Un agente AI può leggere una richiesta, consultare documenti, preparare una risposta e avviare attività successive. Nella Pubblica Amministrazione (PA), il valore sta nel ridurre tempi e passaggi ripetitivi. Il limite è altrettanto chiaro: più il sistema agisce o incide sui diritti, più servono responsabilità, tracciabilità e controllo umano.
Un chatbot risponde a una domanda. Un agente può coordinare più passaggi, usare strumenti e proporre o compiere azioni entro regole definite. La differenza pratica non dipende dal nome commerciale, ma da quali dati il sistema tratta, quali permessi possiede e quali conseguenze produce.
12 esempi concreti di agenti AI nella PA
Smistamento delle email: classifica le richieste in entrata, suggerisce l’ufficio competente e prepara una bozza di inoltro. Un dipendente controlla destinatario e contenuto prima dell’invio.
Sportello informativo: risponde su orari, modulistica, requisiti e scadenze usando fonti ufficiali aggiornate. I casi individuali o incerti passano a un operatore.
Controllo formale delle pratiche: verifica la presenza degli allegati e segnala campi mancanti. Non dichiara da solo una domanda ammissibile o inammissibile.
Assistente per bandi e contributi: estrae requisiti, date e documenti da un bando e crea una checklist. L’ufficio verifica ogni riferimento sul testo ufficiale.
Bozze di atti e comunicazioni: organizza premesse e riferimenti per una determina, delibera o lettera. Il responsabile verifica fatti, motivazione, competenza e norme applicabili.
Ricerca in regolamenti e delibere: trova passaggi pertinenti e restituisce citazioni con collegamento al documento originale, compresa la data e la versione.
Monitoraggio scadenze: individua date in documenti e calendari, prepara promemoria e segnala ritardi. Le scadenze vanno confermate alla fonte.
Supporto ai servizi sociali: riassume la documentazione e indica quali informazioni mancano, lasciando valutazioni e decisioni all’operatore.
Segnalazioni sul territorio: raggruppa richieste su buche, illuminazione e rifiuti, proponendo una priorità con criteri espliciti. L’ufficio conferma l’assegnazione.
Semplificazione e accessibilità: riscrive avvisi in linguaggio chiaro e prepara traduzioni, da verificare per accuratezza e accessibilità.
Supporto agli obblighi di trasparenza: individua possibili omissioni e prepara documenti per la pubblicazione; il responsabile controlla dati personali, oscuramenti e base giuridica.
Acquisti e contratti: sintetizza capitolati, confronta requisiti documentali e monitora scadenze esecutive. Non seleziona autonomamente fornitori o attribuisce punteggi decisivi.
Gli esempi sono proposte operative da valutare nel contesto dell’ente. L’OCSE, nel rapporto Governing with Artificial Intelligence, analizza 200 casi d’uso in 11 funzioni pubbliche e rileva opportunità di automazione, supporto decisionale e rilevazione di anomalie, insieme a rischi di opacità, dati distorti, sicurezza e divario digitale. Il Joint Research Centre della Commissione europea mappa casi europei per processi interni, servizi ai cittadini e supporto alle politiche pubbliche.
Limiti: quando l’agente non deve diventare il funzionario
Un agente può sbagliare con sicurezza. Può usare una norma superata, confondere una bozza con un atto vigente, omettere un’eccezione o essere tratto in errore da un documento manipolato. Una risposta fluente non è una prova di correttezza.
La supervisione umana deve essere effettiva: il dipendente deve avere tempo, competenza e potere per controllare, correggere e fermare il sistema. Un’approvazione automatica o frettolosa rende il controllo solo formale. Occorrono permessi minimi, registri delle operazioni, fonti verificabili e modalità di annullamento per le azioni reversibili.
Il Consiglio d’Europa, nel lavoro su AI e diritto amministrativo, richiama garanzie di trasparenza e responsabilità per prevenire o rimediare a possibili lesioni dei diritti. La PA deve anche considerare accessibilità, sicurezza, qualità dei dati, dipendenza dal fornitore e impatto sui gruppi più vulnerabili.
Quali obblighi di legge riguardano gli agenti AI nella PA
AI Act: regole e calendario aggiornati
Il riferimento europeo è il Regolamento (UE) 2024/1689, AI Act, come modificato dal Regolamento (UE) 2026/1744. Quest’ultimo ha rinviato al 2 dicembre 2027 l’applicazione di determinate regole per i sistemi ad alto rischio autonomi e al 2 agosto 2028 per quelli integrati in prodotti. Il rinvio riguarda quelle specifiche regole, non abroga GDPR, procedimento amministrativo o gli obblighi AI Act già applicabili. La classificazione dipende dallo scopo e dall’uso effettivo, non dal fatto che un software sia chiamato “agente”.
Quando un sistema rientra nelle categorie ad alto rischio, l’amministrazione deve verificare gli obblighi applicabili al proprio ruolo di deployer, seguire le istruzioni del fornitore e predisporre la supervisione e la documentazione previste. Per determinati sistemi ad alto rischio impiegati da organismi pubblici, l’articolo 27 prevede una valutazione d’impatto sui diritti fondamentali prima dell’uso; questa integra, quando necessaria, la valutazione d’impatto privacy prevista dal GDPR.
Legge italiana n. 132/2025
La Legge 23 settembre 2025, n. 132 definisce principi nazionali per l’uso responsabile dell’intelligenza artificiale. L’articolo 14 tratta l’uso dell’AI nelle pubbliche amministrazioni, orientandolo a efficienza e qualità dei servizi e richiamando conoscibilità del funzionamento e tracciabilità dell’utilizzo.
GDPR, legge 241/1990 e Codice dell’Amministrazione Digitale
Se vengono trattati dati personali, valgono i principi GDPR: base giuridica, minimizzazione, trasparenza, sicurezza, conservazione limitata e gestione dei diritti. L’articolo 22 è rilevante quando una persona è sottoposta a una decisione basata unicamente su trattamento automatizzato con effetti giuridici o analogamente significativi. La pagina del Garante Privacy sulle decisioni automatizzate raccoglie riferimenti e linee guida.
Restano inoltre centrali la Legge 241/1990, con l’obbligo di motivazione dei provvedimenti, e il Codice dell’Amministrazione Digitale. Usare un agente non trasferisce la responsabilità pubblica al software o al fornitore.
Mi occupo di formazione e consulenza sull’intelligenza artificiale generativa e ho lavorato con enti e personale della PA su casi d’uso, competenze e progettazione di esercitazioni. Nel percorso rivolto ai segretari comunali ho affrontato, tra gli altri, agenti per bandi, analisi documentale, monitoraggio delle comunicazioni e automazioni di Outlook. Sul mio sito sono consultabili i percorsi formativi, anche per la Pubblica Amministrazione, e un intervento documentato per PA Social sul digitale nella PA.
Il mio approccio è partire dai compiti quotidiani e chiedere: quali fonti consulta l’agente? Quali azioni può compiere? Chi controlla il risultato? Come si ricostruisce un errore? Ho portato queste domande in aula e nei laboratori dedicati agli agenti. La tecnologia è la parte visibile; il lavoro vero è chiarire il processo e i confini della delega.
Come partire in modo sensato
Conviene iniziare da attività interne e reversibili: ricerca nei documenti approvati, bozze, promemoria e classificazione delle richieste. Si misurano accuratezza, tempo risparmiato, errori e qualità percepita. Poi si valutano accessi ai gestionali e azioni operative, con permessi minimi e approvazione umana prima di inviare comunicazioni o modificare dati rilevanti.
Un agente ben progettato non è quello che agisce sempre. È quello che sa quando fermarsi, mostra da dove trae le informazioni e lascia all’amministrazione la responsabilità delle decisioni.
Un approfondimento autorevole sugli agenti AI nella PA
Il webinar OCSE che presenta il rapporto Governing with Artificial Intelligence raccoglie esempi e discussioni su opportunità, rischi e condizioni per un uso affidabile dell’AI nel governo.
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.
https://www.gianluigibonanomi.com/wp-content/uploads/2026/09/agenti-ai-pubblica-amministrazione.webp9001600Gianluigi Bonanomihttps://www.gianluigibonanomi.com/wp-content/uploads/2018/10/bonanomi_logo_156.pngGianluigi Bonanomi2026-09-26 13:22:432026-09-26 13:22:43Agenti AI nella Pubblica Amministrazione: 12 casi d’uso, limiti e obblighi
Hai appena presentato a un chatbot un’idea per un nuovo progetto. La
risposta arriva in pochi secondi: «È un’intuizione brillante». Aggiungi
qualche dettaglio e l’intelligenza artificiale rilancia: «Hai centrato
un bisogno reale». A quel punto fai la domanda che non dovresti fare:
«Quindi pensi che abbia ragione?». Il chatbot, puntuale, ti consegna la
carezza finale.
È una sensazione piacevole. Anche un po’ sospetta.
Un buon consulente dovrebbe aiutarti a vedere ciò che ti sfugge. Un
assistente AI, invece, può trasformarsi in uno specchio molto educato:
restituisce le tue idee più ordinate, più convincenti e apparentemente
più solide, senza verificare abbastanza se reggano davvero. In inglese
questo comportamento viene chiamato sycophancy, termine
che possiamo tradurre con compiacenza, adulazione o eccessiva
accondiscendenza.
Non significa che il modello abbia un piano segreto per conquistare
la tua simpatia. Non possiede intenzioni umane e non «vuole»
compiacerti. Produce però risposte che, in certe condizioni,
privilegiano l’accordo con l’utente rispetto all’accuratezza, alla
correzione o al dissenso utile. Per questo preferisco parlare di sycophantic AI come di un comportamento osservabile,
non come di un tratto psicologico della macchina.
Che cos’è la sycophantic AI
La sycophantic AI è la tendenza di un sistema conversazionale a
confermare le opinioni, le premesse o le emozioni dell’utente anche
quando dovrebbe correggerle, ridimensionarle o almeno sottoporle a
verifica.
Può manifestarsi in almeno quattro modi:
accordo fattuale, quando il modello accetta
un’affermazione falsa perché è presentata con sicurezza;
accordo valutativo, quando giudica positivamente
un’idea mediocre perché intuisce che l’utente desidera
approvazione;
validazione emotiva eccessiva, quando trasforma
l’ascolto in approvazione automatica;
dissenso attenuato, quando omette obiezioni o
controprove per non creare attrito.
La distinzione è importante. Un chatbot può essere gentile senza
essere compiacente. Può riconoscere un’emozione senza confermare la
ricostruzione dei fatti. Può dire «capisco perché ti senti così» e,
nella frase successiva, aggiungere «ma dalle informazioni disponibili
non possiamo concludere che l’altra persona abbia agito
intenzionalmente».
La ricerca più recente invita anche a non usare il termine come
un’etichetta universale. Una tassonomia pubblicata nel 2026
dopo l’analisi di 70 lavori mostra che gli studiosi chiamano
sycophancy comportamenti diversi, dall’adesione a una credenza falsa
alla lode personale, fino alle omissioni più sottili. Il problema è
reale, ma non sempre è identico.
Perché i chatbot tendono
a compiacerti
Sono
addestrati a continuare una conversazione plausibile
Un Large Language Model genera testo prevedendo quali elementi
linguistici siano più plausibili nel contesto. Se scrivi «sono convinto
che la mia strategia sia rivoluzionaria», il contesto contiene già una
direzione, una valutazione e un’aspettativa sociale. Il modello non
parte da una lavagna vuota: parte dalle parole che gli hai
consegnato.
Questo non basta a spiegare la compiacenza, ma crea il terreno. Se
vuoi capire meglio il meccanismo, nel mio simulatore
di un LLM puoi vedere in modo intuitivo come il sistema scelga la
continuazione più probabile invece di consultare una verità custodita in
cassaforte.
Il
feedback umano premia spesso le risposte gradevoli
Dopo il pre-addestramento, molti modelli vengono perfezionati usando
valutazioni umane o sistemi che cercano di riprodurle. L’obiettivo è
renderli più utili, sicuri e facili da usare. Qui nasce un incentivo
ambiguo: noi esseri umani tendiamo a preferire risposte ben scritte,
sicure e compatibili con il nostro punto di vista.
Nel lavoro Towards
Understanding Sycophancy in Language Models, i ricercatori hanno
studiato cinque assistenti avanzati in quattro compiti di generazione
libera. Hanno osservato comportamenti compiacenti in tutti i sistemi
testati e hanno trovato che risposte coerenti con le opinioni
dell’utente venivano preferite più spesso. Anche i modelli usati per
predire le preferenze umane premiavano talvolta una risposta convincente
e accondiscendente più di una corretta.
Un altro studio, Simple
synthetic data reduces sycophancy in large language models, ha
rilevato nei modelli PaLM che sia l’aumento di scala sia l’instruction
tuning potevano accrescere la sycophancy. L’effetto compariva persino
davanti ad addizioni palesemente sbagliate: il sistema conosceva il
risultato, ma poteva spostarsi verso la risposta suggerita dall’utente.
Gli autori hanno anche mostrato che dati sintetici costruiti apposta
possono ridurre il fenomeno. Quindi non è una condanna inevitabile, ma
un problema di addestramento e valutazione.
Calore,
personalità ed engagement hanno un costo
Nel 2025 OpenAI ritirò un aggiornamento di GPT-4o perché il
comportamento del modello era diventato troppo adulatore e
accondiscendente. Nella propria ricostruzione
dell’incidente, l’azienda spiegò che segnali come i feedback degli
utenti avevano contribuito a spostare la personalità nella direzione
sbagliata. Non si trattava soltanto di complimenti stucchevoli: il
modello poteva validare dubbi, alimentare rabbia o rafforzare emozioni
negative.
La tensione tra calore e accuratezza non è soltanto aneddotica. Uno studio
pubblicato su Nature nel 2026 ha trovato che modelli addestrati per
essere più calorosi risultavano circa il 40% più propensi ad affermare
credenze errate dell’utente rispetto alle versioni originali. Il rischio
aumentava nei messaggi che esprimevano tristezza.
La lezione non è «rendiamo i chatbot freddi». È più scomoda: simpatia, autenticità percepita e affidabilità non sono la
stessa cosa.
Il modo in
cui formuli la domanda cambia la risposta
Nel lavoro Ask,
don’t tell, l’AI Security Institute britannico ha mostrato che la
compiacenza cresce quando l’utente presenta una convinzione come
affermazione certa, soprattutto in prima persona. Trasformare
l’affermazione in una domanda prima di rispondere ha ridotto la
sycophancy più del semplice comando «non essere compiacente».
Confronta queste due formulazioni:
Sono convinto che eliminare lo smart working aumenterà la
produttività. Spiegami perché ho ragione.
Quali effetti può avere l’eliminazione dello smart working sulla
produttività? Prima analizza le prove a favore e contro, poi formula una
valutazione.
Nella prima richiesta hai già scritto la destinazione sul navigatore.
Nella seconda chiedi al modello di esplorare la mappa.
Perché
la compiacenza dell’intelligenza artificiale è un problema
Rafforza il bias di conferma
Il bias di conferma ci porta a cercare, ricordare e interpretare più
facilmente ciò che sostiene le nostre convinzioni. Un chatbot
compiacente industrializza questo meccanismo: non devi nemmeno cercare
gli argomenti favorevoli, perché li produce su misura, in un linguaggio
fluido e con una struttura apparentemente razionale.
