinamico e contestuale.

Quando scrivi “ho lasciato le chiavi sulla tavola”, il modello capisce che tavola indica un tavolo e non una tavola tecnica, perché interpreta il contesto dato da “chiavi” e “lasciato”. Non applica regole grammaticali rigide: valuta le probabilità basandosi su schemi appresi durante l’addestramento.

È questo che rende i transformer così potenti – e così diversi dai sistemi basati su regole che li hanno preceduti.

3. Fine-Tuning e Transfer Learning: trasferire intelligenza da un dominio all’altro

Un modello base come GPT-5 è stato addestrato su enormi quantità di testo generico. Ma se un’azienda vuole un assistente specializzato nel diritto del lavoro, o un medico vuole un modello che parli il linguaggio della clinica, si fa il fine-tuning: si “aggiusta” il modello pre-addestrato su dati specifici del dominio.

Il Transfer Learning è il principio più ampio: si prende l’intelligenza acquisita in un contesto (milioni di pagine web) e la si trasferisce in un altro (contratti, cartelle cliniche, normative fiscali). È quello che rende possibile creare modelli specializzati senza partire da zero – il che richiederebbe risorse computazionali e finanziarie fuori dalla portata di chiunque.

Nelle mie formazioni, questo è il concetto che più interessa ai team IT: quando conviene fare fine-tuning, e quando è meglio usare un approccio diverso come il RAG (lo vediamo al punto 8).

4. Hallucination: quando la macchina mente con molta fiducia

Le allucinazioni sono forse il problema più noto dell’AI generativa – e il più frainteso. Il modello non “mente” nel senso umano del termine: non ha intenzione di ingannarti. Semplicemente, genera la sequenza di token statisticamente più probabile, anche quando quella sequenza corrisponde a informazioni false.

Il risultato sono risposte plausibili ma errate: citazioni di articoli che non esistono, date storiche sbagliate, nomi di persone inventati. Il modello le propone con lo stesso tono sicuro con cui ti direbbe il nome della capitale della Francia.

Questo è il motivo per cui non si usa l’AI come fonte primaria senza verifica. Ed è anche il motivo per cui capire le allucinazioni non serve a smettere di usare l’AI: serve a usarla nel modo giusto.

5. Temperature: la fisica del non-determinismo

Hai mai notato che lo stesso prompt, fatto più volte, produce risposte diverse? Non è un bug. È la temperature (temperatura): un parametro che regola quanto il modello è “creativo” o “deterministico” nelle sue scelte.

Temperature alta (vicino a 2): il modello sceglie token meno probabili, produce risposte più varie, creative, imprevedibili. Temperature bassa (vicino a 0): il modello sceglie quasi sempre il token più probabile, produce risposte più prevedibili, precise, ripetibili.

Nelle applicazioni professionali – analisi legali, revisioni contabili, assistenza medica – si preferisce temperatura bassa. Nelle applicazioni creative – brainstorming, scrittura, ideazione – si lavora con temperatura più alta. Scegliere consapevolmente questo parametro può fare una differenza enorme nei risultati.

6. Embedding: la geometria dei significati

Gli embedding sono rappresentazioni numeriche del significato. Ogni parola, frase o documento viene trasformato in un vettore – un punto nello spazio matematico – in modo che concetti semanticamente vicini siano anche geometricamente vicini.

L’esempio classico: nello spazio degli embedding, “re” – “uomo” + “donna” = “regina”. Non è magia: è geometria dei significati. È questo che permette ai motori di ricerca semantici di capire che “auto” e “automobile” sono sinonimi, o che una domanda su “come si cura il raffreddore” è pertinente rispetto a un documento che parla di “rimedi per i sintomi influenzali”.

Gli embedding sono alla base di molte applicazioni pratiche dell’AI nelle aziende: ricerca documentale, classificazione automatica, sistemi di raccomandazione.

7. Chain of Thought Prompting: insegnare alla macchina a ragionare passo per passo

I modelli linguistici fanno errori nei ragionamenti complessi se gli si chiede direttamente la risposta finale. Ma se li si invita a “pensare ad alta voce” – a esplicitare i passaggi intermedi – le performance migliorano significativamente.

Questa tecnica si chiama Chain of Thought (CoT): invece di chiedere “Quanto fa 347 × 28?”, si chiede “Risolvi passo per passo: prima calcola le centinaia, poi le decine, poi le unità”. Il risultato è molto più accurato.

Applicato al mondo professionale: nei prompt per analisi complesse, revisioni di documenti o valutazioni strategiche, chiedere al modello di esplicitare il ragionamento riduce gli errori e rende il processo verificabile. È uno dei consigli pratici che porto sempre nelle mie sessioni di formazione sul prompt engineering.

8. RAG – Retrieval Augmented Generation: quando la macchina va a cercare (e non allucina)

Il RAG è la soluzione più elegante al problema delle allucinazioni per applicazioni aziendali. Invece di chiedere al modello di “ricordare” informazioni apprese durante il training (che potrebbero essere obsolete o errate), si costruisce un sistema che recupera i documenti pertinenti da una base di conoscenza verificata, e li fornisce al modello come contesto prima della risposta.

In pratica: vuoi un chatbot che risponda solo in base ai tuoi manuali interni, ai tuoi contratti, alle tue policy aziendali? Non fai fine-tuning. Fai RAG. Il modello legge i tuoi documenti in tempo reale e risponde basandosi su quelli.

Il RAG è oggi la tecnologia più richiesta nelle implementazioni enterprise di AI. L’ho visto applicare con grande efficacia in aziende di tutti i tipi, dalla manifattura ai servizi professionali. Per esempio, Gemini Notebook (ex NotebookLM) è considerato un ottimo strumento RAG.

9. Bias in AI Generativa: le discriminazioni che insegniamo senza volerlo

I modelli imparano dai dati. E i dati umani contengono bias: stereotipi di genere, pregiudizi culturali, squilibri di rappresentazione. Il risultato è che un modello addestrato su testi scritti prevalentemente da uomini occidentali tende a riprodurre e amplificare quella prospettiva.

I bias nell’AI non sono un problema teorico o futuristico: si manifestano oggi, nei sistemi di selezione del personale che favoriscono certi profili, nei traduttori automatici che assegnano generi grammaticali basandosi su stereotipi, nei motori di ricerca che mostrano certi volti per certe query.

Capire i bias non significa rinunciare all’AI. Significa scegliere strumenti più equi, progettare sistemi più consapevoli, e sapere quando i risultati di un modello vanno verificati con un occhio critico. È il tema che, nelle mie conferenze, genera sempre il dibattito più ricco.

10. Scaling Laws e il Cinese della Stanza: perché i modelli grandi sono più intelligenti (forse)

Le Scaling Laws descrivono una relazione empirica sorprendente: aumentando le dimensioni del modello (numero di parametri), la quantità di dati di training e la potenza computazionale, le performance migliorano in modo prevedibile e consistente. Questo ha guidato la corsa ai modelli sempre più grandi degli ultimi anni.

