Un corso su LinkedIn e AI dovrebbe insegnare a migliorare profilo, contenuti e relazioni, ma anche a verificare le presunte regole dell’algoritmo. L’intelligenza artificiale può aiutarti a organizzare le idee e scrivere meglio. Non conosce, per questo, una formula segreta per moltiplicare la visibilità.

Mi è stata sottoposta un’infografica intitolata How the LinkedIn algorithm works in 2026. Sette riquadri, numeri precisi, promesse rassicuranti. I primi 90 minuti deciderebbero tutto. Un salvataggio varrebbe cinque like. Un commento da otto a quindici. Sembra il listino della borsa delle interazioni.

Ho controllato le sette affermazioni confrontandole con documentazione tecnica, paper e benchmark. Il risultato è una guida pratica per chi cerca “LinkedIn AI corso” e vuole imparare un metodo verificabile. Per cominciare dalle basi, trovi anche il mio videocorso LinkedIn gratuito sull’ottimizzazione del profilo.

Verifica delle fonti: 20 settembre 2026. Le valutazioni riguardano le informazioni pubbliche consultate, non il codice interno di LinkedIn. Gli esempi didattici sono dichiarati come tali.

L’infografica sull’algoritmo LinkedIn 2026: verifica delle sette affermazioni

Una distinzione preliminare: “non verificato” non significa automaticamente “falso”. Significa che non ho trovato una fonte adeguata per presentare quella frase come un fatto. Un benchmark, inoltre, descrive un campione: non rivela da solo il funzionamento del ranking.

Affermazione dell’infografica Esito della verifica Come usarla correttamente
Il 70% della reach si decide nei primi 60-90 minuti; commenti e salvataggi iniziali decidono la distribuzione. Percentuale e finestra decisiva non documentate nelle fonti consultate. Rispondere quando si è disponibili è una scelta organizzativa. Non esiste qui una prova che il post scada dopo 90 minuti.
Un salvataggio vale 5 like e 2 commenti; i contenuti salvabili ottengono più distribuzione di qualsiasi altro contenuto. Moltiplicatori non verificati. Anche il primato assoluto è privo di prova. Creare risorse utili ha senso. Non attribuire loro un rendimento algoritmico fisso.
I commenti valgono 8-15 like; quelli articolati segnalano conversazioni autentiche, mentre “Great post!” viene escluso dalla distribuzione. Pesi non verificati. La preferenza per contributi sostanziali è coerente con le comunicazioni della piattaforma; l’esclusione automatica di una frase breve non è dimostrata. Aggiungere un esempio, una domanda pertinente o un’obiezione motivata.
Il tempo di permanenza conta più dei like; 60 secondi di lettura battono 50 like con letture da 3 secondi. Segnale reale, confronto numerico non provato. Favorire comprensione e utilità senza allungare artificialmente i testi.
360Brew legge headline, informazioni ed esperienze prima di distribuire ogni post; un profilo vago riduce sempre la reach. Attribuzione a 360Brew non giustificata. Il ruolo dei segnali di profilo va distinto dalla presunta penalità universale. Rendere chiaro il proprio lavoro ai lettori, evitando promesse sul ranking.
I documenti hanno engagement medio del 6,6%, il più alto del 2026; sfogliarli aumenta il dwell time e il valore algoritmico. Dato rintracciabile, generalizzazione scorretta. Il 6,6% compare nel Q2 2026 di Socialinsider, con i multi-immagine al 6,9%. Il meccanismo causale non è provato dal benchmark. Distinguere periodo, campione, formato e metrica.
La coerenza tematica batte la dimensione della rete; cambiare argomento confonde 360Brew. Consiglio editoriale trasformato in legge. Nessuna prova di questo confronto universale. Scegliere temi riconoscibili e sperimentare collegamenti pertinenti.

C’è persino un problema di coerenza interna. Se un salvataggio equivale a cinque like e a due commenti, un commento dovrebbe valere 2,5 like. Il riquadro successivo ne indica da otto a quindici. Senza spiegare contesti diversi, i due conti non tornano. Questo non dimostra quali siano i pesi reali: dimostra che quei numeri non possono essere utilizzati insieme come una formula.

360Brew e Feed SR: che cosa dicono davvero i paper

Il paper su 360Brew di Hamed Firooz e colleghi, presentato nel gennaio 2025, descriveva un modello di ricerca pre-production da 150 miliardi di parametri. La scheda arXiv segnala il ritiro; la nota amministrativa riguarda il diritto del depositante ad accettare la licenza. Il ritiro, da solo, non dimostra che i risultati tecnici fossero sbagliati. Ma quel documento non autorizza a descrivere 360Brew come il motore che decide oggi la visibilità di ogni post.

Screenshot arXiv: avviso di ritiro e titolo del paper 360Brew
Estratto della scheda arXiv di 360Brew, consultata il 20 settembre 2026. L’avviso di ritiro è visibile sopra il titolo.

Un riferimento più pertinente è An Industrial-Scale Sequential Recommender for LinkedIn Feed Ranking, di Lars Hertel, Gaurav Srivastava e colleghi. La versione consultata è del 16 settembre 2026. Gli autori descrivono Feed Sequential Recommender, o Feed SR, e dichiarano l’impiego sulla maggior parte del traffico del feed. Riportano test A/B con un aumento del 2,10% del tempo trascorso e del 3,52% della metrica che raggruppa like, commenti e ricondivisioni rispetto al modello precedente.

Sono risultati del sistema nel suo insieme. Non significano che un tuo post guadagnerà il 3,52%, né che un commento abbia un valore fisso. Il paper descrive una sequenza di interazioni e previsioni di azioni: non un tariffario pubblico per creator.

Screenshot arXiv del paper su Feed SR con revisione del 16 settembre 2026
La scheda del paper su Feed SR: titolo e data della revisione consultata.

La spiegazione ufficiale Engineering the next generation of LinkedIn’s Feed, firmata da Hristo Danchev il 12 marzo 2026, distingue la selezione dei contenuti candidati dal loro ordinamento. Descrive modelli che utilizzano significato dei contenuti, segnali professionali del lettore e storia delle interazioni. Gli aggiornamenti possono riguardare anche post già esistenti che ricevono nuove interazioni. Non pubblica la regola del “70% entro 90 minuti”.

Attenzione anche a una confusione frequente: i dati del tuo profilo che aiutano a personalizzare ciò che leggi non dimostrano automaticamente una penalità per ciò che pubblichi. Una headline chiara resta una buona scelta di comunicazione. Per esempio, “Consulente commerciale per aziende manifatturiere” permette a un potenziale cliente di orientarsi meglio di “Professionista appassionato di sfide”.

Tempo di lettura e commenti: i segnali esistono, i moltiplicatori no

Il tempo di permanenza non è un’invenzione dell’infografica. In Understanding dwell time to improve LinkedIn feed ranking, del 12 maggio 2020, il team di LinkedIn spiega l’uso del dwell time nel feed e dopo il clic, anche per individuare contenuti rapidamente saltati. È una fonte tecnica storica, non una descrizione completa del sistema del 2026. Non stabilisce l’equivalenza “60 secondi battono 50 like”.

La mia indicazione pratica: togli attriti alla lettura. Una spiegazione può richiedere dieci righe o dieci slide. Se aggiungo sette slide vuote per trattenere le persone, sto progettando un ostacolo, non una lezione.

Sull’autenticità c’è una comunicazione più recente: Keeping conversations real on LinkedIn, di Laura Lorenzetti, pubblicata il 20 maggio 2026. LinkedIn ammette l’uso dell’AI come supporto alla scrittura, ma annuncia interventi sui contenuti generici, sulle risposte che ripetono il post e sui commenti automatizzati su larga scala. Non dice che ogni ringraziamento breve sia falso.

Esempio didattico: sotto un post sulla formazione aziendale, “Concordo, tema fondamentale” aggiunge poco. “Nel tuo esempio manca il tempo per verificare l’output: come lo includeresti nell’esercitazione?” apre una questione precisa. Non servono cinque frasi quando ne basta una utile.

Il 6,6% dei documenti LinkedIn: leggere bene un benchmark

Il report LinkedIn Benchmarks 2026 di Socialinsider permette di rintracciare quel numero: nell’aggiornamento del secondo trimestre 2026 i documenti nativi sono al 6,6% di engagement medio, mentre i post multi-immagine sono al 6,9%. La tabella annuale indica invece il 7% per i documenti sui dati 2025.

La metodologia annuale dichiara 1,3 milioni di post di 16.645 pagine aziendali, tra gennaio 2024 e dicembre 2025. La pagina aggiunge aggiornamenti trimestrali, ma non si può attribuire automaticamente al solo Q2 l’intero campione annuale. Il tasso è calcolato rispetto alle impression, non ai follower. Sono dati osservazionali di un fornitore di analytics, non un esperimento causale di LinkedIn sui profili personali.

Un PDF e un album di immagini sono inoltre formati distinti. Dire “i caroselli fanno sempre il 6,6%” perde queste differenze. Per scegliere, partirei dalla domanda del lettore: un procedimento può diventare un documento; una visita a uno stabilimento può essere raccontata con fotografie. Misurerei poi i risultati sul mio pubblico.

LinkedIn e AI: corso pratico in cinque esercizi

La parte utile comincia qui. Propongo un piccolo laboratorio per consulenti, commerciali, professionisti e responsabili marketing. Puoi svolgerlo con un assistente AI testuale, usando materiali che hai titolo a condividere. Gli output sono bozze da controllare prima della pubblicazione.

1. Migliorare il profilo partendo da prove

Raccogli il testo attuale del profilo, una descrizione dei servizi e due esperienze documentate. Chiedi una diagnosi prima della riscrittura.

Agisci come un revisore del mio profilo LinkedIn. Il pubblico è [target] e voglio essere riconoscibile per [competenza]. Analizza headline, informazioni ed esperienze che incollo. Indica cinque passaggi generici e le domande necessarie per renderli concreti. Proponi tre headline usando solo le informazioni presenti. Non inventare clienti, certificazioni, anni di esperienza o risultati. Segna con [DA VERIFICARE] ciò che manca.

Esempio didattico: per un professionista che lavora realmente con PMI manifatturiere, “Aiuto le PMI manifatturiere a organizzare il processo commerciale” è una proposta più comprensibile di “Sales ninja orientato al successo”. Va usata soltanto se descrive ciò che fa davvero.

Per rivedere le basi prima di usare l’AI, il mio videocorso LinkedIn gratis offre dieci videopillole su profilo, posizionamento, keyword, esperienze e networking. È una base sul profilo; gli esercizi di questo articolo aggiungono il lavoro con l’AI.

2. Trasformare un’esperienza in un post verificabile

Parti da appunti reali: una domanda ricevuta, un errore corretto, una scelta progettuale. Un aneddoto inventato resta inventato anche se il chatbot lo racconta bene.

Trasforma questi appunti in una bozza LinkedIn per [pubblico]. Mantieni il mio punto di vista: [tesi]. Struttura: problema concreto, esempio, limite, domanda finale pertinente. Massimo 1.300 caratteri. Niente emoji, superlativi o statistiche aggiunte. Non attribuirmi esperienze assenti dagli appunti. Elenca separatamente le affermazioni da verificare e conserva i link alle fonti che ti fornisco.

Controllo finale: saprei rispondere se qualcuno mi chiedesse come ho ottenuto quel dato? Se no, cerco la fonte o elimino il dato. Se l’episodio contiene informazioni riservate di un cliente, preparo un esempio anonimo o un caso esplicitamente ipotetico.

3. Progettare un documento utile da conservare

Esempio didattico per un consulente AI: un PDF intitolato “Cinque controlli prima di usare un documento aziendale con un chatbot”. Ogni pagina contiene un controllo, una domanda e un esempio. Il formato segue il lavoro da svolgere.

Progetta una scaletta di sei slide sul tema [tema] per [pubblico]. Usa soltanto le fonti e gli appunti allegati. Per ogni slide scrivi titolo, messaggio principale, esempio e fonte, se necessaria. La prima deve spiegare l’utilità del documento; l’ultima deve contenere una checklist. Segnala informazioni mancanti. Evita slide riempitive e promesse di performance.

Prima di caricarlo, leggi il PDF sul telefono. Controlla dimensioni del testo, contrasto, ordine delle pagine e leggibilità dei collegamenti. Un contenuto “salvabile” deve essere utilizzabile anche domani.

4. Preparare una conversazione senza automatizzare il rapporto

L’AI può aiutarti a capire un testo prima di intervenire. La risposta pubblica deve riflettere ciò che pensi e conosci.