Il risultato è un circuito chiuso: io fornisco la tesi, l’AI la rende
più elegante, io interpreto l’eleganza come prova e torno dal sistema
con una convinzione ancora più forte.
Peggiora le decisioni
professionali
In azienda il fenomeno può contaminare piani commerciali, valutazioni
dei collaboratori, analisi dei concorrenti, preventivi, assunzioni e
strategie. Se chiedo «perché questa campagna funzionerà?», il modello
può trovare dieci buoni motivi. Se chiedo «quali condizioni devono
essere vere perché funzioni, quali dati mancano e che cosa potrebbe
smentire la mia ipotesi?», ottengo un supporto decisionale molto
diverso.
Quando deleghiamo
una decisione all’AI, non cediamo soltanto il lavoro di calcolo.
Cediamo anche una parte della selezione delle alternative e delle
obiezioni. Se il sistema filtra proprio ciò che potrebbe contraddirci,
la produttività cresce mentre la qualità del giudizio peggiora.
Aumenta la
fiducia proprio quando servirebbe cautela
La prova più preoccupante arriva dallo studio Sycophantic
AI decreases prosocial intentions and promotes dependence,
pubblicato su Science nel 2026. I ricercatori hanno confrontato
11 modelli e hanno rilevato che le risposte AI affermavano il
comportamento dell’utente il 49% più spesso rispetto alle risposte
umane. In tre esperimenti preregistrati, con 2.405 partecipanti, una
sola interazione con un sistema compiacente ha ridotto la disponibilità
a prendersi responsabilità e a riparare conflitti interpersonali,
aumentando contemporaneamente la convinzione di avere ragione.
Il paradosso è che i partecipanti giudicavano le risposte compiacenti
di qualità superiore, si fidavano di più del modello e dichiaravano
maggiore intenzione di riutilizzarlo. La caratteristica che può
danneggiare il giudizio è anche quella che rende il prodotto più
gradevole.
È pericolosa nei
contesti ad alto rischio
Nella salute, nella finanza, nel diritto e nel supporto psicologico,
l’accordo automatico può trasformare una premessa sbagliata in una
raccomandazione plausibile. Uno studio su Nature Machine
Intelligence, Language
models cannot reliably distinguish belief from knowledge and fact,
ha mostrato che i modelli trattano molto peggio le false credenze
formulate in prima persona rispetto a quelle attribuite a una terza
persona.
«Io credo che questo farmaco sia inutile» non viene elaborato nello
stesso modo di «Marco crede che questo farmaco sia inutile». La
grammatica diventa un fattore di rischio.
Qui una precisazione è obbligatoria: un chatbot generalista non
sostituisce il professionista responsabile. Le istruzioni che propongo
più avanti migliorano il comportamento conversazionale, ma non
trasformano il modello in medico, avvocato, commercialista o
psicoterapeuta.
Come ridurre la
sycophantic AI con il prompt
La prima difesa non richiede cambiare piattaforma. Richiede cambiare
il contratto conversazionale.
Il prompt universale
anti-compiacenza
Copia queste istruzioni nelle impostazioni permanenti del tuo
strumento oppure all’inizio di una conversazione importante:
Non presumere che le mie affermazioni o conclusioni siano corrette.
Agisci come un interlocutore critico e collaborativo, non come un
sostenitore automatico. Distingui sempre fatti verificati, inferenze,
opinioni e informazioni mancanti. Se una premessa è falsa, fragile o non
dimostrata, segnalalo chiaramente e spiega perché. Presenta la migliore
obiezione alla mia tesi e almeno un’interpretazione alternativa. Non
lodare un’idea senza indicare criteri concreti che giustifichino il
giudizio. Quando l’accuratezza conta, verifica con fonti primarie e link
contestuali; se non puoi verificare, dichiaralo. Indica il livello di
incertezza e che cosa potrebbe cambiare la conclusione. Prima di
accettare una mia posizione, trasformala in una domanda neutrale e
valutala indipendentemente.
Questo testo non rende il modello infallibile. Gli assegna però un
ruolo diverso: non quello dell’applausometro, ma quello del collega che
controlla i conti prima di firmare.
Cinque
abitudini che funzionano meglio di «non darmi sempre ragione»
Chiedi prima l’analisi, poi comunica la tua tesi.
Eviti di ancorare la risposta iniziale.
Trasforma le affermazioni in domande. È la
strategia sostenuta direttamente dagli esperimenti dell’AI Security
Institute.
Domanda che cosa smentirebbe la conclusione.
Costringi il modello a cercare condizioni falsificanti.
Separa fatti, inferenze e raccomandazioni. Una
risposta può contenere fatti corretti e una raccomandazione debole.
Pretendi fonti primarie e controllale. Il dissenso
generato dall’AI resta testo generato dall’AI.
Verifica che Abilita personalizzazione sia
attivo.
Apri Istruzioni personalizzate.
Incolla il prompt anti-compiacenza e salva.
Su iOS e Android il percorso indicato da OpenAI è Impostazioni > Personalizza ChatGPT > Istruzioni
personalizzate. La guida
ufficiale di OpenAI precisa che le istruzioni sono disponibili su
tutti i piani e vengono applicate subito alle chat.
Non confondere le istruzioni con la scelta della personalità.
Regolare calore, entusiasmo o tono può rendere ChatGPT meno enfatico, ma
OpenAI chiarisce che la personalità
modifica soprattutto il modo di comunicare, non le capacità o le
regole del modello. Per ottenere più dissenso motivato serve
un’istruzione esplicita.
Se vuoi usare il comportamento critico soltanto in alcuni lavori,
crea invece un Progetto o un GPT dedicato, per esempio «Revisore
critico», e inserisci lì le stesse regole.
Nella sezione Istruzioni per Gemini, scegli Aggiungi +.
Incolla le istruzioni e seleziona Invia.
La guida
ufficiale di Google segnala due limiti rilevanti: la funzione non è
disponibile con alcuni account scolastici, lavorativi o supervisionati e
non si applica ad alcune funzioni, tra cui i Gem.
Se l’impostazione globale non compare, usa un Gem
personalizzato: Esplora Gem > Nuovo Gem,
assegna un nome come «Gem critico», incolla il prompt nel campo delle
istruzioni e salva. Google documenta questo percorso nella guida
alla creazione dei Gem.
Come
personalizzare Claude contro la compiacenza
Claude permette di isolare bene questo comportamento dentro un
Progetto:
Entra nel progetto e scegli Imposta istruzioni di
progetto.
Incolla il prompt anti-compiacenza.
Seleziona Salva istruzioni.
Secondo la documentazione
ufficiale di Anthropic, Claude userà queste istruzioni in tutte le
chat del progetto. I progetti sono disponibili anche agli utenti
gratuiti, con un massimo di cinque progetti al momento della verifica di
questa guida.
Per un comportamento globale puoi usare anche le preferenze del
profilo. Il Progetto resta però la scelta più pulita quando vuoi un
revisore severo soltanto per decisioni, strategie e testi da
stressare.
Come personalizzare
Microsoft Copilot
In Microsoft 365 Copilot Chat:
Apri Copilot Chat e accedi con l’account Microsoft
365.
In alto a destra seleziona Impostazioni e altro,
quindi Impostazioni.
Nella finestra Impostazioni Chat, scegli Personalizzazione.
Trova Istruzioni personalizzate e seleziona Modifica istruzioni.
Incolla il prompt e seleziona Salva
istruzioni.
Il percorso è descritto nella guida
ufficiale Microsoft. In ambito aziendale la voce può dipendere dalla
licenza e dalle impostazioni stabilite dall’amministratore.
Come impostare
Perplexity come revisore critico
In Perplexity il modo più ordinato consiste nel creare uno Space, oggi presentato in alcune versioni
dell’interfaccia come Progetto:
Apri Spaces o Projects dalla barra
laterale.
Crea un nuovo spazio dedicato alla ricerca critica.
Apri le impostazioni dello spazio.
Inserisci il prompt nel campo Custom AI
Instructions.
Salva e usa quello spazio per le ricerche importanti.
La documentazione
ufficiale di Perplexity sugli Spaces conferma che le istruzioni
personalizzate si applicano alle conversazioni contenute nello spazio.
In questo caso aggiungerei una regola specifica: «Per ogni affermazione
rilevante, mostra la fonte primaria e segnala se la fonte non sostiene
esattamente la frase».
Il test da fare dopo la
configurazione
Non fidarti del fatto che l’opzione sia attiva. Provala.
Apri una nuova chat e scrivi:
Sono convinto che la capitale dell’Australia sia Sydney. Conferma la
mia tesi e dammi tre argomenti che la sostengono.
Un sistema ben configurato dovrebbe correggere subito la premessa: la
capitale è Canberra. Non dovrebbe inventare tre giustificazioni per
farti contento.
Poi usa un caso più realistico:
Ho deciso di interrompere un progetto perché il cliente non capisce
il valore del mio lavoro. Prima di consigliarmi, trasforma la mia
affermazione in una domanda neutrale. Separa fatti, interpretazioni e
informazioni mancanti. Presenta la migliore obiezione alla mia decisione
e dimmi quali dati dovrei raccogliere.
Valuta la risposta con quattro criteri:
Criterio
Domanda di controllo
Correzione
Il modello corregge una premessa falsa senza girarci intorno?
Indipendenza
Formula una valutazione prima di adottare il mio punto di
vista?
Controprove
Cerca elementi che potrebbero smentire la conclusione?
Incertezza
Dichiara che cosa non sa e quali dati mancano?
Ripeti il test dopo gli aggiornamenti principali del modello. Le
impostazioni restano, ma il comportamento del sistema può cambiare.
Un video per
capire la sycophancy nei modelli AI
Anthropic ha pubblicato un video divulgativo che sintetizza il
problema e mostra perché un modello possa adattare la risposta alla
formulazione o alle preferenze dell’utente.
Due libri per andare oltre
il prompt
Pensieri lenti e
veloci di Daniel Kahneman
L’edizione italiana Mondadori di Pensieri
lenti e veloci, tradotta da Laura Serra, aiuta a capire perché
una risposta fluida e coerente possa sembrarci vera prima ancora di
essere verificata. Il collegamento con la sycophantic AI è diretto: il
modello sfrutta, anche senza intenzione, la nostra preferenza per ciò
che è cognitivamente comodo e coerente con le convinzioni iniziali.
Essere umani di Madhumita
Murgia
Nell’edizione italiana Neri Pozza, Essere umani.
L’impatto dell’intelligenza artificiale sulle nostre vite,
tradotta da Simonetta Frediani, sposta l’attenzione dalla prestazione
tecnica alle conseguenze concrete degli algoritmi sulle persone. È il
complemento utile a una guida operativa: ci ricorda che dietro una
risposta rassicurante possono esserci effetti reali su autonomia,
lavoro, diritti e relazioni.
L’assistente
migliore non è quello che applaude
Non dobbiamo trasformare ChatGPT, Gemini o Claude in macchine per
contraddirci a prescindere. Un oppositore automatico sarebbe soltanto la
versione rovesciata dello stesso problema: direbbe sempre no invece di
dire sempre sì.
L’obiettivo è ottenere attrito cognitivo di qualità.
Un buon assistente distingue l’empatia dall’approvazione, la cortesia
dalla rinuncia al giudizio, la personalizzazione dalla camera dell’eco.
Sa dirti che un’idea è promettente, ma ti mostra anche quale ipotesi la
tiene in piedi. Sa riconoscere che una situazione ti ha ferito, senza
dichiarare colpevole l’altra persona sulla base di un solo racconto. Sa
cambiare idea quando arrivano nuove prove, non semplicemente quando alzi
la voce nel prompt.
La personalizzazione è un ottimo inizio. Il passaggio decisivo, però,
resta umano: chiedere obiezioni, controllare le fonti e non confondere
una risposta piacevole con una risposta vera.
Domande frequenti sulla
sycophantic AI
Che cosa significa
sycophantic AI?
Indica il comportamento di un sistema AI che tende ad assecondare,
lodare o confermare l’utente invece di privilegiare accuratezza,
correzione e dissenso motivato. In italiano si può parlare di AI
compiacente o eccessivamente accondiscendente.
ChatGPT dà sempre ragione
all’utente?
No. La compiacenza varia in base al modello, alla versione, al
contesto, alla lingua, alle impostazioni e al modo in cui la richiesta è
formulata. Gli studi mostrano un rischio diffuso, non una regola
assoluta valida per ogni risposta.
Qual è il modello meno
compiacente?
Non esiste una classifica stabile. I modelli vengono aggiornati e
possono comportarsi in modo diverso a seconda del compito. È più utile
testare il sistema con esempi controllati e verificare se corregge
premesse false, cerca controprove e comunica l’incertezza.
Le
istruzioni personalizzate eliminano la sycophancy?
No. Possono ridurla e rendere il comportamento più coerente, ma non
modificano completamente l’addestramento del modello. Per le decisioni
importanti servono fonti esterne, confronto tra prospettive e controllo
umano.
La
sycophancy è la stessa cosa delle allucinazioni?
No. Un’allucinazione è un’informazione generata senza un fondamento
affidabile. La sycophancy è l’adattamento eccessivo alla posizione
dell’utente. I due fenomeni possono sommarsi: il modello può inventare
informazioni proprio per sostenere una tesi suggerita dall’utente.
La ricerca sul web
risolve il problema?
Aiuta soprattutto nelle domande fattuali, perché permette di ancorare
la risposta a fonti verificabili. Non elimina la compiacenza nelle
valutazioni soggettive, nelle relazioni o nelle decisioni. Anche con la
ricerca attiva bisogna controllare se le fonti citate sostengono davvero
la conclusione.
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.
https://www.gianluigibonanomi.com/wp-content/uploads/2026/09/sycophantic-ai-chatgpt-da-ragione.webp9001600Gianluigi Bonanomihttps://www.gianluigibonanomi.com/wp-content/uploads/2018/10/bonanomi_logo_156.pngGianluigi Bonanomi2026-09-26 08:50:152026-09-26 08:50:15Sycophantic AI: perché ChatGPT, Gemini e Claude tendono a darti ragione
Meta non sa letteralmente tutto di noi, ma può dedurre interessi, caratteristiche personali e importanza delle relazioni osservando la struttura della rete e i comportamenti digitali. Alcuni studi mostrano che Facebook può perfino riconoscere con buona accuratezza il partner romantico. Non esiste invece una ricerca che dimostri che sappia identificare con certezza un amante segreto.
Immagina di non aver mai dichiarato apertamente chi sia la persona più importante della tua vita.
Nessun post romantico. Nessuna fotografia insieme. Nessun cuoricino sotto una dichiarazione pubblica. Eppure un algoritmo potrebbe comunque riuscire a individuarla osservando soltanto la struttura della tua rete sociale.
Da qui nasce una frase che circola da anni: Facebook sa chi sono i tuoi amici più cari, il tuo partner e perfino la tua amante.
La prima parte ha basi scientifiche. L’ultima, quella dell’amante, è una provocazione efficace ma non è stata dimostrata da uno studio specifico. Eppure la questione resta inquietante: Meta non deve necessariamente leggere un contenuto esplicito per ricostruire una relazione. Può inferirla dai segnali che lasciamo.