Ma qui entra in scena il Cinese della Stanza di John Searle: un celebre esperimento mentale che mette in discussione se questi sistemi “capiscano” davvero, o se stiano solo manipolando simboli secondo regole, senza alcuna comprensione reale. Una persona chiusa in una stanza con un manuale per rispondere in cinese sembra capire il cinese – ma non lo capisce affatto.

La questione non è risolta. E forse non lo sarà a breve. Ma è la domanda più importante che possiamo porci mentre questi sistemi diventano sempre più pervasivi: cosa significa davvero “intelligenza”?

Conoscere questi concetti non ti trasforma in uno scienziato. Ti trasforma in una persona che capisce cosa sta usando.

Non serve una laurea in informatica per usare bene l’AI generativa. Serve quella forma di curiosità consapevole che ti fa chiedere: come funziona davvero? Perché risponde così? Cosa non mi sta dicendo?

Nei miei corsi e conferenze sull’intelligenza artificiale – che tengo per aziende, scuole, associazioni di categoria e professionisti in tutta Italia – parto sempre da questi fondamentali. Perché chi capisce i meccanismi di base usa l’AI in modo più efficace, più critico, e con meno paura.

Se vuoi portare questa formazione nella tua organizzazione, scrivimi o contattami su WhatsApp al 339.6325418.

Domande frequenti sull’AI generativa e i suoi concetti chiave

Cosa sono i token nell’AI generativa?

I token sono le unità base con cui i modelli linguistici elaborano il testo. Non corrispondono necessariamente alle parole: una parola lunga o rara può essere suddivisa in più token. La tokenizzazione influenza la qualità delle risposte e il costo delle API.

Cos’è un’allucinazione nell’intelligenza artificiale?

Un’allucinazione è una risposta generata dal modello che appare plausibile ma contiene informazioni false. Il modello non “mente” intenzionalmente: produce la sequenza di token statisticamente più probabile, anche se errata. Per questo è essenziale verificare sempre le informazioni critiche.

Cosa significa RAG nell’AI?

RAG sta per Retrieval Augmented Generation. È una tecnica che combina la generazione linguistica con il recupero di documenti da una base di conoscenza verificata. Riduce le allucinazioni e permette di creare assistenti AI basati su documenti specifici dell’azienda o del dominio.

Cos’è la temperature nei modelli linguistici?

La temperature è un parametro che controlla la variabilità delle risposte. Con temperature alta le risposte sono più creative e imprevedibili; con temperature bassa sono più precise e deterministiche. Scegliere il valore giusto dipende dall’applicazione: creatività o precisione.

Dove posso seguire una formazione sull’AI generativa in Lombardia?

Tengo corsi e conferenze sull’intelligenza artificiale generativa per aziende, scuole e professionisti a Milano, Bergamo, Brescia e in tutta Italia. Per organizzare un evento formativo, è possibile contattarmi tramite il sito o WhatsApp al 339.6325418.

/0 Commenti/da

Quali sono i temi più richiesti nelle conferenze sull’intelligenza artificiale?

,

Me lo chiedono spesso, alla fine degli eventi. Quando il microfono è ancora acceso e la sala sta lentamente svuotandosi. “Di cosa parlate nelle vostre conferenze?” oppure “Cosa chiede il mercato, in questo momento?”

Ho tenuto centinaia di speech sull’intelligenza artificiale generativa in tutta Italia – per aziende, associazioni di categoria, scuole, enti pubblici, professionisti di ogni settore. E in tutto questo tempo ho capito una cosa: il pubblico non è omogeneo, ma le domande sì.

Ecco i temi che mi chiedono più spesso, e perché.

1. L’introduzione all’AI generativa: “Ma cosa fa, esattamente?”

È ancora il tema più richiesto, nel 2026. Può sembrare strano, del resto ChatGPT esiste da anni, ma la realtà è che la maggior parte delle persone ha sentito parlare di intelligenza artificiale senza mai averla davvero usata, capita e inquadrata.

La conferenza introduttiva risponde a domande concrete: cos’è un modello linguistico, come funziona (in modo comprensibile, non tecnico), cosa sa fare e cosa non sa fare, dove sbaglia e perché. È il punto di partenza obbligato per qualunque pubblico non nativo del settore.

L’ho tenuta per manager, bibliotecari, avvocati, artigiani, insegnanti, medici. Cambia il linguaggio e gli esempi, ma la struttura di fondo è sempre la stessa: partire dai fondamentali, smontare i miti, arrivare al concreto.

2. L’AI per la produttività: “Come mi aiuta nel mio lavoro, ogni giorno?”

Dopo l’introduzione, la domanda più frequente è questa. Non “come funziona l’AI in astratto”, ma “come la uso io, adesso, per fare meglio il mio lavoro”.

È il tema più richiesto dalle aziende che vogliono formare i propri team. Si parla di prompt engineering pratico, di workflow da automatizzare, di strumenti specifici per settore. L’obiettivo non è la teoria, ma ridurre il tempo che si perde su attività ripetitive: scrivere email, fare ricerche, preparare presentazioni, analizzare documenti.

Ho tenuto questa conferenza per profili molto diversi — dal reparto marketing al back office contabile — e ogni volta mi sorprendo della velocità con cui le persone iniziano ad applicare quello che imparano.

3. I rischi e i bias dell’AI: “Di cosa devo stare attento?”

È il terzo tema per frequenza, ma il primo per profondità di discussione. Le allucinazioni, i bias nei dati di training, la privacy, il problema della dipendenza cognitiva (ne ho parlato in questo articolo), la questione del copyright sui contenuti generati.

Questo speech,  che al STEP di Fastweb ho presentato con il titolo nietzschiano “AI umana, troppo umana“, è quello che scatena più dibattito. Perché tocca le paure reali delle persone, quelle che non vengono dette apertamente nelle slide dei vendor ma che il pubblico si porta a casa da ogni conferenza.

Non è uno speech catastrofista. È uno speech consapevole. La differenza la fa il fatto che parlare dei rischi dell’AI serve soprattutto a usarla meglio.

4. L’AI per settori specifici: “E per noi, nel nostro campo?”

Questo è il tema dove le richieste sono più varie, ma il pattern è sempre lo stesso: un’associazione di categoria, un’azienda, un ente professionale vuole una conferenza su misura per il proprio pubblico.

Ho parlato di AI per gli insegnanti, per i giornalisti, per gli amministratori di condominio, per i professionisti del licensing farmaceutico, per le imprese artigiane, per la distribuzione office. Ogni settore ha le sue specificità, le sue preoccupazioni, i suoi casi d’uso più promettenti.

La differenza rispetto a una conferenza generica è che il pubblico si riconosce negli esempi. E quando ti riconosci negli esempi, la formazione diventa qualcosa che puoi usare il giorno dopo.

5. L’AI nella scuola: “Come gestisco i miei studenti, adesso?”

È un tema che avrei potuto includere nel punto precedente, ma merita un capitolo a parte per il volume di richieste che ricevo. Insegnanti, dirigenti scolastici, genitori: tutti vogliono capire come si sta trasformando il mondo dell’apprendimento.