Riassumi la tesi di questo post in due frasi. Individua una domanda rimasta aperta e un possibile limite. Proponi tre spunti per un commento, senza scriverli come mie esperienze. Non fingere che conosca l’autore. Aspetta che io scelga lo spunto e aggiunga il mio punto di vista.

La verifica è semplice: se cancellassi il riferimento al post originale, il commento funzionerebbe sotto qualunque contenuto? Se sì, probabilmente è troppo generico.

5. Analizzare i risultati senza scambiare correlazione e causa

Prepara una tabella dei tuoi post con data, argomento, formato, impression, reazioni, commenti, clic e salvataggi quando disponibili. Aggiungi un campo per le conversazioni professionali pertinenti e uno per le richieste ricevute. Non confondere gli zeri con i dati mancanti.

Analizza questa tabella dei miei post LinkedIn. Distingui risultati osservati, ipotesi e dati mancanti. Confronta formati e argomenti usando numerosità, mediana e dispersione quando i dati lo consentono. Non dedurre i pesi dell’algoritmo. Se calcoli un tasso, esplicita numeratore e denominatore. Proponi due esperimenti editoriali cambiando una variabile alla volta. Non attribuire vendite ai post senza evidenze.

Come esercizio, puoi osservare i post dopo 24 ore e dopo sette giorni, mantenendo uguali le finestre di confronto. Sono scelte di misurazione del laboratorio, non scadenze imposte dall’algoritmo. Con pochi post parlerai di indizi, non di conclusioni statistiche robuste.

L’AI migliora la scrittura? Uno studio utile, con limiti precisi

Shakked Noy e Whitney Zhang hanno studiato l’uso di ChatGPT in compiti di scrittura professionale con 453 partecipanti. Il lavoro, Experimental evidence on the productivity effects of generative artificial intelligence, è stato pubblicato su Science nel 2023. Il resoconto del Massachusetts Institute of Technology, con collegamento al paper, riporta un tempo medio ridotto del 40% e una qualità valutata superiore del 18%.

Lo studio non misurava la reach su LinkedIn. I compiti non richiedevano lo stesso contesto aziendale e la stessa verifica fattuale di molte attività reali. È una base per sperimentare un assistente alla scrittura, non una prova che i post generati ottengano più clienti.

Nel laboratorio separerei quindi due misure: tempo necessario per produrre una bozza affidabile, compresa la revisione, e risultati del contenuto pubblicato. Risparmiare venti minuti e pubblicare un errore non è il miglioramento che cerchiamo.

Come scegliere un corso LinkedIn AI

Valuterei un corso dai materiali che permette di costruire e dai controlli che insegna. Ecco la mia checklist:

  • Profilo: il lavoro parte da pubblico, competenze e prove?
  • Prompt: le richieste includono fonti, vincoli e gestione delle informazioni mancanti?
  • Contenuti: si lavora su esperienze reali e revisioni, oltre che sulle prime bozze?
  • Relazioni: gli esercizi favoriscono conversazioni pertinenti?
  • Misurazione: si distinguono visibilità, interazioni, contatti e opportunità?
  • Algoritmo: il docente separa documentazione ufficiale, benchmark e ipotesi?

Se un programma promette il trucco definitivo per aggirare l’algoritmo, chiederei la fonte, la data e il metodo di verifica. È un ottimo esercizio già prima dell’iscrizione.

Domande frequenti su LinkedIn, AI e formazione

Posso usare l’AI per scrivere i post LinkedIn?

Sì, come supporto per struttura e formulazione. La comunicazione di LinkedIn sull’autenticità richiede che post e commenti rappresentino la voce e la prospettiva dell’autore. Verifica fatti, esempi e tono prima di pubblicare.

I primi 90 minuti decidono davvero tutto?

Non ho trovato nelle fonti tecniche consultate una conferma della finestra universale e della percentuale indicate nell’infografica. Conviene usare finestre di osservazione costanti, evitando di giudicare un contenuto soltanto dai primi minuti.

Il videocorso LinkedIn gratuito comprende questo laboratorio AI?

Il videocorso collegato insegna le basi dell’ottimizzazione del profilo. Il laboratorio AI è descritto in questo articolo: puoi affiancarlo alle videopillole, senza confondere i due materiali.

Come posso organizzare un corso LinkedIn e AI per l’azienda?

Puoi scrivermi tramite il form qui sotto indicando destinatari, livello di partenza e obiettivo: personal branding, comunicazione, social selling o ricerca di opportunità professionali. Possiamo costruire esercitazioni su profili e materiali pertinenti al tuo contesto.

Per iniziare subito: guarda il videocorso LinkedIn gratuito, scegli un esercizio di questa guida e confronta la bozza dell’AI con le prove che hai a disposizione. Il primo risultato da cercare è un profilo più chiaro e un contenuto di cui puoi rispondere personalmente.

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

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

Inviaci email

Cerchi un corso Microsoft Copilot gratuito in italiano? Su Fastweb Digital Academy trovi il mio corso Introduzione a Microsoft Copilot, disponibile on demand. Sono Gianluigi Bonanomi e ti accompagno nei primi passi con l’assistente AI di Microsoft: che cosa fa, come provarlo e quali applicazioni esplorare.

Accedi al corso gratuito su Fastweb Digital Academy.

Aprire una chat e scrivere una domanda richiede pochi secondi. Capire se la risposta merita di entrare in un’email, in un documento o in una decisione richiede un po’ di metodo. È da qui che suggerisco di partire: un compito concreto, istruzioni comprensibili e una verifica finale.

Corso Microsoft Copilot gratuito: programma e accesso

La scheda ufficiale del corso riporta queste caratteristiche:

Voce Informazioni
Titolo Introduzione a Microsoft Copilot
Docente Gianluigi Bonanomi
Piattaforma Fastweb Digital Academy
Costo e formato Gratis, on demand
Lezioni Tre video, con dispensa disponibile in piattaforma
Durata indicata 39 minuti nella scheda riepilogativa
Verifica finale Test delle competenze con rilascio dell’Open Badge; la scheda indica anche l’attestato di partecipazione

Il programma affronta tre argomenti: che cos’è Copilot, esempi d’uso e Copilot Pro con Microsoft Office. Puoi seguire i video quando preferisci e fermarti per consultare il materiale. La descrizione parla di tre lezioni da circa 15 minuti ciascuna: per la durata complessiva ho riportato il valore di 0:39 ore presente nel riepilogo.

Per iniziare, apri la pagina del corso e seleziona “Vai al corso”. Segui poi le indicazioni della piattaforma per accedere ai contenuti.

A chi consiglio questo corso introduttivo

Lo suggerisco a chi vuole orientarsi prima di inserire Copilot nelle proprie abitudini: impiegati, professionisti, responsabili di funzione, formatori e persone che hanno già provato ChatGPT e desiderano esplorare un altro strumento.

Il mio consiglio è scegliere prima una piccola attività: riscrivere una comunicazione, organizzare appunti, preparare domande per una riunione. Guardare una dimostrazione diventa più utile quando sai già su quale problema vuoi mettere alla prova ciò che impari.

Copilot gratuito e Microsoft 365: che cosa distinguere

Il corso è gratuito. Questo non significa che ogni funzione di Copilot mostrata nelle lezioni sia inclusa gratuitamente nel tuo account. Microsoft distingue l’accesso alla chat dalle funzionalità disponibili nei diversi abbonamenti personali e aziendali. Le integrazioni nelle applicazioni dipendono da licenza, account e configurazione.

Prima di acquistare un piano, consulta il confronto ufficiale Microsoft tra Copilot gratuito e Copilot in Microsoft 365. Il programma del corso conserva il riferimento a “Copilot Pro”: nomi, schermate e offerte possono evolvere rispetto alla registrazione. Per orientarti nell’interfaccia disponibile oggi, usa anche la guida e formazione Microsoft Copilot.

Tre esercizi da provare dopo le lezioni

Quelli che seguono sono esercizi originali che propongo a integrazione del corso. Usa appunti inventati o materiale che sei autorizzato a inserire nello strumento. Per ogni prova conserva la richiesta iniziale e confrontala con il risultato.

1. Trasformare appunti in un’email

Trasforma questi appunti fittizi in un’email a un cliente: [appunti]. L’obiettivo è concordare i prossimi passi. Usa un tono professionale, massimo 150 parole e una richiesta finale chiara. Non inventare date, prezzi o impegni. Se manca un’informazione, segnalala.

Controlla se la bozza aggiunge promesse assenti negli appunti. Un testo scorrevole può nascondere un impegno che non volevi prendere.

2. Ricavare una tabella delle attività

Leggi questo verbale fittizio: [testo]. Estrai una tabella con attività, responsabile, scadenza e frase del verbale che giustifica ogni riga. Quando un’informazione manca, scrivi “non indicato”. Non assegnare responsabilità per deduzione.

Confronta ogni riga con il testo di partenza. La colonna con la frase originale ti aiuta a controllare l’estrazione.

3. Preparare una presentazione

Proponi una scaletta di cinque slide per spiegare [argomento] a [pubblico]. Per ogni slide indica titolo, messaggio principale ed esempio. Usa soltanto queste informazioni: [materiale]. Segnala ciò che richiede una fonte aggiuntiva.

Valuta prima la logica del discorso. La grafica viene dopo. Per approfondire il rapporto tra istruzioni e risultati, puoi esplorare il mio percorso di formazione sull’AI generativa e sul prompt engineering.

Gianluigi Bonanomi: formatore AI e docente del corso Copilot

Mi occupo di formazione e consulenza sulla comunicazione digitale e sull’intelligenza artificiale generativa. Il mio percorso comprende il giornalismo informatico, la scrittura di libri e la docenza in digital marketing all’Accademia SantaGiulia di Brescia. Puoi consultare il mio profilo docente su Fastweb Digital Academy, con la biografia e gli altri corsi.

Come formatore AI, propongo di lavorare su quattro passaggi: scegliere un’attività, formulare la richiesta, controllare l’output e decidere come usarlo. Preferisco una prova semplice con criteri chiari a una dimostrazione spettacolare che nessuno sa ripetere il giorno dopo.

Formazione Copilot per aziende: dal video al laboratorio

Se stai cercando un formatore Copilot per la tua azienda, il corso gratuito ti permette di conoscere il mio modo di spiegare. Per un percorso dedicato, propongo di partire dalle applicazioni disponibili, dalle regole interne e dalle attività dei partecipanti.

Un laboratorio può concentrarsi su comunicazioni, documenti, presentazioni o analisi, definendo in anticipo il risultato da ottenere. Anche il percorso ufficiale Microsoft Learn sulla redazione, analisi e presentazione con Microsoft 365 Copilot organizza l’apprendimento intorno ad attività professionali concrete.

Per progettare la formazione insieme, indicami numero di partecipanti, ruoli, livello iniziale e versione di Copilot disponibile. Trovi un riferimento nel mio programma di formazione aziendale sull’intelligenza artificiale; per una richiesta specifica puoi usare il modulo qui sotto.

Domande frequenti sul corso

Il corso Microsoft Copilot è gratuito?

Sì, Fastweb Digital Academy lo presenta come gratuito e on demand. Gli eventuali abbonamenti software restano distinti dall’accesso alle lezioni.

È adatto a chi parte da zero?

È un’introduzione: lo consiglio a chi vuole conoscere Copilot e iniziare a sperimentare. Per esercitarti, parti da un compito breve con un risultato facile da controllare.

Rilascia una certificazione Microsoft?

La scheda descrive un Open Badge dopo il test e indica un attestato di partecipazione. Non presenta il corso come una certificazione professionale Microsoft.

Posso richiedere un corso Copilot per il mio team?

Sì, puoi contattarmi per valutare un percorso dedicato a obiettivi, competenze e strumenti della tua organizzazione.

Inizia dal mio corso Microsoft Copilot gratuito su Fastweb Digital Academy.

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

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

Inviaci email

Il prompt engineering è la progettazione delle istruzioni con cui chiediamo all’intelligenza artificiale di svolgere un compito. Per ottenere risposte utili servono un obiettivo comprensibile, informazioni pertinenti, un formato di uscita e criteri di verifica. Una richiesta elegante ma priva di contesto rimane un incarico spiegato male.

Parto dal video Full AI Prompting Course with Andrew Ng, pubblicato da DeepLearning.AI, per ragionare su come migliorare il nostro modo di lavorare con i chatbot. Qui trovi il video completo, una breve guida alla visione e alcuni esercizi originali che propongo per trasferire questi principi nel lavoro quotidiano.

Guarda il corso di Andrew Ng sul prompt engineering

Puoi anche guardare il corso direttamente su YouTube. Il video è in inglese e dura circa due ore e mezza.