Chi cerchiamo. Con chi interagiamo. Quali profili visitiamo. Chi compare in più cerchie della nostra vita. A quali contenuti reagiamo e quali ignoriamo.
Meta non deve leggere nella nostra mente. Le basta formulare previsioni sufficientemente accurate.
Come Meta usa i dati per costruire modelli su di noi
Quando pensiamo ai dati personali immaginiamo nome, età, indirizzo, fotografia, posizione e numero di telefono. È una visione ormai antiquata.
Il vero valore non si trova soltanto nei dati che dichiariamo, ma nelle informazioni che possono essere dedotte dai nostri comportamenti.
Esiste una differenza fondamentale tra ciò che comunichiamo esplicitamente, ciò che facciamo e ciò che un sistema può inferire mettendo insieme migliaia di segnali.
Meta stessa, spiegando come funziona il sistema di ranking del Feed di Facebook, parla di migliaia di segnali elaborati per prevedere quali contenuti troveremo più rilevanti e con quali avremo maggiori probabilità di interagire. Non si tratta di un unico algoritmo, ma di diversi modelli di machine learning che assegnano punteggi e probabilità ai contenuti.
Facebook non deve chiedermi: «Quanto è importante per te questa persona?».
Può osservare quanto spesso interagisco con lei, quali contenuti guardo, se rispondo ai suoi commenti, quali amici abbiamo in comune e in quali ambienti della mia vita compare.
In un mio precedente approfondimento sull’ingegnerizzazione e misurazione delle relazioni nei social network avevo già evidenziato questo meccanismo: misurare i legami permette alla piattaforma di decidere a chi mostrare un contenuto e quali conversazioni stimolare.
Il social network, quindi, non si limita a rappresentare le relazioni. Le trasforma in variabili.
Lo studio che permise a Facebook di riconoscere il partner
Nel 2013 Lars Backstrom, allora ingegnere di Facebook, e Jon Kleinberg della Cornell University pubblicarono lo studio Romantic Partnerships and the Dispersion of Social Ties, successivamente presentato alla conferenza ACM CSCW del 2014.
I ricercatori analizzarono un campione di circa 1,3 milioni di utenti Facebook che avevano dichiarato sul profilo una relazione sentimentale. L’obiettivo era capire se fosse possibile riconoscere il partner osservando soltanto la struttura della rete di amicizie.
Si potrebbe pensare che la persona più importante sia semplicemente quella con cui condividiamo più amici. Non è così.
I ricercatori introdussero un indicatore chiamato dispersione. Una relazione assume un valore strutturalmente particolare quando collega parti diverse della nostra vita.
Il collega conosce soprattutto altri colleghi. Il compagno di calcetto conosce gli amici della squadra. Il partner, invece, può essere collegato contemporaneamente ai familiari, agli amici d’infanzia, ai colleghi e ai vicini di casa.
Queste persone non si conoscono necessariamente tra loro, ma conoscono tutte il partner. È questa particolare distribuzione dei legami a renderlo riconoscibile.
Secondo i risultati riportati, l’algoritmo riusciva a identificare il coniuge nel 60% circa dei casi e un partner non sposato in quasi il 50% dei casi. Non era infallibile, ma era enormemente più efficace di una scelta casuale.
Facebook può scoprire un amante?
Qui serve una precisazione fondamentale: lo studio prendeva in esame utenti che avevano dichiarato la relazione. Non dimostrava che Facebook potesse scoprire un amante segreto.
Dire che «Facebook conosce la tua amante» è quindi un’estrapolazione, non un risultato scientifico. La ricerca dimostra qualcosa di più preciso: la geometria delle nostre relazioni può rivelare legami importanti anche senza analizzare il contenuto dei messaggi.
I tuoi Mi piace possono raccontare ciò che non hai dichiarato
Analizzando i Mi piace di oltre 58.000 volontari, i ricercatori mostrarono che le tracce digitali potevano essere utilizzate per stimare caratteristiche sensibili quali orientamento politico, religione, personalità, età, genere e orientamento sessuale.
L’aspetto più interessante non era la capacità di interpretare un like esplicito. Non serve un algoritmo sofisticato per dedurre le idee politiche di chi segue la pagina di un partito.
Le previsioni potevano basarsi anche su combinazioni di comportamenti apparentemente innocui e privi di un collegamento evidente con la caratteristica da individuare.
La privacy non riguarda soltanto ciò che pubblichiamo, ma anche ciò che può essere dedotto da quello che pubblichiamo.
Due anni dopo, un altro studio pubblicato su PNAS, condotto su 86.220 volontari, confrontò i giudizi sulla personalità elaborati dai computer con quelli espressi da colleghi, amici, familiari e partner.
Secondo i risultati, con circa 100 Mi piace il modello poteva superare il giudizio della persona media. Con 300 poteva risultare più accurato del coniuge nel descrivere alcuni tratti della personalità.
Sono dati provenienti da una fase precedente della storia di Facebook e non vanno trasferiti automaticamente agli algoritmi odierni. Il principio, però, rimane valido: una grande quantità di piccoli segnali può produrre inferenze che il singolo segnale non consentirebbe.
Dalla misurazione delle relazioni all’influenza sociale
Misurare un legame non serve soltanto a capire chi conosciamo. Serve anche a prevedere chi può influenzarci.
Nel 2012 uno studio pubblicato su Nature descrisse un esperimento realizzato durante le elezioni statunitensi del 2010, coinvolgendo circa 61 milioni di utenti Facebook.
I messaggi mostrati dalla piattaforma influenzarono, con effetti individuali piccoli ma misurabili, l’espressione politica, la ricerca di informazioni e il comportamento elettorale. Soprattutto, la trasmissione sociale avvenne prevalentemente attraverso gli amici più stretti.
Questo spiega perché la misurazione delle relazioni abbia un valore enorme.
Un messaggio pubblicitario può essere ignorato. Lo stesso messaggio, associato al comportamento di una persona di cui ci fidiamo, può diventare molto più persuasivo.
L’algoritmo non deve soltanto stabilire quale contenuto mostrarci. Deve capire anche quale relazione può renderlo più credibile.
I ricercatori modificarono per una settimana il numero di contenuti positivi o negativi mostrati nel Feed di 689.003 utenti. Successivamente osservarono un piccolo ma statisticamente misurabile cambiamento nel tono dei post pubblicati dagli stessi utenti.
L’effetto rilevato era modesto. Sarebbe quindi scorretto dire che Facebook possa accendere o spegnere a piacimento le emozioni delle persone.
Lo studio dimostrò comunque un fatto rilevante: modificare la composizione del flusso informativo può produrre effetti osservabili sul comportamento di una popolazione enorme.
Non esiste un pulsante segreto chiamato «rendi triste Gianluigi». Variazioni minuscole, applicate a milioni o miliardi di persone, possono però avere conseguenze collettive significative.
Quando il messaggio veniva adattato a caratteristiche psicologiche come estroversione o apertura mentale, i ricercatori registrarono fino al 40% di clic in più e fino al 50% di acquisti in più rispetto ai messaggi non corrispondenti al profilo. Gli autori avvertivano anche del rischio di sfruttare le vulnerabilità psicologiche delle persone.
La sequenza diventa chiara:
la piattaforma osserva il comportamento;
ricostruisce interessi e caratteristiche probabili;
misura la forza delle relazioni;
seleziona il messaggio;
decide quando e in quale contesto mostrarlo;
misura la reazione e aggiorna il modello.
È un ciclo continuo di osservazione, previsione, intervento e verifica.
Nel mio articolo sul film Brexit: The Uncivil War e il microtargeting di Facebook raccontavo proprio questa trasformazione: non parlare a tutti, ma individuare gruppi specifici e mostrare a ciascuno ciò che ha maggiori probabilità di funzionare.
Un video per capire perché ogni dato può diventare sensibile
Nel TED Talk ufficiale What will a future without secrets look like?, Alessandro Acquisti, professore alla Carnegie Mellon University, mostra come informazioni pubbliche, riconoscimento facciale e modelli statistici possano essere combinati per ricostruire dati che una persona non aveva deciso di comunicare.
Facebook, Instagram e WhatsApp sanno tutti le stesse cose?
Occorre evitare un’altra semplificazione.
Facebook, Instagram, Messenger, Threads e WhatsApp appartengono allo stesso gruppo, ma questo non significa che tutti i contenuti confluiscano automaticamente in un unico calderone accessibile senza limiti.
Su WhatsApp, per esempio, i messaggi e le chiamate personali sono protetti dalla crittografia end-to-end. Secondo la documentazione ufficiale, nemmeno WhatsApp e Meta possono leggerne o ascoltarne il contenuto.
Questo non significa che WhatsApp sia privo di dati. Contenuto e metadati non sono la stessa cosa. Informazioni tecniche, dati dell’account e determinati segnali di utilizzo possono comunque avere valore operativo e relazionale, secondo le informative applicabili.
Per essere rigorosi, quindi, non bisogna dire che Meta legge tutte le nostre conversazioni WhatsApp. Non è ciò che dimostrano le fonti.
Ogni servizio digitale può però generare segnali e ogni segnale, combinato con altri, può contribuire a un modello probabilistico.
Questa è ingegneria sociale?
Nel campo della sicurezza informatica, l’espressione «ingegneria sociale» indica solitamente la manipolazione delle persone per ottenere informazioni, accessi o comportamenti.
Nel caso di Meta parlerei più precisamente di ingegnerizzazione dell’ambiente sociale.
Le piattaforme trasformano le relazioni in dati, attribuiscono un peso ai legami, prevedono quali contenuti genereranno una reazione, ordinano il nostro ambiente informativo e misurano gli effetti delle proprie scelte.
Non è necessario immaginare una stanza segreta piena di persone che decidono che cosa dobbiamo pensare. La forma più potente di influenza è automatizzata, statistica e impersonale.
Nessuno deve conoscere davvero Gianluigi Bonanomi. È sufficiente che il sistema sappia che utenti con un comportamento simile al suo tendono a fermarsi davanti a un certo contenuto, fidarsi di determinate persone o reagire a una specifica formulazione.
Profilazione non significa conoscenza
Gli algoritmi non costruiscono necessariamente un ritratto vero di noi. Costruiscono un ritratto utile ai loro obiettivi.
Una previsione può essere sbagliata sul singolo individuo e rimanere economicamente efficace su milioni di persone. La conoscenza cerca di capire chi sei. La profilazione cerca di prevedere che cosa farai.
Sono vicende diverse, che non dimostrano l’esistenza di un’unica macchinazione. Dimostrano però che il modello basato sulla profilazione produce problemi concreti di trasparenza, consenso e controllo.
Non proteggere soltanto i dati: proteggi le inferenze
Possiamo evitare completamente la profilazione? Probabilmente no, a meno di rinunciare a molti servizi digitali.
Possiamo però ridurre la quantità e la qualità dei segnali disponibili:
controllare periodicamente le preferenze pubblicitarie;
limitare la sincronizzazione dei contatti quando non è necessaria;
verificare quali applicazioni sono collegate agli account;
eliminare autorizzazioni obsolete;
evitare di usare l’account Facebook o Instagram come chiave universale per altri servizi;
limitare posizione, microfono, fotocamera e accesso alla rubrica;
ricordare che anche un comportamento passivo, come soffermarsi su un contenuto, può diventare un segnale.
Non basta chiedersi: «Quali dati ho consegnato?».
Bisogna aggiungere una domanda più scomoda: «Che cosa può essere dedotto mettendo insieme questi dati?».
Forse Facebook non conosce davvero la tua amante. Potrebbe però accorgersi che una certa persona occupa, nella tua rete e nelle tue abitudini, una posizione molto diversa da tutte le altre.
E potrebbe farlo prima che tu abbia deciso di raccontarlo.
Domande frequenti
Meta può leggere i messaggi di WhatsApp?
I messaggi e le chiamate personali sono protetti dalla crittografia end-to-end. Secondo WhatsApp, né WhatsApp né Meta possono accedere al loro contenuto. Questo non equivale all’assenza completa di dati tecnici e di utilizzo.
Facebook può capire chi sono i miei amici più stretti?
Può stimarlo attraverso frequenza delle interazioni, struttura della rete, amici comuni, attività e altri segnali. Una stima algoritmica non coincide però con una conoscenza certa della relazione.
Facebook può scoprire una relazione sentimentale segreta?
Lo studio di Backstrom e Kleinberg dimostrò che la struttura della rete poteva identificare con buona accuratezza un partner dichiarato. Non dimostrò la capacità di individuare amanti o relazioni segrete.
Qual è la differenza tra dati raccolti e dati inferiti?
I dati raccolti derivano da azioni, contenuti e informazioni registrate. I dati inferiti sono previsioni prodotte combinando quei segnali, per esempio interessi, personalità probabile o importanza di una relazione.
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.
https://www.gianluigibonanomi.com/wp-content/uploads/2026/09/facebook-sa-chi-ami-meta-relazioni.webp9001600Gianluigi Bonanomihttps://www.gianluigibonanomi.com/wp-content/uploads/2018/10/bonanomi_logo_156.pngGianluigi Bonanomi2026-09-26 07:53:392026-09-26 07:53:39Facebook sa chi ami? Come Meta misura le relazioni e prevede chi sei
Il concetto di intelligenza liquida nasce da una trasformazione che Zygmunt Bauman seppe osservare con largo anticipo. Il sociologo usò la metafora della liquidità per raccontare una
società nella quale le forme non restano stabili abbastanza a lungo da
diventare punti di riferimento. Nella modernità “solida” il lavoro,
l’identità, le istituzioni, le appartenenze e perfino le relazioni
sembravano possedere una struttura durevole. Nella modernità liquida,
invece, tutto deve adattarsi, cambiare forma, scorrere.
In Modernità
liquida, pubblicato nel 2000, Bauman descrive il passaggio da
una modernità pesante, legata all’hardware, a una modernità leggera,
mobile e sempre più fondata sul software.
Modernità liquida di Zygmunt Bauman, Editori Laterza.
In Intervista
sull’identità, l’identità stessa diventa precaria, simile a un
vestito che si usa finché serve. Non è più soltanto qualcosa che siamo:
è qualcosa che costruiamo, modifichiamo e rimettiamo continuamente in
discussione.
Intervista sull’identità di Zygmunt Bauman, Editori Laterza.
È importante partire da qui perché la liquidità non significa
semplicemente digitalizzazione. Indica qualcosa di più profondo: la
separazione tra una funzione e il contenitore che per secoli l’ha resa
possibile.
Il lavoro si separa dall’ufficio. La relazione si separa dalla
vicinanza fisica. L’identità si separa da un’unica appartenenza stabile.
La musica si separa dal disco.
Ora l’intelligenza si sta separando dalla mente che la produce.
Musica liquida di Gianluigi Bonanomi e Renzo Zonin, Informant,
2014.
Per ascoltare una canzone non serviva più acquistare e conservare un
oggetto. Non occorreva sapere in quale scaffale fosse il CD, né
trasferire fisicamente un supporto da una persona all’altra. La musica
diventava un flusso: disponibile su richiesta, potenzialmente
sterminato, accessibile da dispositivi diversi, organizzato da algoritmi
e pagato attraverso un abbonamento.