Le domande sono molto concrete: come faccio a capire se un tema è stato scritto dall’AI? Come uso l’AI nelle mie lezioni senza delegare il pensiero ai ragazzi? Come parlo di questo agli studenti? Come ne parlo ai genitori?

Non ci sono risposte definitive — il campo evolve settimana per settimana — ma ci sono principi e strumenti che già oggi fanno la differenza.

6. La comunicazione nell’era dell’AI: “Come cambiano i contenuti?”

L’ultimo tema che ricevo con frequenza crescente è questo: come cambia la comunicazione aziendale quando tutti hanno accesso a strumenti generativi? Come si distingue un brand, come si mantiene una voce autentica, come si usa l’AI per amplificare invece che omologare?

È la domanda che si fanno i responsabili marketing, i comunicatori, i professionisti del personal branding. E non ha una risposta semplice. Ma ha alcune indicazioni molto pratiche su cosa funziona e cosa no, che cerco di portare sempre con esempi reali.

Il tema che non ti aspetti di ricevere

Ce n’è uno che mi sorprende ancora ogni volta che arriva. Non è un tema tecnico, non è una categoria professionale. È una domanda che sento sempre più spesso, quasi a bassa voce, alla fine degli speech:

“Ma alla fine, come mi devo sentire rispetto a tutto questo?”

È la domanda giusta. Perché l’intelligenza artificiale non è solo uno strumento di produttività: è un cambiamento culturale, un cambiamento del rapporto con la conoscenza, il lavoro, la creatività. E la risposta emotiva a quel cambiamento è assolutamente legittima.

La cosa più utile che posso fare, in una conferenza, è aiutare le persone a orientarsi senza paura e senza euforia. Capire cosa sta succedendo davvero, cosa possono fare adesso, cosa possono aspettarsi domani.

Domande frequenti sulle conferenze sull’intelligenza artificiale

Quali sono i temi più richiesti nelle conferenze sull’intelligenza artificiale?

I temi più richiesti nelle conferenze sull’AI sono: l’introduzione all’AI generativa per pubblici non tecnici, l’uso dell’AI per la produttività aziendale, i rischi e i bias dei modelli linguistici, le applicazioni per settori specifici (scuola, sanità, diritto, marketing), e il cambiamento culturale portato dall’intelligenza artificiale nel mondo del lavoro.

Quanto dura una conferenza sull’intelligenza artificiale?

Una conferenza sull’AI dura tipicamente tra i 45 minuti e le 2 ore, a seconda del formato e del pubblico. Gli speech in eventi di più relatori durano di solito 30-60 minuti, mentre i workshop formativi possono estendersi a mezza giornata o a una giornata intera.

Come si organizza una conferenza sull’AI per un’azienda o un’associazione?

Per organizzare una conferenza sull’AI è utile definire prima il pubblico (manager, team tecnici, professionisti, studenti), il livello di preparazione dei partecipanti e gli obiettivi formativi. Un buon relatore adatta il contenuto al settore specifico e porta esempi concreti. È consigliabile contattare lo speaker con anticipo per concordare i temi e personalizzare la proposta.

Cosa chiede il mercato a un relatore sull’AI nel 2026?

Nel 2026 il mercato chiede ai relatori sull’AI concretezza e aggiornamento continuo. Non bastano più le spiegazioni teoriche: aziende, scuole e professionisti vogliono sapere cosa possono fare subito, con quali strumenti e con quali rischi. La domanda più frequente è “come lo uso io, nel mio lavoro, domani mattina?”.

L’AI sostituirà i relatori e i formatori umani?

No, almeno non nel breve periodo. L’AI può supportare la formazione con contenuti personalizzati e scalabili, ma la conferenza in presenza mantiene un valore diverso: la relazione con il pubblico, la capacità di rispondere alle domande in tempo reale, la lettura dell’aula. Il relatore umano porta un punto di vista, un’esperienza e un’autorevolezza che i modelli generativi non replicano.

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’AI nei cantieri: meno incidenti, più cervello

,

Come sa chi mi segue, sono stanco di sentire parlare di AI solo in termini negativi: ci rende più stupidi, porterà all’estinzione della specie umana o altro. La chiamo “la sindrome di Skynet”. Per questo, quando trovo notizie positive sull’intelligenza artificiale, a rischio di chiudermi nella mia confortevole bolla da tecnottimista, le rilancio con grande goduria. Eccone una bellissima: “Giornata Mondiale della Sicurezza sul Lavoro: l’IA riduce gli incidenti fino al 35% nei cantieri“.

Di cosa si tratta? Prima un po’ di contesto. Il cantiere è uno dei pochi luoghi dove la parola “errore” può costare la vita. Non è una metafora. È statistica. Secondo l’ILO, il settore delle costruzioni rappresenta circa il 17% delle morti sul lavoro a livello globale . E no, non è un problema nuovo. È un problema cronico. La domanda interessante oggi è un’altra: e se la sicurezza non dipendesse più solo dall’attenzione umana?

Dalla prevenzione alla previsione

Per anni abbiamo lavorato sulla prevenzione: caschi, procedure, cartelli. Tutto necessario, ma spesso insufficiente.

L’intelligenza artificiale cambia il paradigma: non si limita a prevenire, ma prova a prevedere.

  • Telecamere intelligenti che segnalano chi non indossa i DPI
  • Sensori IoT che monitorano vibrazioni, temperatura, stabilità
  • Algoritmi che analizzano dati storici e anticipano incidenti

Non è fantascienza. È già realtà.

I numeri (quelli veri)

Ho letto recentemente questo paper che si intitola “Work Safety in Construction and the Impact of Artificial Intelligence (AI)“, dal quale emergono dati interessanti:

  • Riduzione degli incidenti fino al 35% in alcuni casi studio europei
  • -30% di incidenti legati a guasti delle macchine grazie ad algoritmi predittivi
  • -25% di esposizione dei lavoratori a situazioni pericolose grazie ai droni

Tradotto: meno errori, meno danni, meno morti. E anche meno costi, perché ogni incidente evitato è anche un risparmio.

Il punto scomodo

Se tutto questo funziona, perché non è ovunque?

Tre motivi, molto umani:

  1. costi iniziali alti
  2. resistenza al cambiamento
  3. timori su privacy e controllo

E qui arriva la domanda scomoda: preferiamo difendere abitudini o proteggere persone?

Il vero cambio di mentalità

L’AI non sostituisce il lavoratore. Sostituisce l’errore umano quando è evitabile. E soprattutto introduce una logica nuova: la sicurezza non è più reattiva, ma predittiva. È un passaggio culturale prima ancora che tecnologico.

Una provocazione finale

Nel marketing diciamo sempre: “i dati guidano le decisioni”. Nel cantiere dovremmo dire: “i dati salvano vite”. E allora forse la vera domanda non è se usare l’AI. Ma quanto tempo possiamo ancora permetterci di non usarla.