Le idee del video da cui partire

Ng distingue un uso occasionale dell’AI da un uso più consapevole. Sottolinea il valore del contesto, delle domande neutrali e della revisione progressiva. Distingue inoltre la conoscenza appresa dal modello dalla ricerca sul web e dagli approfondimenti di tipo deep research.

Per orientarti nella visione, ecco alcuni passaggi:

  • 0:00: le differenze tra principiante e utilizzatore esperto.
  • 15:52: quando serve cercare informazioni sul web.
  • 21:40: perché bisogna valutare le fonti recuperate.
  • 1:14:11: il problema dell’AI che tende a darci ragione.
  • 1:19:55: scrittura, contenuti generici e costruzione progressiva della scaletta.

La mia lettura è questa: vale la pena imparare a progettare l’intero incarico, dall’input alla verifica. Nei paragrafi seguenti sviluppo questa idea con esempi miei, senza attribuirli ad Andrew Ng.

1. Dai all’AI un incarico che si possa capire

Immagina di affidare a un collega la preparazione di un corso scrivendogli soltanto: «Fammi una bella presentazione». Ti chiederebbe per chi, su quale argomento, con quale durata e con quale risultato atteso. Prima di lamentarti delle slide, dovresti riscrivere il messaggio.

Nel mio metodo G.O.L. per creare prompt efficaci propongo una traccia: guidare il sistema, chiarire l’obiettivo, definire limiti e formato. È un promemoria pratico per esplicitare le informazioni che altrimenti lasciamo nella nostra testa.

Questa impostazione è coerente con la guida ufficiale di Google alla progettazione dei prompt: istruzioni specifiche, contesto, esempi e formato desiderato aiutano a orientare la risposta. Google ricorda anche che il processo è iterativo: le indicazioni sono punti di partenza da verificare sul proprio caso.

Ecco un esercizio da provare:

Aiutami a progettare un laboratorio di 90 minuti sull’AI per dodici impiegati amministrativi principianti. L’obiettivo è imparare a trasformare appunti disordinati in un verbale verificabile. Useremo soltanto dati fittizi. Proponi una scaletta con tempi, consegne, materiali e criteri per valutare il risultato. Segnala eventuali informazioni mancanti prima di fare ipotesi.

Per valutare la risposta, controlla se i tempi tornano, se gli esercizi sono davvero adatti a principianti e se il risultato finale è osservabile. «Capire l’AI» è troppo vago; produrre un verbale confrontabile con gli appunti è un obiettivo verificabile.

2. Stabilisci quali fonti possono sostenere la risposta

Quando progetto una richiesta di ricerca, preferisco indicare che cosa dovrebbe contare come prova. Un listino del produttore, una pagina istituzionale e un commento anonimo possono servire a scopi diversi. Metterli tutti nella stessa tabella senza distinguerli rende difficile capire che cosa fidarsi a usare.

Ti propongo questo prompt per confrontare strumenti software:

Confronta questi tre strumenti per l’attività descritta: [attività]. Cerca nelle pagine ufficiali prezzi, funzioni incluse e limiti. Per ogni informazione indica URL e data della verifica. Se un dato manca, scrivi “non verificato”. Separa i fatti documentati dalla tua valutazione. Non dedurre che una funzione esista soltanto perché sarebbe utile.

Il controllo che farei io è semplice: aprire i collegamenti decisivi e verificare che parlino proprio della versione, del piano e della funzione citati. Una bibliografia lunga non sostituisce questa lettura.

3. Chiedi una valutazione senza suggerire il voto

La tendenza a compiacere l’interlocutore viene chiamata sycophancy. La ricerca di Anthropic Towards Understanding Sycophancy in Language Models ha documentato comportamenti di questo tipo nei sistemi studiati, mostrando anche come le preferenze umane possano favorire risposte allineate alle opinioni dell’utente.

Per questo eviterei di aprire una richiesta di valutazione con «Ho avuto un’idea geniale». Preferisco consegnare una proposta e una griglia:

Valuta la proposta allegata rispetto a quattro criteri: chiarezza del destinatario, problema affrontato, fattibilità e differenziazione. Per ciascuno indica gli elementi a favore, quelli contrari e le informazioni mancanti. Non assegnare punteggi quando non hai prove sufficienti. Chiudi con tre domande da porre a potenziali clienti per verificare le ipotesi principali.

Attenzione anche all’eccesso opposto: chiedere sempre di distruggere un’idea rischia di trasformare l’esercizio in una gara a trovare difetti. Io cercherei obiezioni sostenute da elementi concreti, insieme alle condizioni in cui la proposta potrebbe funzionare.

4. Progetta il testo prima di correggere le virgole

Quando lavoro a un articolo, mi interessa decidere che cosa deve portarsi a casa il lettore. Una prosa scorrevole non compensa una tesi poco chiara. Ti suggerisco quindi un esercizio in tre consegne distinte:

  1. Progetto: «Dai miei appunti ricava la domanda del lettore, la tesi e due possibili scalette. Segnala le affermazioni ancora senza fonte».
  2. Verifica: «Nella scaletta scelta individua ripetizioni, salti logici ed esempi mancanti. Proponi correzioni motivate».
  3. Stesura: «Sviluppa la scaletta approvata. Usa soltanto i fatti verificati e gli esempi forniti. Mantieni separati fatti, opinioni e ipotesi».

Aggiungerei una revisione finale molto concreta: evidenziare ogni frase che potrebbe comparire identica in un articolo su un argomento completamente diverso. Se una frase va bene per qualunque cosa, probabilmente spiega poco di quella che stiamo raccontando.

5. Misura il risultato su un compito reale

Il mio esercizio preferito, per chi vuole migliorare il prompt engineering, è ripetere lo stesso compito con istruzioni diverse. Scegli un’attività piccola: una mail di follow-up, un verbale, la scaletta di una riunione. Prepara poi una versione essenziale del prompt e una con contesto, vincoli ed esempio di risultato desiderato.

Confronta gli output usando una griglia definita prima:

Criterio Domanda di controllo
Fedeltà Sono stati aggiunti fatti o impegni che non avevo fornito?
Pertinenza Il testo risponde al bisogno del destinatario?
Vincoli Rispetta lunghezza, tono e formato richiesti?
Utilizzabilità Quali correzioni devo ancora fare prima di usarlo?

Annota anche il tempo speso a preparare gli input e a correggere l’output. Ti propongo di considerare utile il cambiamento quando migliora il lavoro complessivo. Ottenere una risposta in dieci secondi, per poi riscriverla per venti minuti, merita almeno una riflessione.

Il mio corso di prompt engineering con Fastweb Digital Academy

Per un approfondimento in italiano trovi la scheda del mio corso PROMPT ENGINEERING: come ottenere risposte precise e utili dall’AI, realizzato con Fastweb Digital Academy.

Il programma comprende il metodo G.O.L. e la variante G.O.L.D., il reverse prompt engineering, il metodo SO.C.RA.T.E. ed esercizi pratici. La pagina indicata riguarda l’edizione del 30 gennaio 2026 e riporta iscrizioni chiuse: la segnalo come riferimento al programma, non come iscrizione a un nuovo appuntamento.

Se vuoi portare questi esercizi nella tua organizzazione, scrivimi attraverso il modulo qui sotto. Possiamo costruire un laboratorio sui documenti e sulle attività che le persone devono gestire davvero.

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

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

Inviaci email

Gemini e il metodo Kahneman: l’analogia tra pensiero veloce e pensiero lento aiuta a capire quando chiedere all’AI una risposta immediata e quando affidarle un’analisi più articolata. Per un titolo possono bastare pochi secondi. Per valutare un progetto servono contesto, vincoli, alternative e verifiche.

Nel mio video parto da questa distinzione per parlare di modelli di ragionamento e di un esercizio concreto: il fast forward, cioè proiettarsi nel futuro per individuare i punti deboli di un progetto prima di avviarlo. Qui sviluppo il tema con esempi e prompt da provare.

Guarda il video: Gemini e il metodo Kahneman

Preferisci YouTube? Apri il video sul mio canale.

Che cosa sono il Sistema 1 e il Sistema 2 di Kahneman?

Daniel Kahneman, autore di Pensieri lenti e veloci, descrive due modalità del pensiero. Il Sistema 1 è rapido, intuitivo e automatico. Il Sistema 2 richiede attenzione e uno sforzo deliberato. La distinzione è spiegata anche nell’estratto del libro pubblicato da Macmillan.

Un esempio quotidiano: riconoscere il volto di un collega richiede pochissimo sforzo; confrontare tre proposte con costi e condizioni differenti richiede concentrazione. Questi “sistemi” sono un modo per descrivere processi cognitivi, non due persone nascoste nel cervello.

La metafora è utile anche quando lavoriamo con un chatbot. Alcune richieste richiedono soprattutto velocità; altre richiedono più passaggi e controlli. Nel titolo uso quindi “metodo Kahneman” come chiave divulgativa: non è il nome di una funzione ufficiale di Gemini.

Che cosa significa ragionamento nei modelli Gemini?

Google descrive il thinking come un’elaborazione interna che precede la risposta e sostiene compiti complessi, come la pianificazione in più passaggi e l’analisi dei dati. Il riferimento tecnico è la documentazione ufficiale sul thinking di Gemini.

Già nella presentazione di Gemini 2.5 del marzo 2025, Google collegava queste capacità ai miglioramenti del modello e del post-training. È quindi un’evoluzione del sistema, non un effetto magico ottenuto scrivendo “ragiona meglio” nel prompt.

Esiste inoltre un filone di ricerca sui passaggi intermedi: lo studio di Jason Wei e colleghi, Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, ha mostrato miglioramenti su diversi compiti di ragionamento usando esempi di soluzione articolati. Questo risultato non dimostra che una macchina pensi come una persona.

L’analogia con Kahneman resta una metafora. Non basta una risposta lunga per dimostrare che il ragionamento sia corretto. Per valutare il risultato preferisco controllare ipotesi, calcoli, fonti e rispetto dei vincoli. Una spiegazione convincente può comunque contenere un errore.

Quando usare una risposta rapida e quando un’analisi approfondita

Ti propongo questa griglia come criterio di lavoro, da adattare al modello e alle opzioni disponibili nel tuo account.

Attività Approccio da provare Che cosa controllare
Generare cinque titoli Risposta rapida Pertinenza, tono e promesse eccessive
Riformulare una breve email Risposta rapida Che il significato originale sia conservato
Progettare un piano editoriale Analisi con obiettivi e vincoli Coerenza con pubblico, risorse e risultati attesi
Confrontare più proposte Analisi con criteri espliciti Dati mancanti, comparabilità e assunzioni
Individuare rischi di progetto Simulazione di scenari e revisione critica Evidenze a sostegno e azioni di prevenzione

Per esempio, “dammi dieci idee per LinkedIn” lascia ampio spazio alla genericità. Una richiesta più utile potrebbe essere questa:

Progetta un piano editoriale LinkedIn di quattro settimane per [azienda]. Pubblico: [target]. Obiettivo: [risultato]. Abbiamo [risorse] e possiamo pubblicare [frequenza]. Prima segnala le informazioni mancanti. Poi proponi temi, formati e criteri di valutazione. Motiva sinteticamente le scelte e indica le ipotesi da verificare.

Questo è un esempio aggiuntivo da sperimentare. La qualità si valuta confrontando il piano con le possibilità reali dell’azienda. Sul tema ho scritto anche di come l’AI può aiutare o distorcere le decisioni aziendali.

Il fast forward: immagina che il progetto sia già fallito

Il fast forward richiamato nel video si presta a un esercizio di premortem. Gary Klein ne descrive il metodo su Harvard Business Review: ipotizzare un fallimento e cercarne le cause plausibili.

Ecco una mia proposta pratica da usare con Gemini. Serve a generare ipotesi per una discussione, non a prevedere il futuro.

Ti allego la descrizione del progetto [nome], con obiettivi, tempi, risorse e vincoli. Immagina che siano passati sei mesi e che l’obiettivo principale non sia stato raggiunto. Formula cinque possibili spiegazioni, distinguendo i fatti presenti nei materiali dalle tue ipotesi. Per ogni spiegazione indica: segnale precoce osservabile, controllo da fare adesso e azione preventiva. Non inventare dati o probabilità. Chiudi con tre domande da porre al gruppo di lavoro.

Immaginiamo, per esempio, il lancio di una newsletter aziendale. Nell’esercizio potrebbero emergere un pubblico troppo generico, nessuno incaricato di raccogliere i contenuti o una frequenza insostenibile. Sono possibilità da verificare, non diagnosi dell’AI.