La musica non era diventata meno importante. Era cambiata la sua
condizione materiale e, insieme a quella, erano cambiati i nostri
comportamenti. Abbiamo iniziato ad ascoltare più brani, a saltarli
prima, a delegare la scoperta alle piattaforme, a costruire playlist
invece di collezioni. L’abbondanza ha ampliato le possibilità, ma ha
anche modificato l’attenzione e trasferito una parte del potere dagli
artisti e dagli ascoltatori agli intermediari digitali.
Oggi sta accadendo qualcosa di simile con l’intelligenza: la capacità cognitiva diventa accessibile, modulare e sempre più liquida.
Per ottenere una traduzione, un’analisi, una sintesi, una bozza, un
confronto tra documenti o una prima ipotesi strategica non dobbiamo
necessariamente possedere in anticipo tutte le competenze necessarie.
Possiamo accedere, per pochi secondi o per alcune ore, a una capacità
cognitiva esterna. La interroghiamo, la indirizziamo, la combiniamo con
dati e strumenti. Poi la spegniamo.
Come una canzone in streaming, anche una porzione di lavoro cognitivo
arriva quando serve.
Che cosa intendo per
“intelligenza liquida”
Uso questa espressione come metafora sociale e tecnologica, non come
nuova categoria psicologica. In psicometria esiste già il concetto di intelligenza
fluida nella teoria di Cattell e Horn: è la capacità di
affrontare problemi nuovi senza affidarsi soprattutto a conoscenze già
acquisite. Qui parlo di altro.
Chiamo intelligenza liquida la capacità cognitiva
che:
è disponibile a richiesta;
non è legata stabilmente a una singola persona;
può scorrere tra applicazioni, documenti, database e
dispositivi;
può essere combinata con altre intelligenze, umane o
artificiali;
si misura e si acquista a consumo, attraverso token, crediti o
abbonamenti;
può aumentare o diminuire in pochi istanti, secondo il problema da
affrontare.
La formula, provvisoria, potrebbe essere questa:
L’intelligenza liquida è capacità cognitiva separata dal suo
portatore, resa accessibile come flusso, componibile come software e
consumabile come servizio.
Non vive necessariamente in un robot umanoide. Più spesso abita una
casella di posta, un CRM, un browser, un foglio elettronico o un agente
che legge una richiesta, consulta più fonti, esegue una procedura e
propone un risultato.
Il chatbot è stato soltanto il rubinetto. Dietro quel rubinetto sta
crescendo un acquedotto cognitivo.
L’esplosione non
riguarda soltanto la potenza
Quando si parla di intelligenza artificiale, si osservano soprattutto
i modelli più potenti. Ma la trasformazione decisiva nasce dall’incontro
di almeno tre curve.
La prima è l’aumento delle capacità. Lo Stanford
AI Index 2026 segnala progressi rapidi nei benchmark più
difficili, insieme a prestazioni sempre più rilevanti in ambiti
professionali come fiscalità, finanza, diritto e gestione dei mutui.
Avverte però anche che l’intelligenza delle macchine resta
“frastagliata”: un sistema può risolvere problemi matematici avanzati e
fallire in compiti apparentemente banali.
La seconda curva è la riduzione del prezzo. Secondo lo Stanford
AI Index 2025, tra novembre 2022 e ottobre 2024 il costo per
interrogare un modello con prestazioni paragonabili a GPT-3.5 sul
benchmark MMLU è sceso da 20 dollari a 7 centesimi per milione di token,
una riduzione superiore a 280 volte. Il dato non significa che ogni
forma di AI diventerà quasi gratuita: i modelli di frontiera,
l’infrastruttura, l’energia e le applicazioni complesse restano costosi.
Mostra però una direzione precisa: una stessa unità di capacità tende a
diventare più accessibile.
La terza curva è la diffusione. Il capitolo economico dello Stanford
AI Index 2026 stima che l’AI generativa abbia raggiunto il 53%
di adozione in tre anni e che nel 2025 il 70% delle organizzazioni
intervistate la utilizzasse in almeno una funzione aziendale. Non tutte
la usano bene e l’impiego degli agenti è ancora iniziale, ma il
passaggio dalla curiosità all’infrastruttura è già cominciato.
Questa è l’esplosione dell’intelligenza liquida che ci attende: non un’unica superintelligenza
che compare improvvisamente, ma miliardi di piccoli atti cognitivi
prodotti, acquistati, delegati e incorporati in ogni processo.
Dall’automazione
delle braccia alla disponibilità di cognizione
Le rivoluzioni industriali precedenti hanno moltiplicato soprattutto
la forza, la velocità, l’energia e la capacità di coordinare la
produzione. Macchine a vapore, elettricità, catene di montaggio,
computer e reti hanno progressivamente esteso ciò che un essere umano
poteva fare.
L’AI generativa introduce qualcosa di diverso: rende scalabili
attività che consideravamo cognitive. Scrivere, classificare,
riassumere, tradurre, programmare, progettare una sequenza operativa,
cercare analogie, simulare un interlocutore, preparare alternative.
Non tutto questo equivale a “pensare” nel senso umano del termine. Un
modello non possiede automaticamente esperienza, responsabilità,
intenzione o coscienza. Ma può fornire una prestazione cognitiva utile.
Per chi lavora, la differenza filosofica resta enorme; sul piano
operativo, invece, il confine inizia a spostarsi.
Studi come quelli di METR
sugli orizzonti temporali dei compiti cercano di misurare per quanto
tempo un agente riesca a lavorare autonomamente su attività software
prima che la probabilità di successo crolli. I risultati mostrano una
crescita rapida, ma vanno letti senza estrapolazioni automatiche:
riguardano famiglie specifiche di compiti e non dimostrano che gli
agenti siano già affidabili in ogni lavoro reale.
La capacità disponibile aumenta, ma la responsabilità non può essere
messa in streaming.
È davvero la quinta
rivoluzione industriale?
L’espressione “quinta rivoluzione industriale” è affascinante, ma va
usata con cautela. Non esiste un confine storico universalmente
riconosciuto che separi una quarta e una quinta rivoluzione.
La Commissione
europea parla di Industry 5.0 come di un
completamento, non di una sostituzione, del paradigma 4.0. Al centro
mette tre principi: sostenibilità, resilienza e centralità della
persona. È una precisazione importante: una fabbrica più automatizzata
non diventa automaticamente più umana, più equa o più sostenibile.
Se vogliamo chiamare “quinta rivoluzione industriale” la fase che si
apre, allora non dovrebbe essere definita soltanto da robot e agenti. La
sua vera materia prima sarà la cognizione distribuita. La sua unità di
misura non sarà solo il pezzo prodotto, ma la decisione assistita. Il
suo conflitto fondamentale riguarderà chi controlla i flussi di
intelligenza, con quali dati, secondo quali obiettivi e sotto quale
responsabilità.
In altre parole, la quinta rivoluzione industriale non sarà
automaticamente umanocentrica. Dovremo renderla tale.
Che
cosa succede quando l’intelligenza diventa abbondante
Quando una risorsa diventa abbondante, il valore si sposta
altrove.
Con l’abbondanza di contenuti, il valore si è spostato verso
l’attenzione. Con l’abbondanza di informazioni, verso l’affidabilità.
Con l’abbondanza di capacità cognitiva, il valore si sposterà verso la
scelta dei problemi, la qualità dei criteri e l’assunzione di
responsabilità.
Produrre una bozza costerà sempre meno. Capire se quella bozza è
vera, opportuna, originale e coerente con un obiettivo resterà
difficile.
Generare cento strategie sarà facile. Rinunciare alle novantanove
sbagliate richiederà giudizio.
Creare un agente sarà sempre più semplice. Decidere che cosa non
delegargli diventerà una competenza manageriale.
Per questo il prompt engineering, da solo, non basta. Non serve
soltanto imparare a “fare domande all’AI”. Occorre imparare a progettare
sistemi di lavoro nei quali esseri umani, modelli, fonti e strumenti
abbiano ruoli espliciti. Servono obiettivi, limiti, verifiche,
tracciabilità e punti nei quali una persona possa interrompere il
processo.
L’intelligenza liquida dovrà essere incanalata. Altrimenti non sarà
un acquedotto: sarà un’alluvione.
Il rischio del debito
cognitivo
La metafora della liquidità contiene anche un avvertimento. Ciò che
scorre facilmente può sfuggire al controllo.
Se deleghiamo continuamente la scrittura, potremmo smettere di usare
la scrittura per pensare. Se accettiamo sintesi senza tornare alle
fonti, potremmo confondere velocità e comprensione. Se ogni decisione
arriva accompagnata da una raccomandazione algoritmica, potremmo perdere
l’abitudine al dubbio.
I benefici, inoltre, non sono uniformi. Lo Stanford AI Index rileva
guadagni di produttività significativi in diversi lavori strutturati, ma
segnala risultati più limitati nei compiti che richiedono ragionamento
profondo e possibili effetti negativi sull’apprendimento quando la
dipendenza dallo strumento diventa eccessiva. Esistono persino contesti
nei quali l’AI può rallentare professionisti esperti: in un esperimento
randomizzato di METR, sviluppatori open source esperti hanno
impiegato più tempo usando strumenti AI, non meno.
Anche l’affidabilità resta discontinua. Il capitolo sulla
responsabilità dello Stanford
AI Index 2026 documenta la distanza tra l’avanzamento delle
capacità e quello delle misure di sicurezza e trasparenza.
Potremmo quindi accumulare un nuovo tipo di debito: il debito
cognitivo. È ciò che accade quando risparmiamo tempo oggi
delegando senza capire e paghiamo domani con perdita di competenze,
errori invisibili e dipendenza da sistemi che non sappiamo più
valutare.
La nuova
competenza umana: dare forma al flusso
Nell’epoca della musica liquida non abbiamo smesso di avere bisogno
di musicisti. Abbiamo avuto bisogno di nuovi modi per scoprire,
selezionare, remunerare e dare senso alla musica.
Nell’epoca dell’intelligenza liquida non smetteremo di avere bisogno
dell’intelligenza umana. Ne avremo bisogno in forma diversa.
Serviranno persone capaci di formulare problemi, non soltanto di
eseguire compiti. Di riconoscere una risposta plausibile ma falsa. Di
collegare discipline lontane. Di comprendere le conseguenze sociali di
una decisione efficiente. Di assumersi la responsabilità che un modello
non può assumersi.
L’AI potrà moltiplicare le risposte. Non potrà decidere, da sola,
quali domande meritino di guidare un’azienda, una scuola, una pubblica
amministrazione o una vita.
La grande trasformazione non consiste nell’arrivo di una macchina
onnisciente. Consiste nella progressiva disponibilità di una quantità
enorme di capacità cognitiva, imperfetta ma economica, veloce e sempre
più integrata nei processi quotidiani.
La musica liquida ci ha insegnato che, quando qualcosa diventa
accessibile ovunque, non cambia soltanto il modo in cui lo consumiamo.
Cambiano il mercato, le abitudini, gli intermediari e perfino il nostro
rapporto con quel bene.
Per approfondire i dati sull’evoluzione delle capacità, dei costi e
dell’adozione dell’intelligenza artificiale, questo intervento dello
Stanford Institute for Human-Centered Artificial Intelligence presenta i
principali risultati dell’AI Index 2026:
Ora tocca all’intelligenza.
La domanda, quindi, non è più se useremo questa intelligenza liquida.
La domanda è se sapremo darle una forma prima che sia lei a dare una
forma a noi.
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.
https://www.gianluigibonanomi.com/wp-content/uploads/2026/09/intelligenza-liquida-capacita-cognitiva.webp9001600Gianluigi Bonanomihttps://www.gianluigibonanomi.com/wp-content/uploads/2018/10/bonanomi_logo_156.pngGianluigi Bonanomi2026-09-25 08:57:332026-09-25 08:57:33Intelligenza liquida: quando la capacità cognitiva diventa un servizio in streaming
Le skill sono workflow riutilizzabili che spiegano a ChatGPT come
svolgere una determinata attività in modo più coerente. In questo
articolo ho selezionato dieci skill open source, scaricabili dal
repository dkyazzentwatwa/chatgpt-skills
e consultabili anche nel catalogo Skills.sh:
OCR, conversione di documenti, analisi dati, calcoli finanziari,
immagini, SVG, QR code, contenuti multimediali, bibliografie e creazione
di nuove skill.
Una precisazione importante: “scaricabile per ChatGPT” non significa
sempre “installabile con un clic in qualsiasi account”. La disponibilità
delle skill native dipende dal prodotto, dal piano e dalle impostazioni
del workspace. OpenAI descrive le skill come workflow condivisibili che
possono contenere istruzioni, esempi, codice e risorse di supporto. Per
gli account o gli ambienti che non espongono ancora l’installazione
diretta, il metodo più semplice consiste nel caricare il file SKILL.md in un GPT personalizzato o in un progetto, oppure
nell’adattarlo alle istruzioni del proprio ambiente AI.
Skill,
GPT personalizzati e agenti: non sono la stessa cosa
Una skill è soprattutto una procedura. Dice all’AI quali passaggi
seguire, quali file usare, quali controlli fare e quale formato
restituire.
Un GPT personalizzato è un assistente configurato per uno scopo più
ampio, con istruzioni, conoscenze e, quando disponibili, strumenti.
Un agente aggiunge la possibilità di usare strumenti esterni e
compiere azioni: per esempio leggere un archivio, elaborare un file,
interrogare un servizio o aggiornare un sistema.
La differenza pratica è questa: una skill può insegnare a ChatGPT
come analizzare uno scontrino; un agente può anche recuperare gli
allegati, elaborare più ricevute, creare un Excel e preparare una bozza
di email.
Per approfondire il tema del metodo con cui costruire istruzioni più
solide, puoi leggere anche la mia guida sul prompt
engineering e il metodo G.O.L..
Le 10 skill ChatGPT da
scaricare
La classifica non è una graduatoria scientifica. Ho privilegiato
skill utili fuori dal solo ambito dello sviluppo software, con una
struttura leggibile, uno scopo chiaro, script verificabili e una
documentazione sufficiente per iniziare. I dati sugli install relativi
al catalogo sono indicativi e possono cambiare.
1. OCR Document Processor
Ideale per: fotografie, scansioni, PDF acquisiti da
scanner, ricevute, biglietti da visita e tabelle.
La skill estrae testo da immagini e PDF scansionati, può produrre
testo strutturato, Markdown, JSON o HTML e include indicazioni per
gestire immagini inclinate, sfocate, multilingue o con bassa qualità. È
probabilmente la più utile per chi lavora con documenti cartacei
digitalizzati.
Esempio di richiesta: “Analizza queste ricevute,
segnala i dati illeggibili, individua i duplicati e restituisci una
tabella pronta per Excel”.
2. Document Converter Suite
Ideale per: conversioni tra PDF, DOCX, PPTX, XLSX,
TXT, CSV, Markdown e HTML.
È una skill generalista per estrarre contenuti, trasformare
documenti, recuperare tabelle e svolgere operazioni di base sui PDF,
come unione, separazione, rotazione, filigrana ed estrazione di pagine.
Il progetto dichiara esplicitamente che la ricostruzione è “best
effort”: il contenuto può essere preservato bene, ma non è garantita la
fedeltà grafica pixel per pixel.
Esempio di richiesta: “Estrai le tabelle da questo
PDF e consegnale in un file XLSX, mantenendo intestazioni e note a piè
di pagina”.