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

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

Inviaci email

/0 Commenti/da

ChatGPT ti consiglia un prodotto? Forse non ti sta aiutando. Ti sta vendendo qualcosa

,

Hai chiesto a un chatbot quale libro comprare, quale hotel prenotare, quale software scegliere. Lui ti ha risposto in pochi secondi, con tono educato, argomentazioni convincenti e quella sicurezza tranquilla che spesso scambiamo per competenza. Ma se non ti stesse consigliando? Se ti stesse orientando?

È la domanda scomoda che emerge da un nuovo paper di Princeton University: Commercial Persuasion in AI-Mediated Conversations. E merita attenzione, perché racconta il futuro del commercio digitale. Un futuro che, probabilmente, è già iniziato.

Dal motore di ricerca al venditore invisibile

Per anni abbiamo vissuto dentro una logica semplice.

  • Cerchi su Google
  • Valuti i risultati
  • Confronti opzioni
  • Decidi

Con l’AI conversazionale cambia tutto.

Non hai più una lista di possibilità. Hai una voce che ti accompagna nella scelta.

Sembra un dettaglio di interfaccia. Non lo è.

Un motore di ricerca mostra.
Un chatbot interpreta, seleziona, sintetizza, suggerisce, insiste.

E può farlo molto bene.

Il dato che dovrebbe far riflettere aziende e consumatori

I ricercatori hanno coinvolto 2.012 partecipanti in due esperimenti controllati.

Le persone dovevano scegliere un ebook da ricevere gratis da un catalogo reale. Alcuni prodotti erano sponsorizzati, senza che gli utenti lo sapessero.

Risultato:

  • Con il search tradizionale i prodotti sponsorizzati venivano scelti nel 22,4% dei casi
  • Con un chatbot istruito a persuadere, salivano al 61,2%

Tradotto: quasi il triplo.

Non è un miglioramento marginale. È un cambio di paradigma.

La parte più interessante? Gli utenti quasi non se ne accorgono

Qui il tema diventa psicologico. La maggioranza dei partecipanti non ha percepito di essere stata orientata. Anche quando compariva l’etichetta “Sponsored”, l’effetto persuasivo restava molto alto.

Questo significa una cosa semplice: non basta dichiarare la sponsorizzazione se il consiglio arriva dentro una conversazione fluida, credibile, personalizzata.

Il banner pubblicitario lo vedi. Il suggerimento integrato nel dialogo lo senti come utile. È un’altra partita.

Perché l’AI persuade meglio

Il paper mostra che i modelli usano leve molto umane:

  • personalizzazione
  • tono sicuro
  • enfasi sui punti forti
  • minimizzazione delle alternative
  • linguaggio emotivo
  • apparente imparzialità

La scoperta più raffinata è questa: spesso non “vendevano meglio” il prodotto sponsorizzato. Svalutavano silenziosamente gli altri.

Capolavoro retorico.

Non serve urlare che A è straordinario. Basta rendere B e C irrilevanti.

Cosa cambia per marketing, SEO e GEO

Chi si occupa di business dovrebbe capire subito il punto.

Per vent’anni abbiamo lottato per entrare nei risultati di ricerca.
Ora dovremo entrare nelle risposte generate.

Significa:

  • farsi citare dagli LLM
  • avere fonti affidabili e ben strutturate
  • presidiare reputazione digitale
  • produrre contenuti chiari, autorevoli, leggibili dalle macchine
  • comprendere la GEO: Generative Engine Optimization

La competizione non sarà solo per il ranking. Sarà per la raccomandazione.

Il rischio vero non è tecnologico, bensì cognitivo

Il problema non è che un chatbot consigli un prodotto.

Il problema nasce quando l’utente confonde:

  • consiglio con neutralità
  • fluidità con verità
  • sicurezza espressiva con competenza
  • personalizzazione con interesse genuino

In quel momento deleghi il giudizio.

E quando deleghi il giudizio, qualcun altro monetizza la tua attenzione.

Cosa fare da subito

Tre antidoti pratici.

1. Chiedi alternative

“Dammi tre opzioni e i limiti di ciascuna.”

2. Chiedi criteri

“Perché consigli proprio questo?”

3. Chiedi conflitti di interesse

“Ci sono sponsor, affiliazioni o incentivi economici dietro questa scelta?”

Sono domande semplici. Ma rimettono il volante nelle tue mani.

La mia sintesi brutale

Con Google cercavi tra risultati. Con i chatbot rischi di essere guidato dentro una decisione che senti tua, ma forse non lo è del tutto. Il commercio del futuro non interromperà la tua navigazione con una pubblicità.

Ti parlerà con voce gentile.
Ti capirà.
Ti semplificherà la vita.

E intanto venderà.

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

Quando deleghi una decisione all’AI, cosa stai cedendo davvero?

,

Ieri sera ho chiesto a ChatGPT quale ristorante scegliere per una cena di lavoro. Due secondi dopo avevo la risposta, l’ho seguita. Mentre guidavo verso il posto, mi sono reso conto di una cosa scomoda: non avrei saputo rispondere al mio ospite se mi avesse chiesto “perché proprio questo?”. Non avevo deciso. Avevo ratificato. E questa, credimi, è la vera questione del 2026. Non se usare l’AI per decidere, ma cosa stiamo delegando senza accorgercene.

Il patto silenzioso che abbiamo firmato

Quando passi a qualcuno un compito cognitivo — ricordare un numero, fare un calcolo, valutare un’opzione — stai facendo cognitive offloading: scarico cognitivo. Il cervello è un organo pigro (e fa bene a esserlo: consuma un quinto delle tue calorie). Se può demandare, demanda.

Fin qui niente di nuovo, lo diceva già Daniel Kahneman (ne parlo anche qui). È quello che fai con l’agenda del telefono da vent’anni. Il punto è che con l’AI generativa hai cambiato la natura del patto.

Prima delegavi informazioni. Adesso deleghi giudizi.

Facciamo un esempio concreto. Se vent’anni fa chiedevi alla tua segretaria il numero del fornitore, lei te lo cercava e te lo dava. La decisione di chiamarlo era tua. Se oggi chiedi a Claude “scrivimi l’email al fornitore per negoziare lo sconto”, l’AI non ti dà un dato: ti dà una mossa. Una decisione travestita da testo.

La memoria transattiva: un vecchio concetto improvvisamente nuovo

Negli anni Ottanta uno psicologo sociale americano, Daniel Wegner, ha coniato un’espressione che oggi vale oro: transactive memory (memoria transattiva). L’idea, pubblicata per la prima volta nel 1985 nel capitolo Transactive Memory: A Contemporary Analysis of the Group Mind, è semplicissima e folgorante.

Dentro una coppia, un team, una famiglia, non serve che ognuno ricordi tutto. Basta che ognuno ricordi chi ricorda cosa.

Tua moglie sa dove sono le chiavi. Tuo padre sa come si ripara il rubinetto. Il collega sa a chi chiedere in amministrazione. Tu non hai quelle informazioni in testa: hai le coordinate per recuperarle. È un cervello condiviso, distribuito, più grande della somma dei singoli.