Il passaggio utile arriva dopo: assegnare un responsabile, controllare quante ore servono e provare a produrre un numero pilota. Una lista di rischi senza decisioni successive resta una lista. Magari elegantissima, ma sempre una lista.

Come verificare se l’AI ti ha aiutato davvero

Ti suggerisco un piccolo confronto sullo stesso progetto. Chiedi prima una valutazione generale, poi ripeti la richiesta con documenti, vincoli e il prompt di premortem. Valuta entrambe le risposte su quattro aspetti:

  • Specificità: parlano del tuo progetto o potrebbero valere per qualsiasi azienda?
  • Tracciabilità: distinguono i dati forniti dalle ipotesi?
  • Utilità: propongono controlli e azioni concretamente eseguibili?
  • Solidità: rispettano vincoli, numeri e informazioni disponibili?

Questo confronto valuta l’intero modo di lavorare con l’AI. Se cambi insieme prompt e modalità del modello, non puoi attribuire il miglioramento soltanto al thinking.

La mia proposta è usare l’AI come interlocutore da mettere alla prova: chiedere alternative, far emergere dubbi e verificare ciò che conta. Il tempo risparmiato nella scrittura può diventare tempo dedicato a una decisione migliore.

Domande frequenti su Gemini e il metodo Kahneman

Esiste un pulsante “metodo Kahneman” in Gemini?

Qui l’espressione indica un’analogia divulgativa. Per usare il modello segui le opzioni effettivamente disponibili nell’interfaccia del tuo account: nomi e disponibilità possono cambiare.

Devo chiedere al chatbot tutti i suoi pensieri?

Per lavorare meglio è più utile chiedere una spiegazione sintetica e verificabile: criteri, assunzioni, passaggi di calcolo e fonti. Google distingue inoltre i riepiloghi del ragionamento dalla sua rappresentazione interna.

Il premortem mi dice se un progetto fallirà?

No. Nell’esercizio il fallimento è un’ipotesi deliberata per cercare vulnerabilità. Le possibilità emerse vanno confrontate con dati, persone coinvolte e vincoli reali.

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

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

Inviaci email

Come si allena un modello AI? Si parte da dati ed esempi, si misura l’errore e si aggiornano i parametri per migliorare il risultato. Nei modelli linguistici generativi, al pretraining possono seguire allenamenti mirati e feedback. Una metafora calcistica aiuta a distinguere queste fasi dalle istruzioni che scriviamo in un prompt.

Per capire come si allena un’intelligenza artificiale, proviamo a entrare in un campo da calcio. Ci sono esercizi, errori da correggere, un allenatore e una partita che dirà se tutto quel lavoro è servito.

La lavagna tattica, però, non basta. Posso disegnare il più bel 4-3-3 della storia: se i giocatori non sanno controllare il pallone, resterà un magnifico progetto d’arredamento dello spogliatoio.

Con l’AI possiamo distinguere in modo simile la preparazione delle capacità di base, gli allenamenti mirati e le istruzioni per affrontare un compito. Qui parlerò soprattutto dei modelli linguistici generativi, quelli che producono testo. La metafora serve a orientarsi: un modello non ha muscoli, intenzioni o voglia di vincere il derby.

1. I dati: il materiale della scuola calcio

Immaginate di preparare una squadra facendole vedere soltanto rigori. Quando arriveranno un calcio d’angolo o un contropiede, avrete qualche problema.

Questa immagine aiuta a capire perché conta ciò su cui un modello viene allenato. I dati sono gli esempi da cui ricava regolarità. Per un modello linguistico possono essere testi di natura diversa: il lavoro iniziale su un ampio insieme di testi si chiama pretraining. È una delle basi del percorso descritto nella ricerca Language Models are Few-Shot Learners.

Nella nostra scuola calcio, quindi, i dati sono il repertorio degli esercizi e delle situazioni di gioco. Se quel repertorio è limitato, dobbiamo stare attenti a ciò che pretendiamo dalla squadra.

Pretraining: avatar di Gianluigi Bonanomi insegna i fondamentali a robot calciatori
Pretraining: la scuola calcio.

2. Il pretraining: imparare i fondamentali

Prima degli schemi del mister vengono stop, passaggi e controllo del pallone. Nel caso dei modelli linguistici autoregressivi, un esercizio fondamentale consiste nel prevedere il token successivo, cioè la prossima unità di testo, che può essere una parola o un suo frammento.

Immaginiamo la frase: «L’attaccante tira e segna un…». “Gol” è una continuazione plausibile. Il modello assegna probabilità alle possibili continuazioni: durante l’allenamento queste previsioni vengono confrontate con il testo effettivo.

Ripetere questo esercizio su molti esempi permette di sviluppare capacità linguistiche utilizzabili in compiti diversi. Il lavoro su GPT-3 mostra proprio il rapporto fra pretraining e capacità di affrontare compiti presentati attraverso il testo. Prevedere il seguito di una frase, però, non equivale a verificarne la verità.

La loss misura l’errore e l’ottimizzatore aggiorna i parametri: allenamento con Bonanomi
L’errore guida l’allenamento.

3. Come si allena un modello AI: tiro, errore, correzione

Un giocatore calcia fuori. L’allenatore osserva il gesto, suggerisce una correzione e gli fa riprovare. Nell’AI la correzione è matematica.

Il modello produce una previsione. Una funzione, chiamata loss, misura quanto quella previsione sia lontana dall’obiettivo dell’esercizio. Un algoritmo di ottimizzazione aggiorna i parametri, i valori numerici che regolano il comportamento del modello, cercando di ridurre la loss. Il ciclo si ripete su molti esempi. La guida di Google sulla discesa del gradiente illustra questo meccanismo di correzione progressiva.

La loss somiglia al criterio con cui il mister valuta l’esercizio; l’ottimizzatore al meccanismo con cui vengono applicati gli aggiustamenti. Sono ruoli diversi. Ecco il cuore dell’addestramento: cambiano i parametri del modello.

Fine-tuning e feedback spiegati da Bonanomi con una lavagna tattica
Fine-tuning e feedback.

4. Il fine-tuning: imparare il gioco del mister

Ora la squadra sa giocare. Vogliamo però che impari un certo stile: costruzione dal basso, passaggi rapidi, attenzione alle consegne.

Il fine-tuning supervisionato può essere visto come un allenamento mirato su esempi del comportamento desiderato. Per un assistente, questi esempi possono mostrare come rispondere a una richiesta, organizzare una spiegazione o rispettare un formato.

La ricerca su InstructGPT descrive un percorso che parte da dimostrazioni scritte da persone per migliorare la capacità di seguire le istruzioni. Nella metafora: il mister mostra come vorrebbe fosse eseguita l’azione.

5. Il feedback: scegliere le azioni migliori

Due giocatori arrivano davanti alla porta. Uno tenta un tiro impossibile, l’altro passa al compagno libero. Il mister valuta quale scelta preferisce.

Anche nell’addestramento di un assistente si possono confrontare risposte alternative. Nel percorso di RLHF, apprendimento per rinforzo dal feedback umano, descritto nello studio su InstructGPT, le preferenze raccolte servono ad allenare un modello di ricompensa, poi usato per guidare ulteriori aggiornamenti dell’assistente.

Non esiste un’unica ricetta. La Direct Preference Optimization, o DPO, utilizza le preferenze con un metodo diverso, evitando di addestrare separatamente quel modello di ricompensa. È descritta nella ricerca di Rafailov e colleghi.

La domanda da allenatore diventa interessante: che cosa stiamo premiando? Se applaudissimo soltanto le giocate spettacolari, potremmo ritrovarci una squadra bravissima a fare colpi di tacco e pochissimo interessata al risultato.

Bonanomi osserva una partita nuova: test del modello e differenza tra prompt e addestramento
Il test è una partita nuova.

6. La verifica: giocare una partita nuova

Segnare sempre nello stesso esercizio, contro lo stesso portiere, non basta. Serve una prova in condizioni che non siano già state memorizzate.

Per valutare un modello si separano i dati di training, usati per allenarlo, quelli di validazione, utili a orientare le scelte di sviluppo, e quelli di test, riservati alla valutazione finale. Google sottolinea che i test devono usare esempi nuovi, senza duplicati del training, e rappresentativi degli impieghi reali. Fonte: Dividing the original dataset.

Nella metafora calcistica sono allenamenti, amichevoli per aggiustare la preparazione e prova finale. L’overfitting è il rischio di diventare troppo bravi sugli esercizi già incontrati e poco efficaci sulle situazioni nuove. Una squadra campione dei coni, insomma.

7. E il prompt? Sono le istruzioni dalla panchina

«Allarga il gioco sulla destra». È una consegna per l’azione in corso. Non equivale a rifare tutta la preparazione atletica.

Un prompt funziona, nella nostra metafora, come quella consegna. Può includere obiettivi, vincoli ed esempi. Il modello li usa nel contesto della richiesta: questo, di per sé, non aggiorna i suoi parametri. Il lavoro su GPT-3 distingue esplicitamente l’uso di esempi nel testo dall’aggiornamento dei parametri.

Perciò, quando diciamo «sto allenando l’AI» perché le stiamo scrivendo istruzioni, spesso stiamo usando un’espressione imprecisa. Possiamo guidarla nella conversazione senza aver avviato un vero processo di addestramento.

Per approfondire un’altra distinzione importante, ho preparato anche una guida alla memoria di ChatGPT: personalizzazione delle risposte e addestramento del modello vanno tenuti separati.

La metafora in una tabella

Nel calcio Nel modello AI
Repertorio di esercizi Dati di addestramento
Scuola calcio e fondamentali Pretraining
Criterio per valutare l’errore Funzione di loss
Aggiustamenti durante la preparazione Aggiornamento dei parametri
Allenamenti mirati Fine-tuning
Valutazione delle scelte di gioco Feedback e preferenze
Partita di verifica Test su esempi nuovi
Consegna dalla panchina Prompt

Un esercizio da portare in aula

Propongo di prendere un compito concreto, per esempio rispondere a un reclamo, e scrivere prima una richiesta generica. Poi aggiungiamo destinatario, obiettivo, limiti e un esempio di risposta ben costruita. Infine confrontiamo i risultati.

Abbiamo cambiato l’allenamento del modello? No: abbiamo migliorato le consegne. È un piccolo esperimento per distinguere ciò che il modello ha imparato durante la preparazione da ciò che gli chiediamo di fare adesso.

La prossima volta che un’AI sbaglia un passaggio, proviamo quindi a farci tre domande: le capacità sono adeguate al compito? Le istruzioni erano chiare? Abbiamo verificato il risultato? Dalla panchina si vede meglio la partita quando si sa che cosa osservare.

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

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

Inviaci email

La memoria di ChatGPT permette al sistema di riutilizzare preferenze, dettagli e contesto pertinenti per offrirti risposte più personali e farti ripetere meno informazioni. Non è però una registrazione completa di tutto ciò che hai scritto: ChatGPT seleziona ciò che considera utile e, a seconda del piano e delle impostazioni, può attingere da chat precedenti, ricordi salvati, istruzioni personalizzate, file nella Libreria e contenuti delle app connesse.

In questa guida vediamo come controllare la memoria di ChatGPT, correggerla, cancellarla e usare le chat temporanee. Con una precisazione importante: le voci possono cambiare in base al piano, alla piattaforma, all’area geografica e alle regole dell’eventuale spazio di lavoro aziendale.

Che cos’è la memoria di ChatGPT, in breve

La memoria trasforma ChatGPT da interlocutore che riparte ogni volta da zero in un assistente capace di mantenere continuità. Se sa che lavoro fai, quali strumenti usi o come preferisci ricevere una risposta, può evitare premesse inutili e adattare meglio esempi e linguaggio.

OpenAI distingue però più meccanismi:

  • Ricordi salvati: informazioni che chiedi esplicitamente di ricordare o che ChatGPT conserva come contesto utile.
  • Cronologia chat: informazioni pertinenti ricavate dalle conversazioni precedenti. Possono cambiare quando il sistema rivaluta ciò che è più utile.
  • Istruzioni personalizzate: indicazioni dirette su ciò che ChatGPT deve sapere e sul modo in cui deve rispondere. Non sono la stessa cosa della memoria.
  • Memoria migliorata: dove disponibile, mantiene un riepilogo più ampio e aggiornato del contesto personale.

È una distinzione pratica. Se vuoi costruire un vero assistente personale o un secondo cervello digitale con ChatGPT, devi sapere da quale fonte arriva un’informazione e come rimuoverla davvero.