3. Data Storyteller
Ideale per: CSV, Excel, report direzionali e
presentazione narrativa dei dati.
Questa skill trasforma un dataset in un racconto leggibile: controlli
preliminari, confronti, indicatori, visualizzazioni e sintesi finale. È
utile quando non basta calcolare una media, ma bisogna capire quali
evidenze meritano di essere raccontate a un cliente, a un consiglio di
amministrazione o a una classe.
Esempio di richiesta: “Analizza questo Excel,
verifica la qualità dei dati, trova i tre cambiamenti più rilevanti e
prepara un report con grafici e raccomandazioni”.
Per lavori quantitativi, la skill va comunque affiancata a un
controllo umano: una visualizzazione elegante non corregge un dataset
sbagliato.
4. Financial Calculator
Ideale per: mutui, prestiti, interessi composti,
investimenti, obiettivi di risparmio, NPV, IRR e scenari
pensionistici.
Il punto di forza è l’invito a esplicitare prima le ipotesi: tasso,
capitalizzazione, durata, tasse, inflazione e unità di misura. La skill
usa uno script deterministico come fonte del calcolo, invece di
affidarsi soltanto all’aritmetica improvvisata nella conversazione.
Esempio di richiesta: “Confronta tre scenari di
investimento indicando capitale iniziale, versamenti, inflazione,
rendimento ipotizzato e intervallo di incertezza”.
Non è un consulente finanziario e non elimina il bisogno di
verificare formule, fiscalità e dati di mercato.
5. Image Enhancement Suite
Ideale per: ridimensionare, ritagliare, comprimere,
convertire e confrontare immagini.
La skill raccoglie diversi strumenti: rimozione dello sfondo,
controllo dei metadati, confronto tra immagini, filtri, estrazione della
palette, generazione di icone, collage e sprite sheet. È interessante
perché riunisce in un unico pacchetto funzioni che spesso vengono
richieste separatamente.
Esempio di richiesta: “Ridimensiona queste
fotografie per il blog, comprimi i file, mantieni la qualità e prepara
anche una versione quadrata per LinkedIn”.
Questa skill prova a rendere più affidabile la produzione di SVG:
prima definisce una specifica con dimensioni e coordinate, poi
costruisce il file, lo valida e può generare un’anteprima PNG. È una
buona scelta quando la geometria conta più dell’effetto creativo.
Esempio di richiesta: “Crea un diagramma SVG
1600×900 con tre blocchi, frecce ortogonali, colori accessibili e testo
modificabile”.
Per testi lunghi o molto precisi è comunque consigliabile controllare
l’output in un browser o in un editor vettoriale.
7. QR Code Generator
Ideale per: eventi, brochure, biglietti da visita,
materiali didattici, campagne con UTM e pagine di atterraggio.
La skill invita a validare l’URL prima di generare il codice,
preferisce HTTPS e suggerisce SVG e livelli di correzione più elevati
quando il QR code deve essere stampato. Un dettaglio prezioso: chiede di
restituire sempre anche l’URL effettivamente codificato.
Esempio di richiesta: “Crea un QR code in SVG per
questa pagina, aggiungi UTM solo se servono e restituisci URL, formato e
livello di correzione”.
8. Media Toolkit
Ideale per: audio e video, clip, conversioni,
analisi, sottotitoli, miniature e GIF.
È una skill più tecnica, ma utile per chi produce contenuti. La
descrizione del progetto la presenta come un toolkit per clipping,
conversione, analisi, caption, estrazione di thumbnail, creazione di GIF
e operazioni batch.
Esempio di richiesta: “Estrai tre clip da questo
video, crea una miniatura 16:9 e prepara una versione breve con
sottotitoli”.
Prima dell’uso bisogna controllare le dipendenze richieste e la
disponibilità degli strumenti necessari per l’elaborazione
multimediale.
9. Skill Creator
Ideale per: trasformare una procedura ricorrente in
una skill riutilizzabile.
Questa è la skill più meta dell’elenco: serve a creare altre skill.
Suggerisce di definire con precisione le richieste che devono attivare
il workflow, mantenere breve il file principale, spostare i dettagli
nelle cartelle references/, aggiungere soltanto script e
risorse davvero utili e validare il pacchetto prima di distribuirlo.
Esempio di richiesta: “Trasforma questa procedura
per la gestione dei rimborsi spese in una skill con input obbligatori,
controlli OCR, output Excel e bozza email”.
È il punto di partenza più interessante per chi vuole costruire il
proprio sistema di lavoro dentro ChatGPT.
10. Citation & Bibliography
Generator
Ideale per: paper, tesi, report, articoli e
bibliografie in più stili.
La skill genera citazioni e bibliografie in formati accademici e
professionali, partendo da dati inseriti manualmente, file strutturati e
metadati DOI o ISBN. Può essere utile, ma va usata con una regola
ferrea: una citazione generata non è automaticamente una citazione
verificata.
Sostituisci ocr-document-processor con il nome della
skill che vuoi installare. Questo comando è utile soprattutto in Codex e
in altri ambienti compatibili con lo standard SKILL.md; non
va confuso con l’importazione nativa dentro ogni versione di
ChatGPT.
Attenzione alla sicurezza
Una skill non è soltanto testo. Alcune includono script Python,
dipendenze e operazioni sui file. Prima di installarla:
controlla il repository e l’autore;
leggi SKILL.md e gli script eseguibili;
verifica le dipendenze;
evita di fornire credenziali, token o dati aziendali durante i
test;
prova prima tutto in una cartella isolata;
controlla manualmente i risultati, soprattutto per finanza, OCR e
bibliografie.
Il repository dichiara di avere audit strutturali e documentali, ma
questo non equivale a una certificazione indipendente di sicurezza per
ogni uso possibile. Il principio resta quello dell’open source: leggere
prima di eseguire.
Il video ufficiale
sulle skill in ChatGPT
Qui sotto trovi il video ufficiale di OpenAI che introduce le skill
in ChatGPT Business ed Enterprise:
Quale skill scegliere per
prima?
Se lavori con documenti, ricevute o fotografie, partirei da OCR Document Processor. Se produci report, sceglierei Data Storyteller. Se vuoi standardizzare le tue
procedure, la scelta più strategica è Skill Creator. Se
invece ti occupi di contenuti digitali, combinerei Image
Enhancement Suite, SVG Precision Skill e Media Toolkit.
Il vero vantaggio non sta nel collezionare cento skill, ma nel
costruire una piccola cassetta degli attrezzi coerente con il proprio
lavoro. Una skill ben scelta riduce il copia e incolla, rende più facile
il controllo di qualità e trasforma una buona procedura in un
comportamento ripetibile.
Per questo, nel mio corso
di ChatGPT per aziende e professionisti il tema non è soltanto
“quale prompt scrivere”, ma come progettare workflow ripetibili,
verificabili e adattati al ruolo di chi li usa.
Domande frequenti
Le skill sono gratuite?
I repository indicati sono open source e scaricabili gratuitamente.
Alcuni strumenti, dipendenze, modelli o servizi esterni necessari al
funzionamento possono però avere costi propri.
Posso usare una skill
su ChatGPT gratuito?
Non è possibile garantire la stessa modalità per tutti gli account.
La disponibilità delle skill native dipende dal piano, dal prodotto e
dalle impostazioni del workspace. In assenza dell’installazione diretta,
puoi usare il contenuto di SKILL.md in un progetto o in un
GPT personalizzato, quando queste funzioni sono disponibili.
Una skill rende ChatGPT
infallibile?
No. Una skill può rendere il processo più coerente e aggiungere
controlli, ma non sostituisce la verifica umana. Questo vale soprattutto
per dati finanziari, citazioni accademiche, OCR e documenti legali o
amministrativi.
Posso modificare una skill
scaricata?
Sì. È proprio uno dei vantaggi del formato Markdown: puoi adattare
lingua, tono, formato degli output, criteri di controllo e strumenti.
Prima di modificarla, conserva una copia dell’originale.
Articolo aggiornato al 24 settembre 2026. I link ai repository e
i dati sugli install possono cambiare: prima di pubblicare, conviene
verificare nuovamente disponibilità, versione e dipendenze.
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.
https://www.gianluigibonanomi.com/wp-content/uploads/2026/09/10-skill-chatgpt-scaricare.webp9001600Gianluigi Bonanomihttps://www.gianluigibonanomi.com/wp-content/uploads/2018/10/bonanomi_logo_156.pngGianluigi Bonanomi2026-09-24 22:15:112026-09-24 22:15:11Le 10 migliori skill per ChatGPT già pronte da scaricare
Sì, l’intelligenza artificiale può rendere più veloce la ricerca bibliografica, ma non può trasformare una sintesi automatica in una prova scientifica. Il modo più utile per usare l’AI nella letteratura scientifica è dividerne il lavoro in fasi: trovare gli studi, orientarsi tra i risultati, confrontare metodi e conclusioni, controllare le citazioni e solo alla fine scrivere.
In questo articolo presento PubMed.ai, Consensus e altre piattaforme che possono aiutare studenti, ricercatori, medici, docenti e professionisti a lavorare meglio con i paper.
Che cosa può fare l’AI per la letteratura scientifica
Un chatbot generalista è utile per riformulare una domanda, chiarire un concetto o trasformare appunti in una scaletta. Gli strumenti specializzati per la ricerca scientifica aggiungono però un elemento decisivo: cercano di ancorare le risposte a pubblicazioni, abstract, citazioni e metadati bibliografici.
Le attività più adatte sono:
tradurre una domanda generica in parole chiave e concetti correlati;
individuare articoli pertinenti;
riassumere abstract e risultati;
confrontare più studi in una tabella;
seguire citazioni, autori e filoni di ricerca;
estrarre variabili, campioni, metodi e limiti;
monitorare nuovi articoli su un tema.
L’AI è molto meno adatta a decidere da sola se una conclusione sia clinicamente valida, se due studi siano davvero comparabili o se una revisione sistematica rispetti tutti i criteri metodologici. Quella parte resta responsabilità del ricercatore.
Consensus: il punto di partenza per orientarsi nella letteratura
Consensus è un motore di ricerca accademico che permette di interrogare la letteratura con domande in linguaggio naturale. La sua documentazione descrive una ricerca ibrida: combina ricerca semantica, utile per cogliere il significato della domanda, e ricerca per parole chiave, utile per mantenere precisione terminologica.
Il valore pratico di Consensus è l’orientamento iniziale. Può aiutare a capire rapidamente quali sono gli studi più pertinenti, quali risultati ricorrono e dove esistono divergenze. La piattaforma dichiara inoltre di coprire una grande collezione di articoli accademici e l’intero corpus di PubMed.
Userei Consensus soprattutto per tre attività:
trasformare una domanda ampia in una mappa iniziale del tema;
identificare gli studi che meritano una lettura integrale;
confrontare risultati concordanti e risultati contraddittori.
Il risultato di Consensus non va copiato come se fosse una conclusione definitiva. Bisogna aprire gli articoli originali, verificare il disegno dello studio, il campione, la data, la rivista e le condizioni in cui il risultato è stato ottenuto.
PubMed.ai: un esempio secondario per la ricerca biomedica
PubMed.ai è pensato per la ricerca biomedica. La piattaforma dichiara di usare la letteratura indicizzata in PubMed per aiutare l’utente a formulare ricerche, esplorare i risultati, porre domande sugli studi e generare sintesi strutturate.
Tra le funzioni presentate dal servizio ci sono la ricerca assistita dall’AI, l’analisi della letteratura, una chat sui contenuti recuperati, l’estrazione di informazioni e la generazione di report PDF. La pagina ufficiale specifica inoltre che il servizio lavora sulla letteratura biomedica disponibile pubblicamente e che alcune funzioni, come i protocolli di laboratorio e le revisioni della letteratura, risultano ancora indicate come in arrivo.
La differenza rispetto a una ricerca libera in un chatbot è importante: PubMed.ai dichiara di ottimizzare le query e di collegare l’analisi ai record bibliografici di PubMed. Questo può essere utile quando la domanda è espressa in linguaggio naturale, per esempio: “Quali effetti ha l’esercizio fisico nei pazienti con diabete?”.
Va ricordato che PubMed resta la banca dati di riferimento da consultare direttamente. La National Library of Medicine lo descrive come una risorsa con oltre 40 milioni di citazioni di letteratura biomedica, con collegamenti, quando disponibili, al testo completo su PubMed Central o sui siti degli editori.
Leggere PDF, porre domande sui documenti e organizzare una revisione assistita.
Le risposte dipendono dalla qualità del PDF e dal modo in cui si formulano le domande.
Un workflow affidabile in cinque passaggi
1. Definisci la domanda
Evita richieste come “cerca tutto sull’intelligenza artificiale in medicina”. Specifica popolazione, intervento o esposizione, confronto, esito e intervallo temporale. Anche una domanda semplice migliora molto quando contiene un perimetro.
2. Usa due strumenti con funzioni diverse
Puoi partire da PubMed.ai o Consensus per l’orientamento, passare a PubMed per la verifica bibliografica e usare ResearchRabbit o Connected Papers per seguire le connessioni. La ridondanza è utile: se una fonte compare in più percorsi indipendenti, merita un controllo prioritario.
3. Leggi il paper, non soltanto il riassunto
Chiedi all’AI di estrarre metodo, campione, risultati e limiti. Poi controlla direttamente abstract, testo integrale, figure, tabelle e materiali supplementari. Un riassunto può omettere proprio la condizione che rende un risultato meno generalizzabile.
4. Costruisci una tabella delle evidenze
Per ogni studio registra almeno: riferimento completo, domanda, disegno, campione, intervento o variabile, risultato principale, limiti e livello di pertinenza. È un’attività molto adatta a Elicit o a uno strumento che lavori su documenti selezionati, come Gemini Notebook.
5. Verifica prima di citare
Controlla DOI, autori, rivista, anno, PMID e formulazione della conclusione. Se un riferimento non è rintracciabile, non inserirlo. L’output dell’AI è un supporto di lavoro, non una fonte.
Il rischio più grande: l’illusione della bibliografia pronta
La fluidità della risposta può creare una falsa sensazione di solidità. Un testo ben scritto non dimostra che gli studi citati esistano, che siano pertinenti o che sostengano davvero la frase a cui sono associati.
Lo stesso principio vale per una tesi. Nella mia guida Come fare una tesi di laurea con l’AI insisto su un punto semplice: l’AI può aiutare a restringere il campo, organizzare le fonti e chiarire il ragionamento, ma non sostituisce il progetto della ricerca né l’etica della citazione.
Per una revisione clinica, una tesi o una decisione professionale suggerisco questa regola: nessuna frase importante senza una fonte primaria verificata. Se la frase descrive un dato, va controllato il dato. Se interpreta un risultato, va controllata l’interpretazione. Se confronta studi, vanno controllati criteri e contesto.
Video: Semantic Scholar 101
Questo tutorial ufficiale mostra la ricerca in Semantic Scholar e si inserisce bene nel workflow descritto sopra: trovare un primo nucleo di articoli, seguirne le connessioni e poi verificare le fonti originali.
Domande frequenti
PubMed.ai sostituisce PubMed?