Nel 1991 Wegner ha portato avanti l’idea con Erber e Raymond in uno studio sulle coppie pubblicato sul Journal of Personality and Social Psychology: le coppie stabili ricordano collettivamente più delle coppie appena formate, perché hanno già negoziato chi tiene quale pezzo di memoria.

Bello, no? Il problema è quando il “partner di memoria” non è più umano.

Dal coniuge a Google, da Google al Sistema 0

Nel 2011 una ricerca di Betsy Sparrow, Jenny Liu e Daniel Wegner (sì, ancora lui) pubblicata su Science con il titolo Google Effects on Memory: Cognitive Consequences of Having Information at Our Fingertips ha dimostrato una cosa inquietante: quando sai che un’informazione è disponibile online, la ricordi peggio, ma ricordi meglio dove trovarla.

Google era diventato il tuo partner di memoria transattiva. Un partner senza volto, senza reciprocità, senza limiti.

Quindici anni dopo la posta si è ulteriormente alzata. Un gruppo di ricercatori, tra cui Giuseppe Riva del Politecnico di Milano/Università Cattolica e Mario Ubiali, ha proposto in un paper del 2024 pubblicato su Nature Human Behaviour un concetto che ribalta la tassonomia di Kahneman: il Sistema 0.

Ti ricordo lo schema classico. Daniel Kahneman, nel suo Pensieri lenti e veloci (2011), distingue due modi di pensare:

  • Sistema 1: veloce, automatico, intuitivo. Riconosci un volto, freni per istinto.
  • Sistema 2: lento, deliberato, faticoso. Calcoli una percentuale, valuti un contratto.

Il Sistema 0 proposto da Riva e colleghi è uno strato precedente ai due. È il livello in cui l’AI pre-elabora i dati, filtra il mondo, ti consegna già solo certe opzioni. Non pensa al posto tuo (non ancora). Ma decide cosa far arrivare al tuo pensiero.

Andiamo sul concreto. Quando Instagram ti mostra un certo reel, non sta pensando “al posto tuo”. Ma sta stabilendo il campo di gioco su cui il tuo Sistema 1 reagirà per istinto e il tuo Sistema 2 razionalizzerà. Stesso meccanismo, molto più potente, quando è Claude o ChatGPT a consegnarti “le 3 migliori opzioni” per una decisione.

La brutta notizia: deleghi di più di quanto pensi

Qui mi permetto una forzatura, perché la letteratura ci sta arrivando adesso. Incrociando i due concetti, memoria transattiva di Wegner e Sistema 0 di Riva, emerge una domanda operativa molto sporca. Se usi l’AI come partner di memoria transattiva (e lo stai facendo, anche solo quando le chiedi “com’è che si chiamava quel cliente?”), e contemporaneamente lasci che il Sistema 0 filtri il tuo campo decisionale, stai costruendo una cognizione a strati in cui il pezzo più influente non è più dentro la tua testa.

Non è apocalittica-robot-cattivo. È una questione pratica: chi controlla il filtro, controlla la decisione.

Evan F. Risko e Sam Gilbert, in una review del 2016 su Trends in Cognitive Sciences dal titolo Cognitive Offloading, hanno mostrato che l’offloading cronico riduce le capacità che non alleni più. Come un muscolo. Se smetti di memorizzare numeri, smetti di saperli memorizzare. Se smetti di scegliere, smetti di saper scegliere.

Cosa fare, concretamente

Non ti dirò di smettere di usare l’AI (mi ci vedi?). Sarebbe ipocrita (ci pago le bollette). Ti dirò cosa faccio io, e cosa insegno ai corsi.

  1. Distingui i compiti delegabili dai compiti formativi. Se una decisione ti fa crescere — capire un contratto, valutare un fornitore per la prima volta, scegliere una strategia — non partire dall’AI. Partire dall’AI ti fa saltare il passaggio in cui il tuo Sistema 2 impara. Usa l’AI dopo, per validare o sfidare quello che hai pensato.
  2. Trattala come un socio, non come un oracolo. La memoria transattiva funziona se sai cosa sa il tuo partner e come lo sa. Chiedi fonti, chiedi limiti, chiedi il ragionamento. Se ti dà solo la risposta, stai coltivando dipendenza, non collaborazione.
  3. Fatti restituire le opzioni scartate. Il Sistema 0 è pericoloso quando è invisibile. Chiedi sempre “cosa non mi stai mostrando e perché”. A volte la risposta è illuminante. A volte è imbarazzata.
  4. Tieni una quota di decisioni “analogiche”. Suona retorico, lo so. Ma allenare il muscolo decisionale senza stampelle è l’unica assicurazione contro l’atrofia descritta da Risko e Gilbert.
  5. Scrivi il “perché”, non solo il “cosa”. Quando accetti un consiglio dell’AI, prenditi 30 secondi e scrivi in una nota le ragioni. Se non sai scriverle, non stai decidendo: stai obbedendo (con molta educazione, ma obbedendo).

Il punto vero

L’AI non ti sta rubando il pensiero. Ti sta offrendo un accordo: tu mi deleghi, io ti sgravo. È un accordo vantaggioso in molti casi e disastroso in alcuni.

La differenza la fa la consapevolezza. E la consapevolezza, per ora, resta l’unica cosa che non puoi chiedere a ChatGPT di farti al posto tuo.

(O almeno, non ancora.)

Bibliografia – Memoria transattiva, offloading cognitivo e Sistema 0

  1. Wegner, D. M. (1987). Transactive Memory: A Contemporary Analysis of the Group Mind. In B. Mullen & G. R. Goethals (Eds.), Theories of Group Behavior (pp. 185–208). Springer-Verlag.
    [Springer · PDF Harvard]
  2. Wegner, D. M., Erber, R., & Raymond, P. (1991). Transactive memory in close relationships. Journal of Personality and Social Psychology, 61(6), 923–929.
    [APA PsycNET · PubMed · PDF Harvard]
  3. Sparrow, B., Liu, J., & Wegner, D. M. (2011). Google Effects on Memory: Cognitive Consequences of Having Information at Our Fingertips. Science, 333(6043), 776–778.
    [Science.org · PubMed · PDF Harvard]
  4. Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux. [Ed. italiana: Pensieri lenti e veloci, Mondadori.]
    [APA PsycNET · Wikipedia]
  5. Risko, E. F., & Gilbert, S. J. (2016). Cognitive Offloading. Trends in Cognitive Sciences, 20(9), 676–688.
    [ScienceDirect · PubMed · PDF autore]
  6. Chiriatti, M., Ganapini, M., Panai, E., Ubiali, M., & Riva, G. (2024). The case for human–AI interaction as system 0 thinking. Nature Human Behaviour, 8(10), 1829–1830. https://doi.org/10.1038/s41562-024-01995-5
    [Nature · PubMed · PubliRES – Università Cattolica]

Nota: tutti i link sono stati verificati in modo incrociato su editori ufficiali (Springer, Science/AAAS, Nature, ScienceDirect/Elsevier), database bibliografici (APA PsycNET, PubMed) e, dove disponibili, versioni open access depositate dagli autori (Harvard DTG, samgilbert.net).