Come attivare e gestire la memoria di ChatGPT

Passaggio 1: apri le impostazioni

  1. Apri ChatGPT sul web o nell’app.
  2. Apri il menu del profilo.
  3. Seleziona Impostazioni.
  4. Vai su Personalizzazione.
  5. Apri Memoria.

Secondo la guida ufficiale OpenAI sulla memoria, qui potresti trovare voci come Memoria, Fai riferimento ai ricordi salvati, Fai riferimento alla cronologia chat, Riepilogo della memoria, Gestisci o Ricordi salvati. Se una voce non compare, non è necessariamente un errore: disponibilità e controlli variano.

Passaggio 2: scegli che cosa può essere usato

Se il tuo account mostra due interruttori separati, puoi controllare i ricordi salvati e la cronologia delle chat. Disattivando i ricordi salvati viene disattivato anche il riferimento alla cronologia; lasciandoli attivi, puoi invece gestire la cronologia separatamente.

Attenzione a un equivoco comune: spegnere la memoria non cancella automaticamente le vecchie chat. Se in seguito la riattivi, ChatGPT potrebbe ricavare nuovi elementi dalle conversazioni ancora presenti.

Passaggio 3: chiedi a ChatGPT che cosa ricorda

Il controllo più semplice parte da una domanda:

Che cosa ricordi di me? Organizza la risposta per categorie e segnala le informazioni che potrebbero essere obsolete o poco utili.

Dove disponibile, puoi anche aprire il Riepilogo della memoria. La schermata offre una vista sintetica, non necessariamente completa, delle informazioni usate per personalizzare le risposte.

Schermata ufficiale del riepilogo della memoria di ChatGPT con funzione di correzione
Il riepilogo della memoria può essere corretto direttamente. Schermata ufficiale OpenAI.

Passaggio 4: correggi ciò che è sbagliato

Puoi scrivere una correzione, selezionare il testo da modificare oppure dire in chat:

Correggi questa informazione: non uso più lo strumento X. Da oggi considera Y come mia preferenza.

Alcuni account mostrano anche l’opzione Non menzionarlo più. Serve a ridurre i riferimenti futuri, ma non elimina la fonte originale. È la differenza fra dire a qualcuno di non citare più un vecchio episodio e strappare la pagina dall’archivio.

Passaggio 5: controlla le fonti della personalizzazione

Quando ChatGPT usa contesto personale pertinente, sotto la risposta può comparire la sezione Fonti. Può rimandare a un ricordo, una chat, un’istruzione personalizzata, un file o un’email connessa. Non è detto che mostri ogni fattore che ha influenzato la risposta.

Schermata ufficiale delle fonti della memoria di ChatGPT con comandi per pertinenza e correzione
Dalle Fonti puoi verificare perché un’informazione è stata usata, correggerla o segnalarla come non pertinente. Schermata ufficiale OpenAI.

Questo controllo è prezioso perché la personalizzazione senza trasparenza rischia di diventare una scatola nera. Se un suggerimento ti sorprende, controlla prima la fonte e poi decidi se correggere, eliminare o ignorare l’informazione.

Come cancellare davvero un’informazione dalla memoria

Cancellare la chat non basta sempre. Un ricordo salvato è archiviato separatamente dalla conversazione originaria. Per rimuovere un’informazione in modo più completo:

  1. Elimina il ricordo dal riepilogo o dai controlli dei ricordi salvati.
  2. Elimina la chat in cui l’informazione è stata condivisa.
  3. Rimuovila anche da eventuali chat archiviate.
  4. Elimina i file pertinenti dalla Libreria.
  5. Se proviene da un’app connessa, valuta di rimuovere il contenuto o disconnettere l’app.

OpenAI avverte che aggiornamenti ed eliminazioni possono richiedere tempo e che i log dei ricordi salvati eliminati possono essere conservati fino a 30 giorni per sicurezza e debug. Per i documenti professionali conviene comunque ridurre i dati personali prima del caricamento: ho spiegato un approccio pratico nella guida a Rizzo PII per anonimizzare i documenti destinati a ChatGPT.

Chat temporanea: quando usare ChatGPT senza creare nuovi ricordi

La chat temporanea è utile quando la conversazione non deve comparire nella cronologia e non deve creare o aggiornare la memoria. Prima di inviare il primo messaggio puoi scegliere:

  • Personalizzata: usa ricordi esistenti, istruzioni personalizzate e plugin disponibili.
  • Non personalizzata: ignora memoria, istruzioni personalizzate e plugin.

La scelta non può essere modificata dopo l’inizio della conversazione. In entrambi i casi la chat temporanea non crea né aggiorna ricordi. Se però la salvi, diventa una chat normale e segue le impostazioni dell’account. La documentazione OpenAI sulle chat temporanee precisa inoltre che una copia può essere conservata fino a 30 giorni per finalità di sicurezza.

Schermata ufficiale di ChatGPT per scegliere una chat temporanea personalizzata o non personalizzata
Nella chat temporanea puoi scegliere Personalizzata o Non personalizzata prima del primo messaggio. Schermata ufficiale OpenAI.

Memoria e addestramento dei modelli non sono la stessa impostazione

Un altro equivoco frequente è confondere memoria e addestramento. La memoria personalizza le risposte. L’opzione Migliora il modello per tutti decide invece se, per un account personale, le nuove conversazioni possano contribuire al miglioramento dei modelli.

Per controllarla sul web:

  1. Apri il menu del profilo.
  2. Vai su Impostazioni.
  3. Apri Controlli dei dati.
  4. Attiva o disattiva Migliora il modello per tutti.

La FAQ ufficiale sui controlli dei dati chiarisce che, disattivando questa voce, le conversazioni restano nella cronologia ma non vengono usate per addestrare ChatGPT. Nei workspace ChatGPT Business, Enterprise, Edu e Healthcare, OpenAI dichiara che i contenuti non vengono usati per l’addestramento per impostazione predefinita.

Memoria nei progetti: contesto globale o isolato?

I Progetti aggiungono un’altra scelta importante. Dove disponibile, puoi usare la memoria predefinita oppure la memoria limitata al progetto. In questo secondo caso le chat possono fare riferimento alle altre conversazioni dello stesso progetto, ma non a quelle esterne; anche le chat esterne non possono richiamare il contenuto del progetto.

È una buona soluzione per separare clienti, corsi, ricerche o attività personali. Secondo la guida OpenAI ai Progetti, i progetti condivisi usano automaticamente la memoria limitata al progetto. È un confine di contesto, non una scusa per caricare qualsiasi dato senza valutare ruoli, permessi e policy aziendali.

Cinque prompt per gestire meglio la memoria

  1. Audit: “Che cosa ricordi di me? Dividi le informazioni in corrette, da verificare e non più utili”.
  2. Aggiunta: “Ricorda che preferisco risposte brevi, con esempi italiani e fonti primarie”.
  3. Correzione: “Sostituisci la vecchia informazione X con Y e dimmi che cosa hai aggiornato”.
  4. Rimozione: “Dimentica l’informazione X e spiegami quali altre fonti devo eliminare per rimuoverla completamente”.
  5. Controllo in risposta: “Per questa risposta indica se hai usato memoria, chat precedenti, file o app connesse”.

Le istruzioni personalizzate restano lo strumento migliore per regole stabili e intenzionali sul tono e sul formato. La memoria serve invece a mantenere continuità con ciò che emerge nel tempo. Per approfondire le forme più evolute di personalizzazione puoi leggere anche il mio articolo su skill, plugin e futuro dei GPT personalizzati.

La mia checklist mensile per una memoria utile

  • Chiedi a ChatGPT che cosa ricorda di te.
  • Correggi ruolo, preferenze e strumenti non più attuali.
  • Elimina ciò che è sensibile, superfluo o ambiguo.
  • Controlla file nella Libreria e app connesse.
  • Separa i contesti professionali con progetti dedicati.
  • Usa una chat temporanea non personalizzata quando non vuoi richiamare né creare memoria.
  • Verifica separatamente l’impostazione “Migliora il modello per tutti”.

Una memoria ben curata rende ChatGPT più utile. Una memoria lasciata crescere senza controllo può invece amplificare informazioni vecchie, interpretazioni sbagliate e preferenze che non ti rappresentano più. Cinque minuti di manutenzione ogni mese sono un investimento sensato.

Fonti

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

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

Inviaci email

No: l’approvazione di Tesla FSD Supervised in Slovenia non significa che sia arrivata la guida autonoma. Il sistema disponibile sulle Tesla resta al livello 2 SAE: accelera, frena e sterza, ma chi siede al volante deve sorvegliarlo in ogni momento e rimane responsabile. Il Cybercab, invece, può operare senza conducente, ma soltanto entro condizioni e aree definite. Per questo si parla di livello 4, non di livello 5.

La differenza può sembrare accademica. In realtà decide chi deve guardare la strada, chi deve intervenire quando qualcosa va storto e chi porta la responsabilità della guida. Cambia tutto.

Tesla FSD approvato in Slovenia: che cosa è successo davvero

L’8 settembre 2026 la Slovenia ha autorizzato l’uso sulle proprie strade di Tesla Full Self-Driving (Supervised). È il sesto Paese europeo a farlo. La notizia, riportata da Quattroruote, può facilmente generare un equivoco: “Full Self-Driving” suona come “l’auto guida da sola”.

Non è così. La Slovenian Traffic Safety Agency, citata da Reuters, parla di riconoscimento temporaneo del sistema FSD Supervised e di integrazione graduale sotto controllo normativo e di sicurezza. Reuters lo definisce correttamente un sistema di assistenza alla guida che controlla l’auto, ma richiede al conducente di prestare attenzione.

Anche Tesla, nella propria documentazione ufficiale, usa la parola decisiva: Supervised. Il sistema può condurre l’auto quasi ovunque, ma sotto la supervisione del guidatore.

Tradotto: la Slovenia ha autorizzato una funzione avanzata. Non ha promosso la Tesla al livello 5 e nemmeno al livello 3.

I livelli SAE spiegati senza il marketing

La classificazione SAE non assegna un voto all’automobile. Descrive una specifica funzione di guida, indicando che cosa fa il sistema e che cosa deve ancora fare la persona. La sintesi della National Highway Traffic Safety Administration è molto chiara.

Livello Che cosa fa il sistema Ruolo della persona
0 Avvisi o interventi momentanei Guida e controlla tutto
1 Gestisce sterzo oppure velocità e frenata Guida e sorveglia
2 Gestisce insieme sterzo, accelerazione e frenata Deve sorvegliare continuamente
3 Guida in condizioni specifiche e può chiedere la ripresa del controllo Può non sorvegliare costantemente, ma deve essere pronto a intervenire
4 Guida senza conducente entro un dominio operativo definito È passeggero finché il sistema resta nel proprio dominio
5 Guida ovunque, su qualunque strada e in tutte le condizioni gestibili da un umano È sempre passeggero

Il salto più ingannevole è quello tra livello 2 e livello 3. Al livello 2 il sistema esegue molte azioni, ma il guidatore continua a guidare dal punto di vista funzionale e legale. Se legge un messaggio perché “tanto fa tutto l’auto”, sta usando male il sistema.

Perché Tesla FSD Supervised resta al livello 2

FSD può cambiare corsia, affrontare incroci, seguire il percorso, regolare la velocità e reagire al traffico. Eppure tre elementi lo mantengono al livello 2:

  • Il conducente deve osservare la strada.
  • Il conducente deve intervenire immediatamente.
  • Il conducente rimane responsabile della guida.

Un software può fare moltissimo e restare un assistente. Il nome “Full Self-Driving” descrive un’ambizione commerciale, non la categoria tecnica attuale del prodotto.

La questione umana non è secondaria. Uno studio del 2025 pubblicato su European Transport Research Review ha testato 31 persone in simulatore: lavorare al computer, guardare video o telefonare peggiorava la qualità della ripresa del controllo. Lo studio riguarda il livello 3, ma mostra perché affidare all’essere umano il ruolo di “paracadute” non è banale. L’attenzione non si riaccende premendo un pulsante.

Il Tesla Cybercab è livello 5?

No. Il Cybercab può essere considerato un sistema di livello 4 quando opera senza conducente dentro il proprio dominio operativo. Non diventa livello 5 solo perché non ha volante e pedali.

Dal 3 settembre 2026 Tesla ha iniziato a impiegare un piccolo numero di Cybercab ad Austin. Il veicolo a due posti non dispone dei normali comandi manuali. Proprio questa configurazione ha attirato l’attenzione della NHTSA: il 15 settembre l’autorità statunitense ha chiesto a Tesla chiarimenti sulla certificazione, sui limiti geografici, sugli orari di funzionamento e sull’eventuale presenza di comandi temporanei. Lo riferisce Reuters nell’articolo sull’indagine NHTSA.