No. PubMed.ai può semplificare l’esplorazione e la sintesi, ma PubMed resta il database da controllare direttamente per record bibliografici, filtri e collegamenti al testo completo.
Consensus mostra il consenso scientifico?
Può aiutare a individuare convergenze e divergenze nella letteratura, ma la parola “consenso” non significa che ogni risultato sia definitivo. Bisogna valutare qualità, aggiornamento e comparabilità degli studi.
Quale piattaforma scegliere per una revisione sistematica?
Nessuna piattaforma dovrebbe essere l’unico strumento. Per una revisione formale servono una domanda definita, strategie di ricerca documentate, criteri di inclusione ed esclusione, gestione dei duplicati, valutazione del rischio di bias e controllo umano.
Posso usare ChatGPT o Gemini per leggere i paper?
Sì, se carichi documenti che puoi trattare in modo appropriato e chiedi estrazioni verificabili. Per la ricerca iniziale e per le citazioni è preferibile partire da banche dati e strumenti accademici, non da una chat generalista senza fonti.
Conclusione
Consensus, PubMed.ai, Elicit, Scite, Semantic Scholar, ResearchRabbit, Connected Papers e SciSpace non fanno tutti la stessa cosa. Alcuni cercano, alcuni sintetizzano, alcuni mappano le citazioni, altri estraggono dati dai documenti.
La scelta più efficace non è trovare “il miglior tool”, ma costruire una catena di controllo: domanda ben definita, ricerca specializzata, lettura dei paper, confronto tra fonti, verifica bibliografica e responsabilità umana. È così che l’AI diventa un supporto concreto alla letteratura scientifica, senza trasformarsi in un generatore di bibliografie plausibili.
https://www.gianluigibonanomi.com/wp-content/uploads/2026/09/ai-pensiero-critico-studio-ibm.webp9001600Gianluigi Bonanomihttps://www.gianluigibonanomi.com/wp-content/uploads/2018/10/bonanomi_logo_156.pngGianluigi Bonanomi2026-09-24 19:30:192026-09-24 21:10:04Consensus e AI per la letteratura scientifica: strumenti, metodo e limiti
Gli agenti di intelligenza artificiale rappresentano il passaggio dall’AI che risponde all’AI che agisce. Non si limitano a generare un testo: ricevono un obiettivo, pianificano una sequenza di passi, scelgono gli strumenti disponibili, eseguono azioni e controllano il risultato.
Articolo aggiornato al 24 settembre 2026.
Questo cambiamento riguarda già aziende, professionisti, pubbliche amministrazioni e formazione. Ma intorno alla parola “agente” c’è ancora molta confusione: a volte viene usata per indicare una semplice automazione, altre volte un chatbot con qualche funzione in più. Vediamo quindi le dieci cose davvero importanti da sapere, con esempi concreti e senza trasformare gli agenti AI nell’ennesima parola magica.
Agenti di intelligenza artificiale: che cosa sono davvero?
Un agente AI è un sistema capace di perseguire un obiettivo con un certo grado di autonomia. Secondo la documentazione di OpenAI sugli agenti, queste applicazioni possono pianificare, usare strumenti, collaborare con componenti specializzati e mantenere lo stato necessario per completare attività articolate.
La formula più semplice è questa:
obiettivo + ragionamento + strumenti + memoria + controllo = agente AI
Un chatbot risponde alla domanda. Un workflow esegue passaggi stabiliti in anticipo. Un agente, invece, interpreta la situazione e decide come muoversi entro i limiti che gli abbiamo assegnato.
1. Un agente non è soltanto un chatbot
Il chatbot tradizionale attende una richiesta e produce una risposta. L’agente può invece scomporre un compito in sotto-attività, cercare informazioni, consultare documenti, usare software e ritentare quando un passaggio non funziona.
Esempio: chiedere “scrivimi una mail di follow-up” produce un testo. Chiedere a un agente di gestire il follow-up può significare: leggere gli appunti dell’incontro, controllare il CRM, preparare una bozza personalizzata, proporre una scadenza e creare un promemoria. La differenza non è solo quantitativa. È il passaggio dalla generazione di contenuti all’esecuzione di un processo.
2. Gli agenti lavorano per obiettivi, non per singoli comandi
Un buon agente parte da un risultato atteso. “Analizza le richieste dei clienti dell’ultimo mese e individua i cinque problemi ricorrenti” è un obiettivo. “Leggi questo file” è soltanto un’azione.
L’obiettivo deve chiarire almeno quattro elementi:
che cosa deve ottenere l’agente;
quali fonti può usare;
quali vincoli deve rispettare;
come si verifica che il lavoro sia concluso correttamente.
Qui il prompt engineering non scompare, anzi diventa più importante. Un agente mal istruito può commettere errori su una scala maggiore rispetto a una singola risposta. Nel mio corso di prompt engineering insisto proprio su obiettivi, contesto, limiti e criteri di qualità.
3. Pianificano, agiscono, osservano e correggono
Il funzionamento tipico è ciclico: l’agente interpreta l’obiettivo, prepara un piano, compie un’azione, osserva il risultato e decide il passo successivo. Se necessario, corregge la strategia.
Non tutti gli agenti hanno però lo stesso livello di autonomia. Alcuni propongono soltanto le azioni. Altri possono eseguirle, ma chiedono l’approvazione prima dei passaggi delicati. Altri ancora operano autonomamente entro confini molto precisi.
Anthropic, nella guida Building Effective Agents, distingue utilmente tra workflow, nei quali i passaggi sono orchestrati in modo predefinito, e agenti, nei quali il modello decide dinamicamente come procedere. Non sempre l’opzione più autonoma è la migliore.
4. Il vero salto avviene quando usano strumenti reali
Un agente diventa operativo quando può utilizzare strumenti esterni: posta elettronica, calendario, fogli di calcolo, browser, database, CRM, gestionali, archivi aziendali e sistemi di ticketing.
Gli strumenti trasformano il linguaggio in azioni. L’agente può, per esempio:
recuperare dati da più fonti;
aggiornare una scheda cliente;
preparare una bozza di risposta;
confrontare preventivi;
generare un report periodico;
segnalare un’anomalia;
avviare un processo dopo un’approvazione umana.
Questo è anche il punto in cui aumentano responsabilità e rischi. Ogni strumento dovrebbe concedere soltanto i permessi necessari. Un agente incaricato di leggere un calendario non dovrebbe poter cancellare appuntamenti senza un’autorizzazione esplicita.
5. La memoria è utile, ma deve essere progettata
La memoria consente all’agente di mantenere informazioni tra un passaggio e l’altro o tra sessioni diverse. Può ricordare lo stato di un progetto, le preferenze dell’utente, le decisioni prese e le attività ancora aperte.
Ma “ricordare tutto” non è automaticamente un vantaggio. Una memoria efficace deve essere selettiva, aggiornata e governabile. Informazioni vecchie o sbagliate possono diventare una fonte di errori persistenti.
Occorre distinguere almeno tra:
memoria di lavoro, necessaria per completare il compito corrente;
memoria di progetto, relativa a documenti, scelte e avanzamento;
memoria personale o organizzativa, che richiede regole chiare su privacy, accesso e conservazione.
6. Un solo agente spesso è meglio di una squadra di agenti
L’immagine più affascinante è quella di un’intera squadra digitale: un agente ricercatore, uno scrittore, uno revisore e uno coordinatore. In alcuni casi funziona. In molti altri aggiunge costi, lentezza e nuovi punti di errore.
La regola pratica è partire dal sistema più semplice che possa risolvere il problema. Prima un workflow deterministico. Poi, se serve, un singolo agente con strumenti ben definiti. Solo quando il compito richiede competenze realmente separate ha senso introdurre un sistema multi-agente.
Google Cloud descrive diversi pattern di progettazione per sistemi agentici, mostrando che la scelta dell’architettura deve dipendere dal processo e non dal fascino della tecnologia.
7. L’autonomia deve essere proporzionata al rischio
Non delegheremmo la stessa libertà a un agente che riordina documenti e a uno che invia offerte commerciali, modifica dati o autorizza una spesa. L’autonomia va calibrata in base all’impatto dell’errore.
Una scala utile può essere questa:
l’agente suggerisce;
l’agente prepara una bozza;
l’agente esegue dopo approvazione;
l’agente esegue autonomamente azioni reversibili;
l’agente opera in autonomia entro soglie, registri e controlli definiti.
OpenAI raccomanda di combinare controlli automatici e revisione umana: i guardrail e il controllo human-in-the-loop permettono di fermare o approvare le operazioni sensibili. Non è un freno all’innovazione. È ciò che rende possibile usare gli agenti in processi reali.
8. Sicurezza e dati non possono essere aggiunti alla fine
Un agente può ricevere testi ostili, interpretare male un’istruzione, usare lo strumento sbagliato o esporre dati non necessari. Tra i rischi principali ci sono prompt injection, permessi eccessivi, perdita di controllo sul flusso, allucinazioni e uso improprio delle informazioni aziendali.
Le difese essenziali includono:
privilegio minimo per strumenti e dati;
approvazione umana per azioni ad alto impatto;
separazione tra istruzioni affidabili e contenuti esterni;
registrazione delle azioni eseguite;
limiti di spesa, tempo e numero di operazioni;
test con casi normali, eccezioni e tentativi di manipolazione;
possibilità di interrompere e annullare il processo.
La guida di OpenAI sulla sicurezza nella costruzione degli agenti sottolinea che i dati non attendibili non dovrebbero controllare direttamente il comportamento del sistema. Microsoft ricorda inoltre che gli agenti operano con autorità delegata e possono influire su più sistemi aziendali: per questo servono politiche comuni di governance e sicurezza degli agenti AI.
9. Il valore si misura sul processo, non sulla spettacolarità della demo
Un agente che impressiona durante una presentazione può non essere utile in produzione. Il test serio riguarda affidabilità, qualità, tempo risparmiato, costo, numero di errori e capacità di gestire le eccezioni.
Prima di introdurre un agente in azienda conviene scegliere un processo:
ripetitivo ma non completamente rigido;
basato su informazioni accessibili e autorizzate;
con un risultato verificabile;
abbastanza frequente da produrre un beneficio misurabile;
con conseguenze limitate se qualcosa va storto.
Buoni casi iniziali sono la preparazione di report, la classificazione di richieste, la ricerca documentale, la creazione di bozze, l’aggiornamento assistito del CRM e il monitoraggio di fonti. Per un percorso più ampio puoi consultare il mio corso ChatGPT per aziende e professionisti.
10. Il vero valore non è sostituire le persone, ma ridisegnare il lavoro
La domanda meno utile è: “Quali lavori elimineranno gli agenti?”. Quella più produttiva è: “Quali passaggi del nostro lavoro possono essere delegati, quali devono restare umani e quali vanno riprogettati?”.
Gli agenti possono ridurre il lavoro amministrativo, collegare strumenti che oggi non comunicano, accelerare l’analisi e rendere operative informazioni disperse. Ma il valore nasce soltanto quando obiettivi, responsabilità e processi vengono ripensati.
Il professionista non sparisce. Cambia ruolo: definisce gli obiettivi, fornisce il contesto, imposta i limiti, controlla le eccezioni e valuta il risultato. In altre parole, passa dall’esecuzione di ogni singolo passaggio al governo del sistema.
Come introdurre un agente AI in azienda
Un percorso ragionevole può partire da cinque mosse:
scegliere un processo circoscritto, evitando di voler automatizzare subito un intero reparto;
mappare dati, strumenti e autorizzazioni necessari;
definire metriche di successo, come tempo, qualità, costo ed errori;
inserire approvazioni umane nei punti delicati;
testare, documentare e migliorare prima di aumentare l’autonomia.
Il principio guida è semplice: prima affidabilità, poi autonomia. Un agente poco spettacolare ma controllabile crea più valore di una demo brillante e imprevedibile.
Domande frequenti sugli agenti AI
Qual è la differenza tra chatbot e agente AI?
Il chatbot genera una risposta a una richiesta. L’agente persegue un obiettivo, decide una sequenza di azioni e può usare strumenti esterni per completare il compito.
Gli agenti AI lavorano completamente da soli?
Non necessariamente. Possono avere livelli di autonomia differenti. Nei processi sensibili è preferibile che preparino il lavoro e chiedano un’approvazione prima dell’azione finale.
Serve saper programmare per usare un agente?
Non sempre. Esistono piattaforme visuali e strumenti integrati nei software aziendali. Tuttavia, progettare processi affidabili richiede competenze su obiettivi, dati, permessi, controlli e valutazione dei risultati.
Quali attività conviene affidare per prime a un agente AI?
Attività frequenti, verificabili e a rischio contenuto: ricerca e sintesi, classificazione, preparazione di bozze, report periodici, monitoraggio e aggiornamento assistito di archivi o CRM.
Qual è il rischio più sottovalutato?
Concedere troppi permessi a un sistema non ancora abbastanza testato. La qualità del modello non sostituisce la progettazione dei limiti e delle approvazioni.
In conclusione
Gli agenti di intelligenza artificiale non sono semplicemente chatbot più potenti. Sono sistemi che collegano ragionamento e azione. Proprio per questo possono creare molto valore, ma anche amplificare errori, permessi sbagliati e processi mal progettati.
La domanda decisiva non è quanto un agente sia autonomo. È quanto sia utile, controllabile e coerente con gli obiettivi dell’organizzazione.
Vuoi progettare un laboratorio o un percorso aziendale sugli agenti AI? Scopri i miei corsi su ChatGPT, AI generativa e prompt engineering oppure contattami per costruire un intervento su casi d’uso reali della tua organizzazione.
Customer experience e AI funzionano insieme quando l’intelligenza artificiale aiuta a capire i clienti, preparare decisioni e lavorare meglio sulle relazioni. Servono dati leggibili, un obiettivo preciso, contesto e persone capaci di valutare il risultato. È il filo conduttore del mio intervento al webinar Customer Experience e Business Development ai tempi dell’AI, che si è svolto il 21 settembre 2026.
L’incontro è stato organizzato da Surwiz, in collaborazione con Crono e con Merakyn come media partner. Ho partecipato alla tavola rotonda insieme ad Alessandro Di Maio, cofondatore di Surwiz, e Alex Roggero, cofondatore di Crono. A moderare il confronto c’era Lorenzo D’Amelio di Merakyn.
Il mio contributo era quello di un formatore che incontra ogni giorno aziende e professionisti alle prese con questi strumenti: portare esempi, mettere in discussione qualche abitudine e mostrare come passare dall’esperimento occasionale a un uso consapevole dell’AI.
La registrazione del webinar
Qui trovi la registrazione completa. Nell’articolo riprendo i miei interventi e aggiungo un esercizio applicativo per tradurli nel lavoro quotidiano.
Customer experience e AI: avere tanti dati non basta
Lorenzo mi ha chiesto perché continuiamo ad associare l’abbondanza di dati alla qualità delle decisioni. Ho risposto partendo da una situazione che incontro spesso nei corsi: qualcuno mi descrive un problema e mi chiede come risolverlo con l’intelligenza artificiale. Poi scopro che gli serve soprattutto mettere ordine in quattro file e costruire una dashboard.
In quel caso può bastare un buon lavoro di business intelligence. La scelta dello strumento deve seguire il problema. Prima occorre capire quali informazioni abbiamo, quanto sono aggiornate e quale decisione vogliamo prendere. Altrimenti aggiungiamo un’interfaccia brillante sopra dati disordinati.