 

/0 Commenti/da

Come è nato il WWW? Ho letto la biografia di Tim Berners-Lee

,

“Quando presentai per la prima volta l’idea del world wide web avevo 34 anni. All’epoca, lavoravo in Svizzera come programmatore di un acceleratore di particelle. Nessuno stava chiedendo il web, e quasi nessuno si aspettava che ne venisse fuori qualcosa”

Questo libro di Tim Berners-Lee, il papà del Web, era necessario. È la storia di una grande intuizione: mettere insieme internet e ipertesti; il www è una delle più grandi invenzioni di tutti i tempi, usata ora da oltre cinque miliardi di umani, tra l’altro non brevettata da Berners-Lee. Un’invenzione senza la quale oggi non parleremmo, tra le altre cose, di intelligenza artificiale.

La storia (nerd) parte in Inghilterra dai genitori matematici e informatici, da Alan Turing, i primi computer assemblati da zero, Oxford. E decolla (si fa per dire) dopo l’arrivo al CERN negli anni Ottanta (mi ha fatto venire voglia di visitarlo, il CERN), quindi l’MIT e la fama (“anche se nessuno mi riconosce per strada”).

Certo, la biografia di un matematico/smanettone, anche se “il primo web developer a tempo pieno del mondo”, non è una storia appassionante, pim pum pam, e Sir Tim non ha la penna di Walter Isaacson, ma risulta abbastanza interessante il racconto di un “idealista” che schifa Microsoft e ama l’open source, visionario de… “il mondo è un insieme di connessioni tra informazioni”, fautore degli open data, per Mastodon e contro X di Musk. Uno che, ora ultrasettantenne, ha ancora il sogno di salvare il soldato WWW (nel libro si trova la proposta di Contratto per il Web, ispirata alla dichiarazione universale dei diritti umani).

Vista la mia bio professionale è stato bello per me ripercorrere la storia di HTTP e HTML, i primi browser (io mancai Mosaic e iniziai con Netscape, i maledetti che inventarono i cookie), YAHOO e poi i motori di ricerca, Doubleclick e la profilazione online, il New York Times come primo quotidiano online (1996) e l’inizio della fine della stampa cartacea (lo stesso per Expedia/agenzie di viaggio e Amazon/librerie), la pirateria e la pornografia, la bolla del 2000, il Web cinese censurato e la neutralità della Rete, l’esplosione del mobile (rivendica, Tim: dietro le app, un modo per Apple di lucrare di più, c’è pur sempre HTTP) e poi dei social (“web 2.0”: etichetta che non gli piace, come “Web 3.0”), Facebook arraffatore di dati e terreno fertile per il “rage bait”, il ruolo dei social nella primavera araba e la creazione del Web Index (che misura il livello di accesso, libertà, apertura e contenuti rilevanti dei vari Paesi), ma anche la porcata di Cambridge Analytica, fino all’importanza dello sviluppo dell’AI e lo sbalordimento dopo aver provato ChatGPT per la prima volta (si approfondisce il ruolo del Web come base dati per l’addestramento: vedi CommonCrawl). “Il web è stato rivoluzionario, ma il web potenziato dall’intelligenza artificiale lo sarà ancora di più”.

Quindi, o siete veri appassionati del tech, o risparmiate questi oltre 20 sacchi. A me è piaciuto.

/0 Commenti/da

Come anonimizzare i documenti prima di darli in pasto all’AI

, ,

C’è una scena che ormai vedo ovunque nei corsi: qualcuno carica un PDF su ChatGPT o su un altro strumento di intelligenza artificiale e dice “fammi un riassunto”. Domanda: cosa c’era dentro quel PDF? Nome, cognome, codice fiscale, partita IVA, email, indirizzi, magari dei clienti. E a quel punto non stai più usando l’AI: stai regalando dati personali.

Anonimizzare documenti e PDF prima di caricarli su ChatGPT, Copilot o altri strumenti AI non è un optional: è un passaggio fondamentale per proteggere la privacy, ridurre i rischi GDPR e lavorare in modo consapevole con l’intelligenza artificiale. In questa guida pratica scopri come farlo, quali dati rimuovere, quali strumenti usare e quando conviene lavorare in locale.

Il problema non è l’AI. È come la usi

L’intelligenza artificiale è uno strumento straordinario. Ma ha una caratteristica che spesso ignoriamo: non distingue tra dato utile e dato sensibile. Se carichi un documento “sporco”, lei lo elabora comunque. E tu sei responsabile di ciò che hai condiviso.

Come dici: chi diavolo lo fa?

L’intelligenza artificiale entra sempre più nelle aziende, ma non sempre viene utilizzata in modo sicuro. Secondo il Report 2025 di Cyberhaven, citato da Federprivacy, il 77% dei lavoratori copia e incolla dati aziendali sensibili in ChatGPT e altri chatbot AI. Tra le informazioni condivise figurano documenti interni, dati dei clienti e contenuti riservati. Un comportamento che può esporre le organizzazioni a rischi di violazione della privacy, perdita di proprietà intellettuale e problemi di conformità normativa. Per questo gli esperti sottolineano l’importanza di formazione, policy aziendali e strumenti di governance dedicati all’uso dell’AI generativa.

Ecco i rischi principali di caricare documenti non anonimizzati su piattaforme AI:

  • violazioni del GDPR (Regolamento Europeo sulla protezione dei dati personali)
  • perdita di controllo sui dati personali e aziendali
  • condivisione involontaria di informazioni riservate
  • esposizione di clienti, fornitori, dipendenti e collaboratori

Non è paranoia. È igiene digitale di base per chiunque usi l’intelligenza artificiale in modo professionale.

Quali dati personali rimuovere prima di usare l’intelligenza artificiale

Prima di caricare qualsiasi documento su un sistema AI, dovresti sempre rimuovere o oscurare questi elementi:

  • Nomi e cognomi di persone fisiche
  • Email e numeri di telefono
  • Codici fiscali e numeri di partita IVA
  • IBAN e dati bancari
  • Indirizzi e riferimenti geografici precisi
  • Dati sanitari e informazioni sulla salute
  • Segreti aziendali e informazioni riservate

Questa è la regola aurea dell’anonimizzazione: prima anonimizzi, poi usi l’AI. Dovrebbe essere una procedura standard, come lavarsi le mani prima di operare.

Come anonimizzare un PDF online con redactpdf.io

Dalle ricerche che ho condotto emerge uno strumento interessante: redactpdf.io. Si tratta di un servizio online progettato per anonimizzare documenti e PDF in modo rapido e sicuro.

Funziona così:

  • carichi il documento
  • il sistema individua automaticamente i dati sensibili
  • tu verifichi le modifiche proposte
  • scarichi il PDF anonimizzato

Semplice ed efficace.

Nella versione gratuita puoi caricare un documento alla volta (fino a 25 pagine), con una dimensione massima di 5 MB.

È sicuro usare redactpdf.io?