Queste domande descrivono perfettamente la distanza dal livello 5. Un robotaxi che lavora in alcune zone di Austin, con regole, mappe operative e condizioni definite, può fare a meno del guidatore ma non può affrontare automaticamente qualsiasi strada del pianeta, dalla nebbia in Val Padana a una nevicata alpina, da un cantiere improvvisato a un sentiero sterrato.

Livello 4 non significa “quasi livello 5”

I livelli non sono tacche di una batteria. Il livello 4 può essere molto autonomo dentro un perimetro e del tutto indisponibile fuori. Il livello 5 elimina il perimetro. È una differenza enorme: tecnica, economica, normativa e assicurativa.

Waymo offre già un esempio maturo di livello 4 nei territori in cui opera. Uno studio peer reviewed del 2025 su 56,7 milioni di miglia senza conducente ha rilevato tassi inferiori rispetto ai benchmark umani in diverse categorie di incidente, comprese quelle con pedoni e ciclisti. È un risultato importante, ma non prova il livello 5: i dati provengono da città e domini operativi selezionati. Dimostrano che il livello 4 può essere utile e sicuro in contesti delimitati.

Perché il livello 5 è ancora lontano

La parte difficile non è far viaggiare bene un’auto nel 99% delle situazioni comuni. È gestire il residuo imprevedibile senza un essere umano pronto a salvare la scena.

Restano almeno cinque ostacoli:

  1. I casi rari. Animali, lavori stradali insoliti, gesti ambigui degli agenti, segnaletica danneggiata, allagamenti, comportamenti irrazionali degli altri utenti.
  2. Il maltempo e la visibilità. Pioggia intensa, neve, nebbia, sole basso e sensori sporchi riducono la qualità della percezione.
  3. La validazione. Gli eventi davvero pericolosi sono rari, quindi servono simulazioni, prove su strada e metriche comparabili. La ricerca parla di “curse of rarity”: più lo scenario è raro e complesso, più diventa difficile dimostrare statisticamente la sicurezza.
  4. Regole e responsabilità. Omologazione, assicurazione, responsabilità del produttore e comportamento in emergenza cambiano tra Paesi.
  5. Costi e scalabilità. Sensori, calcolo, mappatura, assistenza remota e gestione della flotta devono funzionare a costi sostenibili.

Nel settore dei trasporti l’AI sta già producendo valore anche senza promettere automobili onnipotenti. Ho raccolto altri esempi concreti di intelligenza artificiale applicata ai trasporti, dalla manutenzione alla pianificazione, fino alla gestione documentale.

Quanto manca alla vera guida autonoma?

Per il livello 4 la risposta è: è già qui, ma a isole. Robotaxi senza conducente operano in zone definite di alcune città. L’espansione sarà graduale, città per città e caso d’uso per caso d’uso.

Per il livello 5 non esiste una data scientificamente credibile. La più recente indagine McKinsey tra 91 operatori ed esperti del settore, pubblicata nel gennaio 2026, ha rilevato un allungamento medio delle previsioni di uno o due anni. La diffusione su larga scala dei robotaxi di livello 4 viene collocata intorno al 2030; i test urbani di livello 4 sulle auto private intorno al 2032. Inoltre, il gruppo più numeroso degli intervistati ritiene che nel 2035 il mercato di massa delle auto private sarà ancora centrato su funzioni di livello 2 avanzato.

Questa è una previsione industriale, non un calendario garantito. Sul livello 5 il dato più corretto è proprio l’assenza di una scadenza affidabile. Potrebbe richiedere molti anni, forse decenni, e potrebbe non essere economicamente sensato in ogni veicolo e in ogni luogo.

Come leggere le prossime notizie sulla guida autonoma

Quando leggi che un’auto “guida da sola”, verifica quattro cose:

  • chi deve sorvegliare la strada;
  • chi deve intervenire in caso di errore;
  • dove e in quali condizioni il sistema può funzionare;
  • se si parla di un prodotto acquistabile, di un test o di una flotta commerciale limitata.

La Slovenia ha aperto la porta a FSD Supervised, non alla scomparsa del guidatore. Il Cybercab ha aperto quella del robotaxi di livello 4, ma non può ancora portarci ovunque. La guida autonoma sta arrivando per territori, condizioni e casi d’uso. Il livello 5, per ora, resta sul cartello in fondo alla strada.

Domande frequenti

Tesla FSD è davvero guida autonoma?

No. FSD Supervised è un sistema SAE di livello 2: controlla sterzo, accelerazione e frenata, ma il conducente deve sorvegliare e intervenire.

La Slovenia ha approvato Tesla FSD?

Sì. Nel settembre 2026 la Slovenia ha riconosciuto temporaneamente l’uso di FSD Supervised sulle proprie strade. L’approvazione riguarda un sistema di assistenza alla guida, non un’automobile di livello 5.

Il Cybercab è livello 4 o livello 5?

Il funzionamento senza conducente entro aree e condizioni definite corrisponde al livello 4. Il livello 5 richiederebbe funzionamento universale, senza limitazioni operative paragonabili.

Quando arriverà il livello 5?

Non esiste una previsione affidabile. Gli esperti collocano la diffusione ampia del livello 4 nel prossimo decennio, mentre il livello 5 non ha oggi una data credibile.

Fonti

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

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

Inviaci email

L’intelligenza artificiale può già alleggerire il lavoro quotidiano degli autotrasportatori: leggere documenti, controllare scadenze, confrontare contratti, analizzare dati di viaggio e trasformare una riunione in un verbale operativo. Oggi, 19 settembre 2026, ne ho parlato a Roma all’Assemblea nazionale di Confartigianato Trasporti.

Il criterio che ho proposto è molto concreto: partire da un’attività frequente, ripetitiva e verificabile. L’AI non guida il camion e non sostituisce chi conosce il mestiere. Può però togliere dal tavolo parecchio lavoro amministrativo e aiutare a vedere prima errori, scadenze e anomalie.

Assemblea nazionale 2026 di Confartigianato Trasporti

L’evento si è svolto all’Auditorium Confartigianato di Roma con il titolo “Guidare il cambiamento. L’autotrasporto del futuro”. Il programma ha affrontato la transizione energetica, le tecnologie per il trasporto e le prospettive del settore. Alle 11.30 sono intervenuto nella sessione “L’AI a servizio dell’autotrasporto: strumenti e strategie di sviluppo” insieme a Dario Rusconi, partner di BECAP ed esperto di controllo di gestione.

Nel corso della mattinata sono intervenuti rappresentanti di Confartigianato Trasporti, istituzioni e imprese della filiera. Il tema comune era chiaro: innovare significa tradurre tecnologia e normativa in scelte pratiche per le aziende.

Nel resoconto ufficiale dell’Assemblea nazionale, Confartigianato sottolinea che gli interventi curati da me e Dario Rusconi hanno approfondito l’impatto dell’innovazione tecnologica, della digitalizzazione e dell’intelligenza artificiale nella gestione delle aziende di autotrasporto. È un passaggio importante: l’AI è entrata nel confronto nazionale di categoria come strumento operativo, non come semplice tema da convegno.

Gianluigi Bonanomi all'Assemblea nazionale 2026 di Confartigianato Trasporti a Roma
All’Assemblea nazionale 2026 di Confartigianato Trasporti, Roma, 19 settembre 2026.

Dove serve davvero l’AI per gli autotrasportatori

Documenti e normativa, contratti e preventivi, dati, riunioni e procedure: sono questi gli ambiti nei quali l’AI generativa può produrre un risultato utile già oggi. Ho mostrato due strumenti complementari: ChatGPT per creare, rielaborare, calcolare e cercare; Gemini Notebook per interrogare fonti caricate e ottenere risposte con citazioni.

La regola pratica è semplice: ChatGPT quando bisogna produrre o trasformare un contenuto; Gemini Notebook quando bisogna capire e incrociare documenti controllati. In entrambi i casi l’output va verificato.

AI per autotrasportatori: 10 esempi pratici

1. Trasformare ricevute e fatture in una nota spese

Si parte dalle fotografie di scontrini, pedaggi, taxi, alberghi e carburante. L’AI estrae data, fornitore, descrizione, metodo di pagamento e importo, segnala i dati illeggibili e prepara una tabella da esportare in Excel. Il controllo finale resta indispensabile, soprattutto quando una ricevuta copre parzialmente un’altra o manca un importo.

Prompt di esempio: “Leggi queste ricevute. Crea una tabella con data, esercente, categoria, importo, metodo di pagamento e nota. Non inventare i dati non leggibili: contrassegnali come da verificare.”

2. Studiare una circolare

Una circolare può diventare una checklist operativa o una FAQ. L’AI deve indicare che cosa cambia, da quando, per chi, quali scadenze introduce e quali azioni richiede. Per ridurre il rischio di interpretazioni creative bisogna pretendere pagina e passaggio della fonte.

Prompt di esempio: “Riassumi in 10 punti. Indica cambiamenti, destinatari, scadenze e rischi. Cita pagina e passaggio.”

3. Interrogare CCNL e accordi

Caricando più fonti controllate si possono confrontare orari, riposi, trasferte, regole ed eccezioni. La risposta utile non è un riassunto generico, ma una tabella che colleghi ogni affermazione alla fonte e alla pagina.

Prompt di esempio: “Usa solo le fonti caricate. Crea una tabella con regola, eccezioni, fonte, pagina e azione richiesta.”

4. Controllare le scadenze

CQC, ADR, patenti, visite e formazione possono confluire in uno scadenzario ordinato per urgenza. Prima di creare un promemoria, l’AI deve segnalare date mancanti o incongruenti. In questo modo l’azienda evita di trasformare un dato incompleto in una falsa certezza.

Prompt di esempio: “Crea uno scadenzario con conducente, documento, scadenza, anticipo consigliato e livello di urgenza. Evidenzia i dati mancanti.”

5. Leggere un contratto prima di firmarlo

L’AI può accendere una spia su responsabilità, penali, pagamenti, recesso, assicurazioni e foro competente. Non sostituisce l’avvocato. Prepara però un elenco di domande mirate e rende più veloce il controllo professionale.

Prompt di esempio: “Evidenzia clausola, significato semplice, rischio da 1 a 5, conseguenza pratica e domanda da fare all’avvocato.”

6. Confrontare due versioni di un documento

Un regolamento, un contratto o un capitolato può cambiare in poche righe dentro cento pagine. L’AI può ignorare le variazioni grafiche e isolare le differenze sostanziali, distinguendo l’impatto operativo da quello economico.

Prompt di esempio: “Confronta A e B. Mostra testo precedente, testo nuovo, impatto operativo, impatto economico e azione consigliata.”

7. Leggere i dati del tachigrafo

L’AI può segnalare anomalie nei tempi di guida e nelle pause, ma deve applicare soltanto le soglie presenti nelle fonti. La Commissione europea raccoglie le regole su tempi di guida e periodi di riposo e dedica una sezione specifica al tachigrafo nel trasporto stradale. Il controllo umano viene prima di qualsiasi decisione disciplinare o organizzativa.

Prompt di esempio: “Segnala anomalia, valore, soglia, scostamento e priorità. Non applicare regole assenti dalle fonti.”

8. Ridurre consumi e chilometri a vuoto

Lo storico dei viaggi può far emergere tempi di attesa, tratte vuote, consumi e margini anomali. L’AI aiuta a ordinare i casi per impatto economico. Non deve però confondere una correlazione con una causa: se mancano carico, percorso, meteo o stile di guida, la spiegazione resta un’ipotesi.

Prompt di esempio: “Ordina le anomalie per impatto economico. Distingui fatti e ipotesi e chiedi i dati mancanti.”

9. Preparare un preventivo più trasparente

Carburante, pedaggi, ore, attese e ritorno a vuoto possono essere esplicitati in un modello con tre scenari: prudente, realistico e favorevole. Ogni formula deve rimanere visibile, così l’imprenditore può correggere le ipotesi e difendere il margine.

Prompt di esempio: “Mostra ogni formula. Crea scenario prudente, realistico e favorevole. Non inventare i valori mancanti.”

10. Trasformare un audio in un verbale operativo

Una registrazione autorizzata di riunione può diventare un verbale con decisioni, attività, responsabili, scadenze e questioni aperte. Il vantaggio non è la trascrizione parola per parola, ma una lista di azioni che qualcuno possa davvero seguire.

Prompt di esempio: “Elimina le ripetizioni senza cambiare il significato. Chiudi con una tabella delle azioni e una sintesi in cinque righe.”