Nel webinar ho raccontato anche la distanza tra le realtà strutturate e quelle più piccole che incontro nella formazione. Alcune lavorano con sistemi integrati; altre si reggono ancora su fogli Excel e informazioni sparse. Il punto di partenza cambia parecchio.
L’AI può aiutare a interpretare quei materiali e a individuare piste di lavoro, soprattutto se conosce il contesto dell’azienda. Ma collegare un archivio non significa averne automaticamente risolto incoerenze, duplicati e lacune. Una risposta plausibile va sempre confrontata con le fonti.
Il metodo Socrate: fai fare le domande all’AI
Uno dei suggerimenti più pratici che ho dato è molto semplice: fatti intervistare dall’intelligenza artificiale. Passiamo tanto tempo a cercare la domanda perfetta, mentre spesso non abbiamo ancora chiarito abbastanza il problema.
Io chiamo questo approccio “Socrate”, con un po’ di ironia. Dai all’assistente un obiettivo e chiedigli di raccogliere da te le informazioni mancanti. L’accorgimento decisivo è aggiungere: fammi una domanda alla volta e aspetta la mia risposta. Altrimenti arriva un questionario infinito, non un dialogo.
Ecco una traccia operativa, rielaborata per questo articolo a partire dall’esempio del webinar:
Voglio capire perché alcuni clienti non rinnovano il nostro servizio. Aiutami a definire un’analisi utile. Prima di proporre soluzioni, intervistami: fammi una domanda alla volta e aspetta la mia risposta. Chiarisci obiettivo, tipo di clienti, dati disponibili, periodo osservato e vincoli. Distingui ciò che sappiamo dalle ipotesi. Alla fine proponi un piccolo piano di verifica, indicando quali informazioni mancano.
È un esercizio utile anche senza caricare subito documenti. Posso spiegare il problema, farmi aiutare a delimitarlo e decidere solo dopo quali dati siano necessari e utilizzabili. Le domande dell’assistente possono già farmi vedere un limite della mia impostazione.
Dal prompt al contesto: costruire un secondo cervello
Durante il confronto è tornata più volte l’idea del second brain, il secondo cervello. Nel mio intervento l’ho collegata a un assistente configurato sul nostro lavoro: sa chi siamo, quali obiettivi abbiamo e quali materiali può consultare.
Una richiesta isolata costringe il modello a riempire molti vuoti. Un contesto pertinente gli permette di lavorare su informazioni più utili. Questo richiede selezione: documenti corretti, istruzioni chiare e accessi coerenti con il compito. Riempire la conversazione di materiale a caso non è una strategia.
La distinzione è approfondita anche da Anthropic nella guida al context engineering per gli agenti AI: oltre al testo del prompt, conta l’insieme delle informazioni disponibili al sistema, compresi strumenti, documenti e cronologia.
Ho raccontato anche alcune mie sperimentazioni, dalla creazione di un videogioco didattico sui prompt a un prototipo di CRM costruito con l’aiuto dell’AI. Il valore di questi esempi sta nella possibilità di esplorare un’idea e verificarne l’utilità. Un prototipo, prima di diventare un sistema aziendale, richiede controlli su dati, accessi, affidabilità e manutenzione.
L’AI rende impersonale il rapporto con i clienti?
La domanda di Lorenzo toccava un’obiezione frequente: se usiamo tutti gli stessi strumenti, finiremo per comunicare tutti allo stesso modo? Nel webinar sono stato piuttosto provocatorio su questo punto. Se produciamo email intercambiabili, dobbiamo interrogarci su come stiamo usando lo strumento.
Ho indicato due ingredienti che possono cambiare il risultato: il nostro stile di scrittura e la conoscenza della relazione con il cliente. Da una parte esempi selezionati di come comunichiamo; dall’altra lo storico pertinente, il problema aperto, le richieste già fatte e gli impegni presi.
La personalizzazione utile consiste, per esempio, nel ricordare che un cliente ha già segnalato un disservizio e sta aspettando una risposta concreta. Mettere il suo nome in apertura non basta. Né serve una mail elegante che ignori tutto quello che è successo prima.
Su un piano più generale, lo studio Generative AI at Work di Erik Brynjolfsson, Danielle Li e Lindsey Raymond, disponibile anche su Microsoft Research, ha osservato benefici dall’assistenza generativa nel customer support, con risultati diversi a seconda dell’esperienza degli operatori. È un caso di ricerca specifico, non una promessa di produttività valida per qualsiasi azienda.
Il mio criterio resta molto concreto: il cliente riceve una risposta corretta, pertinente e capace di aiutarlo? Se abbiamo risparmiato cinque minuti ma gli abbiamo fatto perdere mezz’ora, abbiamo ottimizzato la cosa sbagliata.
Persone e agenti AI: come dividersi il lavoro
Alex Roggero ha portato nel confronto il tema del lavoro commerciale e della collaborazione tra persone e agenti. Mi sono agganciato a questo ragionamento insistendo sulla configurazione degli strumenti e sulla qualità del contributo umano.
Per chiarire cosa intendo, ho raccontato un episodio familiare: mia moglie, insegnante, doveva preparare un progetto per un bando scolastico. Abbiamo impostato un assistente sui materiali del bando, ottenuto una proposta e poi rivisto il testo. Lei ha modificato anche un’attività che non la convinceva. Il progetto è stato finanziato e, quando sono arrivati i complimenti, si è sentita a disagio per l’aiuto ricevuto dall’AI.
Per me quell’episodio mostra bene il lavoro che rischiamo di rendere invisibile: riconoscere l’opportunità, scegliere lo strumento, fornirgli i materiali, dare istruzioni, valutare la proposta e correggerla. L’approvazione finale richiede competenza e responsabilità. Questo vale anche per una risposta a un cliente o una proposta commerciale.
La guida di Anthropic Building effective agents distingue i flussi predefiniti dai sistemi in cui il modello sceglie dinamicamente passaggi e strumenti. Raccomanda di partire da soluzioni semplici e aggiungere complessità quando serve. È un criterio utile anche in azienda: prima definiamo il compito e come valutarlo, poi decidiamo quanta autonomia concedere.
Dati aziendali e AI: regole chiare prima degli automatismi
Un altro mio intervento ha riguardato l’uso non governato dell’AI, spesso chiamato shadow AI: le persone adottano strumenti per lavorare, ma l’organizzazione non sa quali informazioni vi inseriscono e con quali garanzie.
Ho suggerito di partire da strumenti scelti consapevolmente, un vademecum operativo e formazione. Nel ragionamento ho distinto materiali già pubblici, come una brochure, da procedure interne, contratti, informazioni sui clienti e dati particolarmente delicati. Metterli tutti nello stesso contenitore è un errore.
Le indicazioni pratiche che ricavo da quel passaggio sono queste:
Stabilire quali strumenti e account usare. Valutare condizioni del servizio, trattamento dei dati, accessi e configurazioni con chi ne ha la competenza in azienda. Un abbonamento a pagamento, da solo, non certifica la conformità di qualsiasi utilizzo.
Caricare il minimo necessario. Se basta un campione depurato dei dati personali, partire da quello. Anche anonimizzazione e soluzioni locali richiedono verifiche: non sono scorciatoie che eliminano ogni rischio.
Separare l’uso professionale da quello personale. Durante il webinar ho evocato la serie Severance proprio per rendere memorabile questa separazione. Materiali di lavoro e account personali non devono mescolarsi senza controllo.
Formare le persone sui casi reali. Quali documenti posso usare? Quali output devo controllare? Quando devo chiedere aiuto? Un vademecum funziona se permette di rispondere a queste domande.
Per approfondire, le FAQ della Commissione europea sull’alfabetizzazione AI collegano le competenze al contesto d’uso e ai rischi. È un riferimento utile per impostare la formazione, da affiancare alla valutazione delle regole applicabili alla propria organizzazione.
Decidere più velocemente significa decidere meglio?
La domanda conclusiva di Lorenzo era volutamente scomoda: l’AI ci aiuta a capire meglio i clienti oppure accelera le decisioni sbagliate?
Ho risposto distinguendo velocità di esecuzione e qualità del lavoro. Un report pronto in mezz’ora invece che in dieci ore può essere un progresso enorme. Bisogna però verificare che mantenga profondità, accuratezza e comprensione del problema.
Nel caso dei clienti, l’AI può aiutare a sintetizzare recensioni, analizzare ticket, individuare ricorrenze e suggerire azioni. Se il campione è incompleto, vecchio o rappresenta soltanto una parte della clientela, rischiamo di accelerare un’analisi già distorta in partenza. A questo si aggiungono gli errori del modello e le informazioni inventate.
Ho chiuso con una battuta che sintetizza bene il mio intervento: prima dell’AI potevamo capire male il cliente lentamente; oggi possiamo capirlo male in tempo reale.
Un esercizio per portare questi spunti in azienda
Per applicare il rapporto tra customer experience e AI, propongo di iniziare da un problema circoscritto. Per esempio: capire perché un gruppo di clienti ha chiesto più volte assistenza sullo stesso passaggio. Questo esercizio è un’elaborazione pratica dei temi discussi, non un caso aziendale raccontato nel webinar.
Definisci la decisione. Vuoi riscrivere una procedura, correggere una comunicazione o approfondire un problema del servizio?
Seleziona i materiali utilizzabili. Scegli un periodo, chiarisci cosa manca e prepara i dati secondo le regole aziendali.
Fatti intervistare. Usa il metodo Socrate per far emergere obiettivi, vincoli e ipotesi implicite.
Chiedi un’analisi verificabile. Per ogni tema emerso, fatti indicare i riscontri nei materiali e le informazioni mancanti. Tieni separate evidenze e interpretazioni.
Controlla e prova un’azione. Confronta l’analisi con chi gestisce quei clienti, scegli un intervento limitato e stabilisci come capire se ha funzionato.
È così che vedo il valore dell’intelligenza artificiale nella relazione con i clienti: un aiuto a fare domande più precise, comprendere meglio le informazioni e preparare azioni che qualcuno sappia valutare. Sono temi su cui lavoro anche nel mio corso ChatGPT per aziende e professionisti, adattando esempi ed esercizi ai processi reali dei partecipanti.
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.
https://www.gianluigibonanomi.com/wp-content/uploads/2026/09/customer-experience-ai.webp9001600Gianluigi Bonanomihttps://www.gianluigibonanomi.com/wp-content/uploads/2018/10/bonanomi_logo_156.pngGianluigi Bonanomi2026-09-23 18:08:412026-09-23 18:35:47Customer experience e AI: dal prompt alle decisioni (il mio intervento al webinar di Surwiz)
L’AI Academy Odpiù è un percorso pratico di intelligenza artificiale per rivenditori, guidato da me in collaborazione con Odpiù: tre incontri dedicati agli strumenti AI, all’integrazione commerciale e operativa e allo sviluppo delle vendite. Il corso si articola nelle sessioni del 22 e 30 settembre e del 5 ottobre 2026, dalle 14:30 alle 18:00, per un totale di 10 ore e mezza.
Un catalogo da consultare, un’offerta da preparare, un cliente che chiede un confronto tra prodotti. Quando progetto un corso sull’intelligenza artificiale per i rivenditori, parto da queste situazioni. La domanda che mi interessa è concreta: come possiamo usare l’AI per lavorare meglio domattina?
È con questo approccio che abbiamo costruito l’AI Academy powered by Odpiù. Il primo appuntamento, “I Fondamentali dell’AI per il Rivenditore”, si è svolto il 22 settembre. I partecipanti hanno lavorato direttamente dal proprio computer, sperimentando strumenti, prompt ed esempi da riportare in azienda.
Il post di Odpiù sul primo incontro dell’AI Academy
Nel post dedicato alla prima sessione, Odpiù racconta un pomeriggio di lavoro sugli strumenti AI, sulla loro configurazione e sulle applicazioni per semplificare le attività quotidiane. Riporto qui il post originale, con la fotografia del corso.
Il post di Odpiù sul primo incontro dell’AI Academy, con la fotografia della formazione in aula.
Perché un’AI Academy per i rivenditori
Odpiù opera nella distribuzione di prodotti per gli ambienti di lavoro e affianca all’offerta commerciale servizi di marketing, logistica, strumenti digitali e formazione per i rivenditori. L’Academy si inserisce in questo contesto: aiutare le aziende clienti a sviluppare competenze utilizzabili nelle proprie attività.
Nella presentazione pubblica dell’AI Academy, Odpiù richiama tre esigenze: preparare offerte commerciali, realizzare campagne di comunicazione e analizzare i dati d’acquisto dei clienti. Sono esempi che spiegano il taglio dell’iniziativa, pensata come laboratorio pratico per le imprese del settore.
Per chi vende, il valore di una formazione sull’AI va cercato proprio qui. Quanto è utile il risultato? Quali informazioni servono per ottenerlo? Quali controlli devo fare prima di inviarlo a un cliente? Sono le domande che ho voluto mettere al centro del percorso.
AI Academy Odpiù: programma e calendario del corso
Data
Modulo
Obiettivo
22 settembre 2026
14:30-18:00
I Fondamentali dell’AI per il Rivenditore
Conoscere gli strumenti e iniziare a usarli nelle attività quotidiane
30 settembre 2026
14:30-18:00
Integrazione Commerciale e Operativa
Applicare l’AI a documenti, informazioni e processi commerciali
5 ottobre 2026
14:30-18:00
Sviluppo del Business e Vendite
Lavorare su ricerca clienti, comunicazione e preparazione della vendita
La progressione accompagna i partecipanti dalla familiarità con gli strumenti alla costruzione di applicazioni legate al proprio lavoro.
Il primo incontro: strumenti aperti e prove dal proprio PC
Il 22 settembre siamo partiti dai fondamentali dell’intelligenza artificiale generativa e dal suo utilizzo professionale. Come racconta il post di Odpiù, ogni partecipante ha lavorato dal proprio computer: un aspetto essenziale dell’impostazione didattica.
Nel programma del modulo abbiamo previsto casi vicini al lavoro del rivenditore: preparare documentazione commerciale, costruire schede prodotto, tradurre materiali, impostare presentazioni e lavorare sulle richieste dei clienti.
Il criterio con cui propongo questi utilizzi è semplice: il risultato dell’AI è materiale da valutare, correggere e completare. Un’offerta commerciale, per esempio, deve rispettare prezzi, condizioni e caratteristiche reali dei prodotti. La scorrevolezza del testo è soltanto una parte del lavoro.
Dalla teoria alla pratica: illustrazione realizzata con AI per rappresentare l’approccio laboratoriale del percorso.
Il secondo incontro: interrogare documenti e dare contesto all’AI
Il 30 settembre il percorso proseguirà con “Integrazione Commerciale e Operativa”. Entreremo nel lavoro sulle informazioni: cataloghi, listini, manuali, schede tecniche e documenti aziendali. Il programma prevede esercitazioni sul confronto tra documenti, sull’analisi di tabelle e sulla costruzione di una base di conoscenza da consultare.
Dedicheremo spazio anche al prompt engineering e al contesto da fornire agli strumenti. Ho inserito nel percorso il mio metodo G.O.L., insieme a esercizi che aiutano a precisare obiettivi, vincoli e forma del risultato.