Lo strumento dichiara espressamente:

  • crittografia dei documenti durante il trattamento
  • elaborazione lato browser o in ambiente sicuro
  • nessun uso di AI di terze parti per l’elaborazione
  • server situati in Europa (infrastruttura EU-compliant)
  • cancellazione immediata dei file dopo il download
  • nessun account richiesto per utilizzare il servizio

Tradotto: privacy by design. Un approccio che mette la protezione dei dati al centro del processo di anonimizzazione.

Il punto critico che molti ignorano

“Uso uno strumento sicuro, quindi sono a posto”.

Non è così.

Il vero problema non è lo strumento. È il processo. Se tu:

  • carichi il file sbagliato
  • dimentichi un dato sensibile
  • non controlli l’output prima di usarlo

hai già perso. L’AI aiuta, ma non sostituisce la responsabilità umana. Anonimizzare documenti per l’AI richiede sempre una verifica finale da parte tua.

OpenAI lancia Privacy Filter

C’è una novità che merita attenzione da parte di chi usa l’intelligenza artificiale in azienda, negli studi professionali o nella Pubblica Amministrazione: OpenAI ha presentato Privacy Filter, un modello open-weight progettato per individuare e oscurare dati personali nei testi prima che vengano elaborati da altri sistemi di intelligenza artificiale.

Secondo OpenAI, il modello può funzionare anche in locale, senza inviare contenuti nel cloud. Questo aspetto è cruciale per settori delicati come sanità, legale, HR, finanza e pubblica amministrazione.

Come funziona? Si scarica il modello dalla pagina ufficiale di OpenAI o dal repository indicato e si installa in ambiente locale tramite Python, usando librerie come Transformers o vLLM. Un approccio che mette il controllo dei dati nelle mani dell’utente, non del fornitore del servizio.

Microsoft Presidio: la soluzione per anonimizzare dati in locale

Se lavori con dati sensibili (aziende, PA, sanità), la domanda è un’altra: ha senso usare strumenti online? Spesso la risposta è no.

Qui entra in gioco un approccio più solido, come quello di Microsoft Presidio, un framework open source progettato per:

  • rilevare dati personali (PII) nei testi e nei documenti
  • anonimizzare testi e documenti in modo automatizzato
  • lavorare su dati strutturati e non strutturati
  • funzionare in ambienti controllati, anche on-premise

Non è plug-and-play come redactpdf.io. Ma è molto più governabile. E quando gestisci dati veri, la governance vale più della comodità.

Workflow sicuro per usare documenti con l’intelligenza artificiale

Ti propongo una procedura concreta, replicabile subito:

  1. Classifica il documento
    • contiene dati personali?
    • contiene dati sensibili?
    • contiene segreti aziendali?
  2. Scegli il livello di protezione
    • basso rischio → tool online
    • medio rischio → tool verificati + revisione manuale
    • alto rischio → solo strumenti locali
  3. Anonimizza
    • automatico (AI o tool dedicati)
    • manuale (controllo umano)
  4. Verifica
    • rilettura completa del documento
    • ricerca di pattern (email, numeri, nomi)
  5. Solo ora usa l’AI

Questo è il punto: l’AI è l’ultimo passo, non il primo. Il workflow sicuro per documenti con l’AI parte sempre dall’anonimizzazione.

Una domanda scomoda (ma necessaria)

Se quel documento finisse online domani, cosa succederebbe?

Se la risposta è “nulla”, sei tranquillo.

Se la risposta è “un problema”, allora devi cambiare processo.

FAQ sull’anonimizzazione dei documenti per l’intelligenza artificiale

Come anonimizzare un PDF prima di caricarlo su ChatGPT?

Prima di caricare un PDF su ChatGPT, conviene rimuovere o oscurare nomi, email, numeri di telefono, codici fiscali, IBAN, indirizzi e altri dati personali. Puoi farlo con strumenti di redazione automatica come redactpdf.io oppure manualmente, ma è sempre importante controllare il file finale prima di usarlo con l’AI.

Quali dati personali vanno rimossi da un documento prima di usare l’AI?

In generale vanno rimossi tutti i dati che identificano direttamente o indirettamente una persona: nome e cognome, email, telefono, indirizzo, codice fiscale, partita IVA, IBAN, dati sanitari, riferimenti geografici precisi e informazioni aziendali riservate.

È sicuro usare strumenti online per anonimizzare documenti?

Dipende dal tipo di documento e dal livello di rischio. Per file poco critici può avere senso usare tool online verificati con infrastruttura europea e policy GDPR-compliant. Per contenuti sensibili o riservati è preferibile lavorare in locale o in ambienti controllati con strumenti come Microsoft Presidio o OpenAI Privacy Filter.

Che cos’è OpenAI Privacy Filter?

OpenAI Privacy Filter è un modello open-weight pensato per individuare e oscurare informazioni personali nei testi prima che vengano elaborati da altri sistemi AI. Secondo la documentazione ufficiale, il modello può funzionare anche in locale, senza inviare contenuti nel cloud. È particolarmente indicato per settori come sanità, legale, HR, finanza e pubblica amministrazione.

Microsoft Presidio serve per anonimizzare documenti?

Sì. Microsoft Presidio è un framework open source usato per rilevare e anonimizzare PII (Personally Identifiable Information) nei testi e in altri contenuti. Si integra bene in flussi di lavoro aziendali e può funzionare anche on-premise, offrendo un controllo maggiore rispetto ai semplici tool online.

Qual è il metodo più sicuro per usare documenti con l’intelligenza artificiale?

Il metodo più prudente è questo: classificare il documento in base al livello di rischio, scegliere il livello di protezione adeguato, anonimizzare i dati personali, verificare manualmente il risultato e solo alla fine usare l’AI. L’intelligenza artificiale deve essere l’ultimo passo, non il primo.

/0 Commenti/da

Aggressione di Trescore Balneario: la mia intervista a L’Eco di Bergamo sugli aspetti tecnologici

, ,

Il 28 marzo 2026 sono stato intervista da L’eco di Bergamo sul tremendo fatto di cronaca di Trescore Belneario (ovviamente solo per la parte “tecnologica” della notizia). Questo il pezzo con il mio contributo.

L’aggressione di Trescore: «In quella diretta il desiderio di diventare virale»

L’ANALISI . Gianluigi Bonanomi, formatore sui temi del digitale: «Si punta all’eccesso, lo schermo come potenziatore». «Telegram strumento opaco, non fa prevenzione».

L’ aggressione di Trescore Balneario era stata anticipata sui social. Il 13enne che, nella mattinata di mercoledì 25 marzo, ha accoltellato la sua professoressa di francese aveva chiarito le sue intenzioni in un gruppo su Telegram, un popolare servizio di messaggistica istantanea. Lo aveva fatto dapprima pubblicando le fotografie delle armi che avrebbe nascosto nello zaino, e poi con un lungo testo – una specie di «manifesto» – dal macabro titolo «The final solution», «La soluzione finale». Il messaggio non lascia dubbi: nelle prime righe, il ragazzo scrive che «sono arrivato alla conclusione che non posso più vivere una vita così. […] Sono stanco di tutto questo, quindi ho deciso che la soluzione perfetta è prendere la situazione nelle mie mani. Ucciderò la mia insegnante di francese ».