Per altri modelli riutilizzabili si può partire dalla mia raccolta di prompt per il prompt engineering, adattando sempre obiettivo, fonti, formato dell’output e limiti.

Quali controlli servono prima di usare l’AI in azienda

Una risposta ben scritta può essere sbagliata. Nei processi dell’autotrasporto conviene adottare almeno questi controlli:

  • usare documenti aggiornati e riconoscibili;
  • chiedere citazioni puntuali quando si lavora su norme, contratti e procedure;
  • separare fatti, calcoli, ipotesi e suggerimenti;
  • anonimizzare i dati personali e commerciali quando possibile;
  • far verificare il risultato al professionista competente;
  • conservare il file originale e la traccia del controllo svolto.

Il quadro europeo dell’AI Act richiama responsabilità, trasparenza e competenze nell’uso dei sistemi di intelligenza artificiale. Per un’impresa significa anche formare chi usa questi strumenti e stabilire quali dati non devono essere caricati.

Da dove partire domani mattina

Scegliere un solo processo, con documenti non critici e un risultato facile da controllare. Per esempio: trasformare dieci ricevute in una tabella oppure confrontare due versioni della stessa procedura. Si misura il tempo impiegato, si contano gli errori e si decide se il metodo merita di diventare una procedura.

La tecnologia diventa utile quando entra in un flusso di lavoro e lascia tracce verificabili. Nel trasporto, dove scadenze, margini e conformità hanno conseguenze molto concrete, questa prudenza non rallenta l’innovazione: la rende utilizzabile.

Domande frequenti sull’AI per autotrasportatori

L’AI può controllare automaticamente il rispetto dei tempi di guida?

Può analizzare dati e segnalare scostamenti rispetto alle soglie fornite, ma non dovrebbe decidere da sola. Occorre verificare qualità dei dati, normativa applicabile ed eventuali eccezioni.

Meglio ChatGPT o Gemini Notebook?

Dipende dal compito. ChatGPT è adatto a creare e rielaborare contenuti. Gemini Notebook è utile quando la risposta deve restare ancorata a un insieme di fonti caricate e citate.

Si possono caricare contratti e dati degli autisti?

Solo dopo aver verificato policy aziendale, base giuridica, condizioni del servizio e misure di protezione. Quando possibile conviene anonimizzare o pseudonimizzare i dati e usare account aziendali approvati.

Qual è il primo progetto AI per una piccola azienda di trasporto?

Un processo frequente, ripetitivo e a basso rischio: note spese, scadenzari o confronto tra versioni di documenti. Il test deve avere un responsabile, una metrica di tempo e una verifica degli errori.

Fonti e approfondimenti

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

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

Inviaci email

OpenAI ha annunciato il ritiro dei GPT personalizzati e la loro sostituzione con un sistema basato su skill, app e plugin. Non significa che ChatGPT rinunci alla personalizzazione. Significa il contrario: la personalizzazione smette di vivere dentro tanti piccoli chatbot separati e diventa modulare, riutilizzabile e collegabile agli strumenti di lavoro.

La formula più semplice è questa: la skill spiega a ChatGPT come svolgere un lavoro, l’app gli permette di accedere a dati e azioni esterne, il plugin mette insieme questi componenti in un flusso utilizzabile. ChatGPT resta il centro della conversazione e sceglie le capacità adatte al compito.

Addio ai GPT personalizzati: che cosa ha annunciato davvero OpenAI

La prima precisazione è importante: i GPT personalizzati non sono scomparsi da un giorno all’altro. Nella sua FAQ ufficiale sul ritiro e sulla migrazione, OpenAI spiega che la transizione riguarda tutti i piani, ma pubblica un calendario dettagliato soprattutto per gli ambienti Enterprise interessati.

  • 11 settembre 2026: comunicazione agli amministratori Enterprise.
  • 17 settembre 2026: data obiettivo per l’arrivo dello strumento di migrazione e dell’avviso agli utenti. OpenAI precisa che il rilascio può essere graduale.
  • 25 settembre 2026: termine pianificato per la creazione di nuovi GPT negli ambienti Enterprise interessati.
  • 11 dicembre 2026: ritiro programmato dei GPT personalizzati in quegli ambienti. Da quel momento i GPT coinvolti smetteranno di funzionare.

Per gli account personali Free, Go, Plus e Pro, la guida ufficiale alla creazione dei GPT indica che non è più possibile creare o pubblicare nuovi GPT. Quelli esistenti, per ora, restano utilizzabili e modificabili quando piano e autorizzazioni lo consentono. Per Business, Enterprise ed Edu la situazione dipende invece dalle impostazioni dell’area di lavoro e dalla tabella di marcia applicata all’account.

Quindi è corretto parlare di addio ai GPT personalizzati, ma non di spegnimento immediato e simultaneo per tutti. La data che conta è quella mostrata nell’avviso del proprio account o workspace.

Perché OpenAI cambia architettura

Il GPT personalizzato introdotto nel 2023 era un contenitore unico: nome, istruzioni, file di conoscenza, modello consigliato, funzioni e collegamenti esterni. Era facile da capire perché sembrava un piccolo ChatGPT specializzato. Questa semplicità, però, produceva duplicazioni.

Immaginiamo un’azienda con dieci GPT diversi. Cinque devono leggere Google Drive, quattro devono consultare il CRM e sette applicano la stessa procedura per verificare le fonti. Nel vecchio schema ogni GPT tendeva a portarsi dietro configurazioni simili. Nel nuovo schema la procedura di verifica può diventare una skill condivisa, mentre Drive e CRM restano app utilizzabili da più flussi.

La direzione strategica è evidente: non un negozio pieno di chatbot isolati, ma un solo ambiente di lavoro capace di caricare metodi e strumenti quando servono. È la stessa logica con cui un computer usa software diversi senza diventare ogni volta un computer nuovo.

Skill, app e plugin: le differenze in parole semplici

Componente Che cos’è Che cosa contiene o abilita Esempio
Skill Un metodo di lavoro riutilizzabile Istruzioni, esempi, risorse e anche codice o script Una procedura che verifica una notizia, cita le fonti e prepara un articolo SEO
App Un collegamento a un servizio esterno Ricerca, lettura e, se autorizzate, azioni sul servizio Gmail, Google Drive, Slack, GitHub, Canva o HubSpot
Plugin Il pacchetto che organizza un flusso Una o più skill, una o più app ed eventuali modelli di configurazione Un flusso commerciale che legge il CRM, prepara il follow-up e crea una bozza email

Secondo la documentazione OpenAI sulle skill, una skill è un workflow condivisibile che aiuta ChatGPT a eseguire un compito in modo più coerente. Può includere istruzioni, esempi, file di supporto e codice. Una volta installata, ChatGPT può selezionarla automaticamente quando la descrizione della richiesta corrisponde al suo scopo.

Le app di ChatGPT fanno un mestiere diverso: collegano la conversazione ai servizi che usiamo già. Possono cercare un file, leggere un documento, recuperare un messaggio e, quando previsto e autorizzato, compiere azioni come creare o aggiornare informazioni.

Il plugin in ChatGPT e Codex è il contenitore operativo. Può includere skill, app o entrambe. Alcuni plugin non richiedono alcun account esterno perché contengono soltanto procedure. Altri funzionano solo dopo aver collegato e autorizzato le app necessarie.

Come viene sostituito concretamente un GPT personalizzato

OpenAI prevede un flusso di migrazione. Nell’ambiente Enterprise, il creatore del GPT o un amministratore potrà avviarlo quando l’opzione sarà disponibile e i plugin saranno abilitati. Il GPT deve essere pubblicato nel workspace, anche privatamente: una semplice bozza non può essere migrata.

La conversione non è una fotocopia perfetta. Funziona così:

  1. Le istruzioni del GPT diventano una skill. Il metodo, il tono, le regole e i passaggi del lavoro vengono trasformati in indicazioni riutilizzabili.
  2. Le app collegate entrano nel plugin come app. Ogni collegamento conserva però le proprie autorizzazioni e i propri limiti.
  3. I file, gli esempi e i modelli vanno ricontrollati. OpenAI invita a verificare che il nuovo plugin usi correttamente tutto il materiale di riferimento.
  4. Gli starter di conversazione e le vecchie chat potrebbero non essere trasferiti. Non bisogna considerarli un archivio garantito.
  5. Il modello scelto dal GPT non viene trasferito. Negli ambienti Enterprise valgono le impostazioni predefinite dell’organizzazione.
  6. Le Custom Actions non migrano automaticamente. Le integrazioni API dovranno essere valutate e ricostruite tramite un connettore supportato o un server MCP personalizzato.
  7. Permessi e condivisione non vengono ereditati automaticamente. Il plugin nasce privato e deve essere testato, condiviso e installato dagli utenti autorizzati.
  8. Dopo la migrazione, il GPT originale diventa di sola lettura. Resta utilizzabile fino al ritiro, mentre le modifiche future si fanno sul plugin.

La conseguenza pratica è semplice: prima di migrare conviene inventariare istruzioni, file, integrazioni, utenti e cinque prompt di prova. Dopo la migrazione si eseguono gli stessi test, compreso almeno un caso difficile. Se le risposte o le azioni cambiano, si corregge il plugin prima di distribuirlo.

12 esempi concreti di skill e plugin al lavoro

1. Dalla notizia all’articolo verificato

Una skill editoriale impone di partire da fonti primarie, controllare date e affermazioni, usare una struttura SEO e aggiungere una checklist finale. Un’app di ricerca recupera le fonti, Google Drive fornisce materiali interni e una app personalizzata basata su MCP può creare la bozza su WordPress. Il risultato non è un chatbot “giornalista”, ma un flusso editoriale richiamabile quando serve.

2. Posta elettronica trasformata in lista di priorità

Una skill definisce le categorie “urgente”, “da delegare”, “da leggere” e “può aspettare”. L’app Gmail o Outlook legge i messaggi autorizzati, identifica scadenze e prepara una sintesi. Per rispondere o inviare, ChatGPT può chiedere conferma in base ai permessi impostati.

3. Follow-up commerciale dal CRM

Una skill commerciale stabilisce tono, criteri di qualificazione e struttura del messaggio. HubSpot recupera stato del contatto e ultime interazioni; Gmail prepara una bozza personalizzata. L’agente non inventa il rapporto con il cliente: lavora sui dati che l’utente è autorizzato a vedere.

4. Riunione trasformata in attività

Un plugin può combinare una skill per i verbali con Fathom o Zoom, Notion e Slack. Dalla trascrizione estrae decisioni, responsabili e date; crea una pagina di progetto e prepara il messaggio di riepilogo per il canale del team.

5. Materiale didattico trasformato in presentazione

Una skill didattica definisce pubblico, obiettivi, ritmo, esercizi e numero di slide. Google Drive recupera documenti e dispense, Canva crea la presentazione, mentre la skill controlla che ogni slide abbia un solo messaggio e un’attività concreta.

6. Report KPI con spiegazione manageriale

Una skill contiene definizioni dei KPI, regole per confrontare periodi e soglie di allarme. Le app Data, Microsoft Power BI o Tableau recuperano i dati disponibili. ChatGPT produce una lettura orientata alle decisioni, segnala anomalie e distingue fatti, ipotesi e domande ancora aperte.

7. Triage di issue e pull request su GitHub

Una skill tecnica definisce priorità, severità, criteri di sicurezza e formato del riepilogo. GitHub fornisce issue, pull request e stato della CI. Il plugin può classificare i problemi, proporre test e preparare una revisione, lasciando merge e pubblicazione ai permessi e alle conferme previste.

8. Agenda costruita dalle email

Una skill riconosce richieste di appuntamento, durata, vincoli e margini di viaggio. Gmail o Outlook recupera la conversazione e Google Calendar o Outlook Calendar mostra le disponibilità. ChatGPT propone gli slot e crea l’evento soltanto dopo l’approvazione richiesta.

9. Controllo dei documenti in Dropbox

Una skill definisce nomenclatura, versioni, scadenze e documenti obbligatori. Dropbox individua file mancanti o duplicati e prepara un piano di riordino. Le operazioni che spostano o rinominano file restano soggette ai controlli dell’app.

10. E-commerce e assistenza sui prodotti

Una skill di catalogo stabilisce come descrivere un prodotto senza inventare caratteristiche. Shopify recupera schede, varianti e disponibilità; la procedura prepara descrizioni coerenti, confronti e risposte ai clienti. Un controllo umano resta opportuno prima di modificare prezzi o pubblicare contenuti.