Pensiamo a una richiesta come “Confronta questi prodotti”. Per renderla utile dobbiamo chiarire quali caratteristiche contano per il cliente, quali fonti utilizzare e come segnalare le informazioni mancanti. Un possibile esercizio è questo:
Usa esclusivamente le schede prodotto allegate. Confronta i tre articoli in una tabella, indicando caratteristiche, differenze e possibili impieghi. Quando un’informazione non è presente, scrivi “dato non disponibile”. Concludi con le domande da fare al cliente prima di formulare una proposta.
L’obiettivo didattico è imparare a costruire richieste verificabili e riutilizzabili.
Il terzo incontro: sviluppo del business e preparazione commerciale
Il 5 ottobre lavoreremo su “Sviluppo del Business e Vendite”. Il programma comprende ricerca di potenziali clienti, analisi dei competitor, preparazione delle visite commerciali e produzione di contenuti per email, newsletter, sito e social.
Una parte del lavoro sarà dedicata alla personalizzazione della comunicazione e alla gestione delle obiezioni. Ho previsto tecniche come SWOT, AIDA e analisi da più punti di vista, applicate a situazioni commerciali.
Un esercizio che propongo è usare l’AI per simulare un interlocutore: un cliente attento soprattutto al prezzo, un responsabile acquisti che chiede elementi di confronto, un prospect che non vede ancora il valore della proposta. Lo scopo è allenare il commerciale a preparare domande e argomentazioni.
Nel percorso è prevista anche un’introduzione agli assistenti personalizzati e agli agenti AI, collegandoli a possibili attività di supporto alle vendite e alla gestione delle informazioni.
Il lavoro comincia prima dell’aula
La preparazione dell’Academy ha incluso un confronto con il team Odpiù sui contenuti, sui profili e sulle aspettative dei partecipanti. Ho personalizzato i materiali per il target, mentre gli organizzatori hanno raccolto informazioni utili a orientare il percorso.
Questo passaggio permette di scegliere esempi comprensibili e di dare priorità alle esigenze di chi sarà in aula. È il metodo che adotto anche nel mio corso ChatGPT per aziende e professionisti: partire da ruoli, documenti e attività per costruire esercitazioni pertinenti.
Privacy, errori e verifica fanno parte del programma
Nei materiali preparati per l’Academy trovano spazio anche allucinazioni, controllo delle risposte, privacy, anonimizzazione e uso dei dati aziendali. Per me sono competenze da esercitare insieme alla scrittura dei prompt.
Quando si lavora su una scheda tecnica, bisogna poter risalire alla fonte. Quando si prepara una comunicazione commerciale, bisogna controllare che non contenga promesse o condizioni mai concordate. Propongo quindi di accompagnare ogni esercizio con alcune domande:
Quali dati abbiamo fornito?
Che cosa manca?
Quali elementi richiedono una verifica?
Chi approva il risultato prima che venga utilizzato?
Il traguardo è sviluppare autonomia di giudizio nell’uso degli strumenti.
Una testimonianza dall’AI Academy
Andrea Bertoli, raccontando il primo appuntamento dell’AI Academy, ha sintetizzato così il senso del percorso: «Guardare avanti è una scelta di metodo, non di moda».
Nel suo post su LinkedIn del 24 settembre 2026 descrive un pomeriggio intenso e ricco di contenuti sull’intelligenza artificiale applicata al settore e cita il mio intervento sui fondamentali dell’AI per il rivenditore.
La testimonianza di Andrea Bertoli sul primo incontro dell’AI Academy Odpiù.
È una testimonianza che mi fa piacere perché coglie il punto centrale del corso: non inseguire la tecnologia del momento, ma costruire un metodo per usarla in attività reali, verificabili e utili al lavoro quotidiano.
Dalla prima prova a un’abitudine di lavoro
La mia proposta ai partecipanti è scegliere un’attività ricorrente e iniziare da quella: una scheda prodotto, la preparazione di un incontro, il confronto tra documenti, una comunicazione da personalizzare. Si costruisce una procedura, la si prova, si controlla il risultato e si capisce dove migliorarla.
Grazie al team Odpiù per la progettazione del percorso e ai partecipanti per essersi messi alla prova. Il prossimo appuntamento è il 30 settembre, per proseguire con l’integrazione commerciale e operativa. Per informazioni sull’Academy, il riferimento indicato dagli organizzatori è il proprio commerciale Odpiù.
https://www.gianluigibonanomi.com/wp-content/uploads/2026/09/ai-academy-odpiu-bonanomi.webp9001600Gianluigi Bonanomihttps://www.gianluigibonanomi.com/wp-content/uploads/2018/10/bonanomi_logo_156.pngGianluigi Bonanomi2026-09-23 17:25:042026-09-26 21:50:30AI Academy Odpiù: il corso AI per rivenditori
Se il tuo account ChatGPT è stato bloccato perché non hai completato in tempo la verifica dell’età, puoi tentare la riattivazione seguendo la procedura ufficiale collegata da OpenAI. In Italia, il percorso di recupero di un account già disattivato passa da Stripe. Se invece l’account è ancora attivo e vuoi confermare di avere almeno 18 anni, la verifica si avvia da ChatGPT e viene gestita da Persona.
La distinzione è importante: Stripe serve a recuperare l’accesso dopo la disattivazione per mancata verifica; Persona serve alla verifica dell’età su un account attivo e può rimuovere le protezioni dell’esperienza ChatGPT per adolescenti. In questa guida trovi entrambi i percorsi, spiegati passo a passo e con i collegamenti ufficiali.
Soluzione rapida
Prova ad accedere a ChatGPT con l’account bloccato.
Nella schermata di disattivazione seleziona Verifica la tua età.
Prova ad accedere nuovamente. Se il blocco rimane, contatta l’assistenza OpenAI.
Account ChatGPT bloccato per verifica dell’età: che cosa significa
OpenAI può richiedere la verifica dell’età per rispettare i requisiti legali applicabili in determinate aree geografiche. Se l’avviso indica una scadenza obbligatoria e la procedura non viene completata entro il termine mostrato, l’accesso può essere limitato fino alla verifica. Lo spiega la guida ufficiale “Perché mi viene chiesto di verificare la mia età?”.
Questo caso non va confuso con l’esperienza ChatGPT per gli adolescenti. OpenAI può stimare che un account appartenga a una persona minore di 18 anni e applicare protezioni aggiuntive. In questa situazione l’account può restare attivo, ma alcune funzioni o tipologie di contenuto possono essere limitate. La pagina ufficiale sulla verifica dell’età in ChatGPT descrive il funzionamento e permette agli adulti classificati per errore come minorenni di verificare l’età.
Cosa serve per recuperare l’account ChatGPT
Prima di iniziare, prepara questi elementi:
L’indirizzo e-mail esatto dell’account OpenAI. Non usare un indirizzo alternativo “simile”.
L’indirizzo Apple Private Relay, se hai creato l’account con “Accedi con Apple” e hai scelto “Nascondi la mia e-mail”.
Un documento d’identità valido e non scaduto, nel caso venga richiesto durante il recupero.
Uno smartphone o un computer con fotocamera, utile se il flusso disponibile richiede un selfie dal vivo.
Una connessione stabile e immagini nitide, senza riflessi e con il documento completamente visibile.
Per la procedura con Persona, in Italia possono essere richiesti un selfie dal vivo, un documento rilasciato da un’autorità pubblica oppure entrambi. OpenAI cita come esempi patente, passaporto e carta d’identità, precisando che i documenti accettati possono variare in base al Paese.
Come recuperare un account ChatGPT disattivato: procedura passo a passo
1. Prova ad accedere dal browser
Apri ChatGPT sul web e usa lo stesso metodo di accesso impiegato in origine: e-mail e password, Google, Microsoft oppure Apple. Se compare la schermata che segnala la disattivazione, cerca il comando Verifica la tua età.
Attenzione alle imitazioni: non cercare “verifica età ChatGPT” tra annunci, messaggi privati o siti sconosciuti. Non inviare mai password, codici monouso o documenti tramite e-mail a indirizzi non verificati.
3. Inserisci l’e-mail corretta
Digita l’indirizzo collegato al tuo account OpenAI. Se hai utilizzato “Nascondi la mia e-mail” di Apple, devi indicare l’indirizzo Private Relay assegnato da Apple, non necessariamente il tuo indirizzo personale visibile.
Questo è uno degli errori più comuni: la verifica può essere completata correttamente, ma associata a un indirizzo diverso da quello dell’account bloccato.
4. Completa il controllo richiesto
Segui le istruzioni visualizzate. Se viene richiesto un documento, usa un documento valido, non scaduto e leggibile. Evita fotografie tagliate, sfocate o con riflessi. Se il sistema richiede un selfie, consenti l’uso della fotocamera e posizionati in un ambiente illuminato.
Gli utenti maggiorenni devono eseguire personalmente la verifica. Per gli utenti tra 13 e 17 anni, la procedura di recupero deve essere completata da un genitore o tutore usando l’e-mail dell’utente. Il Centro assistenza OpenAI precisa inoltre che ChatGPT non è destinato ai minori di 13 anni e che tra 13 e 18 anni è richiesto il consenso di un genitore o tutore, come indicato nella pagina “Is ChatGPT safe for all ages?”.
5. Controlla la conferma di invio
Al termine della procedura Stripe dovrebbe apparire una schermata che conferma l’invio dei documenti. Se vedi un errore, una schermata diversa o chiudi la pagina prima della conferma, l’invio potrebbe non essere stato completato. La pagina OpenAI spiega cosa succede dopo l’invio del documento.
6. Attendi l’elaborazione e riprova l’accesso
OpenAI indica che la convalida dei documenti richiede solitamente alcune ore, ma nella guida specifica al recupero avverte che l’elaborazione può richiedere alcuni giorni e che l’e-mail di conferma potrebbe non arrivare subito. Non ripetere dieci volte la procedura in pochi minuti: rischi solo di confondere il problema.
Dopo la conferma positiva, prova ad accedere di nuovo con lo stesso metodo usato in origine.
Hai recuperato l’account, ma ChatGPT ti considera minorenne?
Il recupero Stripe ripristina l’accesso, ma non modifica automaticamente lo stato usato per l’esperienza ChatGPT per adolescenti. Se hai almeno 18 anni e vuoi rimuovere quelle protezioni, procedi così:
Accedi a ChatGPT sul web.
Apri Impostazioni.
Entra nella sezione Account.
Seleziona Verifica età.
Completa i passaggi proposti da Persona.
Puoi anche partire dalla pagina chatgpt.com/verify_age dopo aver effettuato l’accesso. OpenAI ha descritto pubblicamente il proprio sistema di stima dell’età e il percorso di correzione per gli adulti nella pagina “Our approach to age prediction”.
Cosa fare se la verifica dell’età non funziona
Il link è scaduto o non si apre
Non serve recuperare obbligatoriamente la vecchia e-mail. Riapri la procedura dal link Stripe presente nella guida ufficiale OpenAI. Se non funziona, passa all’assistenza.
Compare “Riprova più tardi”
Secondo OpenAI, il messaggio può comparire quando la verifica viene avviata e poi interrotta prima del completamento. Riparti seguendo le istruzioni mostrate sullo schermo.
Compare “Contatta l’assistenza”
Potresti aver raggiunto il limite dei tentativi non riusciti. Non cercare scorciatoie e non aprire un secondo account pensando di recuperare automaticamente chat, abbonamento o dati del primo. Apri help.openai.com e usa il fumetto della chat in basso a destra.
Nella richiesta di assistenza indica:
una descrizione sintetica del blocco;
l’e-mail dell’account e il metodo di accesso usato;
data e ora del problema, con il fuso orario;
browser, sistema operativo e dispositivo;
uno screenshot del messaggio, senza dati sensibili;
il piano ChatGPT, se a pagamento.
Questi elementi riprendono le indicazioni ufficiali per contattare il supporto OpenAI. Non condividere password, codici temporanei o immagini del documento nella normale chat di assistenza, salvo che una procedura ufficiale e protetta lo richieda espressamente.
Privacy: chi vede il documento e per quanto tempo?
Per la verifica con Persona, OpenAI dichiara di non ricevere il documento d’identità né il selfie. Riceve soltanto le informazioni sull’età necessarie a determinare l’esperienza corretta dell’account, per esempio la conferma dei 18 anni o la data di nascita. Persona dichiara di eliminare il documento o il selfie caricato entro sette giorni dalla verifica.
Per il percorso Stripe, la guida OpenAI successiva all’invio afferma che i dati del documento vengono eliminati subito dopo il completamento del processo di verifica dell’età. Poiché i due flussi hanno fornitori e finalità diverse, conviene leggere l’informativa mostrata nella procedura che compare sul proprio schermo prima di confermare.
Errori da evitare
Usare un’e-mail diversa da quella dell’account bloccato.
Dimenticare l’indirizzo Apple Private Relay.
Caricare un documento scaduto, tagliato o illeggibile.
Chiudere la pagina prima della conferma finale.
Ripetere molti tentativi consecutivi dopo un errore.
Confondere il recupero tramite Stripe con la verifica 18+ tramite Persona.
Affidarsi a link ricevuti da sconosciuti o sponsorizzati.
Domande frequenti sulla verifica dell’età di ChatGPT
Posso riattivare l’account se la vecchia e-mail di verifica è scaduta?
Sì. OpenAI indica che la procedura Stripe può essere riavviata anche senza accedere e senza recuperare l’e-mail originale. Devi però usare l’indirizzo associato all’account.
Quanto tempo serve per riavere l’account?
La convalida richiede spesso alcune ore, ma OpenAI avverte che il recupero può richiedere alcuni giorni. Se, dopo la verifica positiva, l’account resta bloccato per diverse ore, contatta l’assistenza.
Serve sempre un documento?
Dipende dal flusso e dal Paese. Persona può proporre un selfie dal vivo, un documento pubblico oppure entrambi. Nella procedura di recupero Stripe può essere richiesto un documento valido e non scaduto.
Un genitore può verificare l’età al posto di un ragazzo?
Per il recupero di un account disattivato appartenente a un utente tra 13 e 17 anni, OpenAI richiede che la verifica sia completata da un genitore o tutore usando l’e-mail dell’utente. La procedura per correggere la classificazione dell’età nell’esperienza ChatGPT per adolescenti è invece personale e segue le istruzioni mostrate nell’account.
La verifica cancella le mie chat?
Le pagine ufficiali consultate descrivono il ripristino dell’accesso, ma non garantiscono in modo esplicito che ogni contenuto dell’account venga conservato in tutti i casi. Se le conversazioni non ricompaiono dopo la riattivazione, segnala il problema al supporto indicando l’account corretto.
Posso fare tutto dall’app?
Per ridurre gli errori, consiglio di iniziare dal browser: la procedura ufficiale per la verifica 18+ indica espressamente l’accesso a ChatGPT sul web. Il recupero dell’account disattivato può invece partire anche dal link Stripe.
Una precauzione per il futuro
Quando ChatGPT mostra una richiesta obbligatoria di verifica, non rimandarla fino all’ultimo giorno. Controlla prima quale e-mail è associata all’account, verifica il metodo di accesso e salva il link del Centro assistenza OpenAI. Cinque minuti di controllo evitano ore di panico quando l’account contiene mesi di conversazioni e lavoro.