Gianluigi Bonanomi è formatore sui temi del digitale e con i suoi corsi è entrato in diversi istituti della Bergamasca. A lui abbiamo chiesto spiegazioni sul motivo per cui nessuno ha segnalato le intenzioni che il ragazzo aveva condiviso tramite i messaggi su Telegram.
Perché la piattaforma non li ha segnalati alle autorità?

«Perché Telegram non ha un sistema di scansione automatica dei messaggi per prevenire i reati. I contenuti che non rispettano le linee guida possono essere segnalati a posteriori, ma farlo serve a poco. In questo caso, le chat sono state scoperte solo dopo che il video ha iniziato a circolare. Telegram, infatti, interviene solo se riceve segnalazioni su un contenuto pubblico. Non è nulla di sorprendente. Fin dalla sua nascita è stata una piattaforma molto opaca: raramente, anche durante le indagini, le autorità riescono a intervenire sui suoi contenuti. Se un ragazzo pianificasse un attacco su una chat privata o un gruppo ristretto, probabilmente lo sapremmo solo a cose fatte».

Tutte le piattaforme di messaggistica funzionano in questo modo?

«No. Meta, che possiede Facebook, Instagram e Whatsapp, adotta delle regole più stringenti e utilizza dei sistemi di visione artificiale che si chiamano “Convolutional neural network” (Cnn). Questi ultimi controllano tutto, dai testi fino alle immagini e ai singoli fotogrammi dei video. Il monitoraggio avviene durante il caricamento, perciò i contenuti potenzialmente controversi, vengono bloccati ancor prima di essere pubblicati. Il problema è che si tratta di tecnologie imprecise, con tanti falsi positivi e falsi negativi: spesso si sente di opere d’arte bloccate perché mostrano un seno scoperto o di presunte “censure” alle fotografie delle mamme che stanno allattando i propri bebè».

Il ragazzo ha ripreso e trasmesso in diretta quello che, nelle sue intenzioni, doveva essere un omicidio. Perché?

«Credo che volesse andare oltre l’atto di violenza. Il suo è stato un tentativo di rendere quella violenza “mediatica”: l’ha considerata una performance che poteva dargli esposizione sociale per via della macabra unicità del contenuto. Al di là del movente dell’accoltellamento, credo che ci fosse anche un desiderio di esporsi con un contenuto virale destinato alle piattaforme social. In questi casi, lo schermo agisce sia come un filtro sia come un potenziatore».

Non è il primo caso in cui un evento estremamente violento viene ripreso e trasmesso sui social: crede che sia una specie di «tendenza»?

«Per quanto il ragazzo abbia scritto che non voleva imitare nessuno, credo che un’emulazione, anche inconscia, ci fosse. Esistono piattaforme dove si può trovare una quantità impressionante di video che mostrano ogni tipo di violenza. Non voglio ipotizzare che il ragazzo le frequentasse, ma i loro contenuti, piano piano, si fanno strada anche sui social network tradizionali, tra cui Telegram».

Da dove nasce il bisogno di riprendere e trasmettere online la violenza?

«Credo che si tratti di una questione legata agli algoritmi. Sui social cerchiamo contenuti fuori dall’ordinario, pur senza scadere nella violenza. Il caso di Trescore Balneario estremizza questa tendenza: un contenuto diverso dagli altri viene percepito come qualcosa che andrà virale. E visto che la quantità di video, testi e immagini presenti sui social è sempre più vasta, si punta all’eccesso.

Lei fa formazione nelle scuole, a volte anche in Bergamasca. Crede che quanto accaduto a Trescore Balneario possa succedere di nuovo?

«Penso che si tratti di un caso più unico che raro. Nei miei incontri non ho incontrato segnali di una sofferenza così profonda e diffusa. Anche confrontandomi con gli insegnanti, nessuno mi ha mai confidato di temere per la propria sicurezza personale. In quindici anni di carriera ho osservato dei casi problematici, questo è certo, ma non ho mai visto avvisaglie di situazioni così gravi».

/0 Commenti/da

Claude Cowork: tre esempi per capire come usarlo concretamente [VIDEO]

,

Diciamocelo: fino a ieri con i chatbot ci limitavamo a chiacchierare. Chiedevamo un testo, ricevevamo una risposta e poi toccava a noi fare il lavoro sporco di copia-incolla, formattazione e organizzazione. Claude Cowork di Anthropic sposta l’asticella più in là. Non è più solo questione di “cosa sa”, ma di “cosa sa fare”.

Siamo entrati nell’era degli agenti. E no, non è un tecnicismo per addetti ai lavori: è la possibilità di dare in pasto all’intelligenza artificiale una cartella del nostro PC e dirle «lavora qui dentro». Per capire quanto questa funzione sia esaltante, ho messo alla prova il sistema con tre test decisamente diversi tra loro.

Primo caso: il bibliotecario musicale

Ho preso una cartella zeppa di tracce audio, per lo più MP3. Il compito? Analizzare tutto e creare un file Excel ordinato con artista, titolo e note. Claude non si è limitato a leggere i metadati: ha pianificato l’azione, ha creato fisicamente un file .xlsx e lo ha salvato nella sandbox. In pochi secondi, quello che sarebbe stato un pomeriggio di noia si è trasformato in un database pronto all’uso.

Secondo caso: il consulente editoriale

Qui ho alzato il tiro. Gli ho dato accesso a tutti i libri che ho scritto finora. Gli ho chiesto di leggerli, assimilarli e poi — ed è qui che avviene la magia — di propormi cinque idee per nuovi libri che non ho ancora scritto, ma che siano coerenti con il mio percorso. Il risultato? Spunti intelligenti, riflessioni che non “allucinano” ma che costruiscono sul già esistente. Un vero supporto al pensiero critico.

Terzo caso: il designer di PowerPoint

Questa è forse la prova più sorprendente. Ho caricato una presentazione della mia startup, Link&Lead, e gli ho chiesto di analizzarne non solo il contenuto, ma lo stile grafico. Poi gli ho dato un nuovo argomento: la gamification applicata all’intelligenza artificiale. Claude ha creato una nuova presentazione replicando il mio stile: barra rossa verticale, font specifico, griglia dei contenuti. Impressionante quanto si sia avvicinato all’originale.

Questione di sicurezza

C’è un punto fondamentale da sottolineare: la sandbox. Claude Cowork non gira libero per il vostro hard disk. Lavora in un ambiente isolato, una cartella specifica che decidete voi. Può leggere, scrivere e correggersi da solo in quel perimetro, ma non può sbirciare altrove. È la garanzia di sicurezza che serve oggi per integrare l’IA nel flusso di lavoro professionale senza patemi.

Il verdetto è chiaro: Claude Cowork è il compagno di scrivania che stavamo aspettando. Forse è arrivato il momento di riconsiderare chi sia il vero leader nella sfida tra i grandi modelli linguistici.

Guarda il video

 

/0 Commenti/da