11. Ricerca scientifica con criteri trasparenti

Una skill specifica domanda di ricerca, criteri di inclusione, periodo, tipi di studio e formato delle citazioni. Plugin che includono strumenti come Consensus o SciSpace aiutano a trovare e leggere i paper. La skill obbliga a separare risultati, limiti e interpretazioni, evitando il classico riassunto che fa sembrare certo ciò che certo non è.

12. Radar quotidiano per un’azienda o un territorio

Una skill contiene fonti ammesse, parole chiave, criteri per scartare duplicati e struttura del report. La ricerca web trova gli aggiornamenti; Slack o l’email consegna la sintesi; un’attività programmata la esegue ogni mattina. È un esempio perfetto di componente riutilizzabile: la stessa skill può cambiare fonti e destinatari senza ricreare un GPT da zero.

Questi esempi vanno letti con una clausola: disponibilità, azioni di scrittura e automazioni dipendono dal piano, dall’area geografica, dal ruolo, dal workspace e dai permessi concessi alle singole app.

Che cosa cambia per aziende e professionisti

Il vantaggio maggiore non è estetico. È organizzativo. Una procedura ben scritta può essere condivisa da più plugin; una stessa app può servire più processi; gli amministratori possono separare l’accesso al metodo dall’accesso ai dati.

OpenAI mette a disposizione controlli distinti per plugin e app. Gli amministratori possono decidere quali plugin siano disponibili o installati, quali ruoli possano usarli, quali azioni siano consentite e quando serva un’approvazione. La documentazione sui controlli di sicurezza e conformità chiarisce che installare un plugin non concede automaticamente nuovi diritti sui servizi collegati.

Questo è anche il punto critico. Una skill può includere codice e script; un’app può leggere dati o eseguire azioni. Prima di installare un pacchetto esterno bisogna verificarne autore, contenuto, autorizzazioni e comportamento. Ne ho parlato anche nell’approfondimento sulle skill per Claude e i rischi da evitare: il principio resta valido anche qui. Una procedura sbagliata, automatizzata bene, sbaglia più velocemente.

La checklist per non perdere il lavoro costruito nei GPT

  1. Elenca tutti i GPT che usi davvero, non quelli creati per prova.
  2. Identifica proprietario, utenti e workspace di origine.
  3. Copia istruzioni, file, esempi e prompt di test in un archivio controllato.
  4. Segna app, Custom Actions e API utilizzate.
  5. Definisci quali azioni devono richiedere approvazione umana.
  6. Pubblica le bozze che devono essere migrate, senza renderle necessariamente pubbliche.
  7. Migra un GPT alla volta e prova casi facili, normali e difficili.
  8. Controlla accessi e condivisione del plugin sostitutivo.
  9. Confronta output, file prodotti e azioni eseguite.
  10. Forma gli utenti: non basta consegnare un nuovo pulsante.

Il vero cambiamento: da chatbot personalizzati a competenze componibili

Nel 2023 la metafora vincente era “costruisci il tuo ChatGPT”. Nel 2026 la metafora più utile è “costruisci il tuo sistema di lavoro”. Il centro non è più il personaggio con un nome e un’icona, ma la combinazione tra metodo, dati, strumenti, permessi e supervisione.

È un passaggio più maturo, ma anche più esigente. Creare un GPT richiedeva soprattutto buone istruzioni. Progettare un plugin utile richiede invece di descrivere il processo, decidere quali dati servono, limitare le azioni, definire i controlli e misurare il risultato.

Quindi sì, stiamo dicendo addio ai GPT personalizzati. Ma non alla personalizzazione di ChatGPT. Stiamo dicendo addio al piccolo chatbot isolato e passando a un’AI che carica competenze e strumenti come moduli. Meno personaggi. Più processi.

Domande frequenti

I miei GPT personalizzati sono già stati cancellati?

No. OpenAI ha annunciato un ritiro futuro. Gli account e i workspace possono avere calendari e avvisi diversi. Per gli ambienti Enterprise interessati, il ritiro è programmato per l’11 dicembre 2026.

Una skill è uguale a un GPT?

No. Un GPT era un assistente separato con identità, istruzioni, conoscenza e strumenti. Una skill è una procedura riutilizzabile che ChatGPT può applicare dentro flussi diversi.

Un plugin è la stessa cosa di un’app?

No. L’app collega ChatGPT a un servizio esterno. Il plugin organizza un workflow e può includere una o più app, una o più skill o entrambe.

La migrazione trasferisce tutto?

No. Le istruzioni diventano una skill e le app collegate possono entrare nel plugin, ma starter di conversazione, chat precedenti e modello selezionato possono non passare. Le Custom Actions devono essere ricostruite.

Posso creare una skill senza programmare?

Per gli account idonei, OpenAI consente di crearla conversando con ChatGPT o usando un editor. Le skill possono anche contenere codice, ma non è obbligatorio per i flussi basati soltanto su istruzioni ed esempi.

Le skill sono disponibili per tutti?

OpenAI indica le skill personali soprattutto per Business, Enterprise, Healthcare ed Edu, con disponibilità legata a impostazioni, ruolo e superficie del prodotto. Il catalogo dei plugin è visibile su più piani, ma installazione e funzioni possono variare.

Fonti originali

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

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

Inviaci email

Risposta breve: il reddito universale può diventare uno degli strumenti con cui distribuire una parte dei guadagni prodotti dall’intelligenza artificiale, ma non è ancora una risposta pronta all’uso. L’Unione europea ha registrato una nuova iniziativa dei cittadini, non ha approvato una legge. Gli esperimenti disponibili mostrano benefici sulla sicurezza economica e sul benessere, ma risultati misti sul lavoro. Il vero problema non è soltanto decidere se versare denaro a tutti: è stabilire quanto, a chi, con quali imposte e senza impoverire sanità, scuola, formazione e politiche attive.

La domanda, però, non è più fantascienza: se una quota crescente del valore viene prodotta da modelli, robot e agenti AI, come facciamo a evitare che il reddito resti legato soltanto alla vendita del lavoro umano?

Che cosa propone davvero l’iniziativa europea sul reddito universale

Il punto di partenza è la nuova iniziativa dei cittadini europei sul reddito di base incondizionato. La decisione di esecuzione (UE) 2026/1798 ricostruisce la procedura con precisione: la proposta è stata presentata il 14 maggio 2026, modificata il 16 giugno e registrata dalla Commissione il 7 luglio 2026.

I promotori collegano esplicitamente il reddito di base alla rapida evoluzione di intelligenza artificiale e robotica. Chiedono alla Commissione di usare gli strumenti giuridici disponibili per favorirne l’introduzione negli Stati membri e di formulare una raccomandazione.

Qui serve un evidenziatore rosso. Registrare un’iniziativa non significa approvarne il contenuto. La stessa Commissione precisa che la registrazione non certifica la correttezza fattuale delle affermazioni dei promotori. Significa soltanto che la richiesta, dopo la modifica, rientra nel quadro delle competenze su cui l’Unione può intervenire con orientamenti di politica economica e occupazionale.

Inoltre, una iniziativa dei cittadini europei deve raccogliere almeno un milione di dichiarazioni di sostegno valide e raggiungere soglie minime in almeno sette Paesi. Anche se ci riesce, obbliga la Commissione a esaminarla e rispondere, non ad approvare automaticamente una legge. Quindi l’idea è politicamente concreta, ma istituzionalmente siamo ancora all’inizio del percorso.

Reddito universale, reddito minimo e imposta negativa non sono la stessa cosa

Modello Chi riceve Condizioni Esempio
Reddito universale di base Tutti gli individui della platea prevista Nessuna prova dei mezzi e nessun obbligo di lavorare Un importo mensile uguale per tutti
Reddito minimo garantito Persone o famiglie sotto una soglia Verifica del reddito, talvolta altri requisiti Sostegno mirato contro la povertà
Imposta negativa sul reddito Chi guadagna meno di una soglia fiscale Il trasferimento diminuisce quando il reddito cresce Credito fiscale rimborsabile
Dividendo sociale o dell’AI Tutti, oppure una platea ampia Legato ai rendimenti di un fondo o a entrate specifiche Distribuzione di una quota dei profitti o dei beni comuni

Queste differenze non sono accademiche. Un assegno di 200 euro che si aggiunge al welfare è una cosa. Un reddito di 1.000 euro che sostituisce pensioni, sussidi e servizi è un’altra. Chiamare entrambe le cose UBI rende il dibattito più rumoroso e meno utile.

Esiste davvero una crisi occupazionale causata dall’intelligenza artificiale?

La risposta onesta, oggi, è: vediamo segnali seri di trasformazione e alcuni danni concentrati, ma non abbiamo ancora la prova di una disoccupazione tecnologica di massa.

Il rapporto 2025 dell’International Labour Organization stima che un lavoratore su quattro si trovi in un’occupazione con un certo grado di esposizione alla GenAI. Solo il 3,3% dell’occupazione globale ricade però nella categoria di esposizione più alta. La conclusione dell’ILO è importante: nella maggior parte dei casi è più probabile la trasformazione del lavoro rispetto alla cancellazione completa della professione.

Negli Stati Uniti è emerso un segnale più inquietante. La revisione dell’agosto 2026 del working paper Canaries in the Coal Mine? dello Stanford Digital Economy Lab, basata su dati amministrativi delle buste paga, stima che l’occupazione dei lavoratori di 22-25 anni nelle professioni esposte all’AI sia del 19% inferiore al livello che avrebbe raggiunto mantenendo il passo dei coetanei meno esposti. La distanza nasce soprattutto da minori assunzioni e si concentra nei lavori in cui l’AI sostituisce compiti umani. Gli autori, però, non trovano uno spiazzamento diffuso nell’intera economia e definiscono i risultati indicatori descrittivi iniziali, non stime causali definitive.

Non bisogna commettere due errori opposti:

  • trasformare l’esposizione teorica in licenziamenti già avvenuti;
  • ignorare i primi effetti perché il tasso generale di disoccupazione non è esploso.

Il problema potrebbe presentarsi non come una fila improvvisa di milioni di disoccupati, ma come meno assunzioni junior, carriere d’ingresso più strette, salari polarizzati e potere contrattuale spostato verso chi possiede capitale, dati e modelli. Chi vuole capire la tecnologia senza trattarla come un’unica scatola nera può approfondire anche le differenze tra deep learning e apprendimento per rinforzo.

Il dibattito non nasce con ChatGPT: da Thomas Paine a Martin Luther King

L’idea di separare almeno una parte del reddito dal lavoro salariato attraversa più di due secoli.

Thomas Paine: la ricchezza naturale appartiene anche alla comunità

Nel 1797, in Agrarian Justice, Thomas Paine propose un fondo finanziato attraverso la proprietà fondiaria per corrispondere una dotazione ai giovani e una rendita agli anziani. Non era ancora il reddito universale moderno, ma conteneva un’intuizione decisiva: se qualcuno si appropria in modo esclusivo di una risorsa comune, una parte del valore dovrebbe tornare a tutti.

Bertrand Russell: meno culto del lavoro, più tempo umano

In Elogio dell’ozio, Bertrand Russell attaccava l’idea morale per cui lavorare molte ore sarebbe sempre virtuoso. Se la tecnologia aumenta la produttività, sosteneva, il guadagno dovrebbe tradursi anche in più tempo libero. È una domanda ancora attuale: se l’AI fa in dieci minuti ciò che richiedeva tre ore, il dividendo diventa soltanto margine per l’impresa o anche tempo restituito alle persone?

Martin Luther King Jr.: combattere direttamente la mancanza di reddito

Nel 1967, in Where Do We Go from Here: Chaos or Community?, Martin Luther King Jr. sostenne la garanzia di un reddito come via diretta contro la povertà. Il suo argomento resta potente: molte politiche tentano di curare separatamente casa, istruzione e salute, ma una parte di quei problemi nasce dall’insufficienza di denaro.

Philippe Van Parijs: la libertà deve essere reale

Il filosofo politico Philippe Van Parijs ha costruito una delle difese più sistematiche del reddito di base. La libertà formale non basta se una persona non dispone delle risorse minime per rifiutare un lavoro degradante, studiare, assistere un familiare o avviare un progetto. Il reddito di base diventa così un’infrastruttura di libertà reale, non un premio all’inattività.

L’obiezione repubblicana: perché pagare chi sceglie di non contribuire?

La critica filosofica più dura riguarda la reciprocità. Se la cooperazione sociale produce risorse, è giusto che ne benefici anche chi potrebbe contribuire e decide di non farlo? Il famoso caso dei surfisti di Malibu associato al dibattito su John Rawls riassume il problema. Una società equa deve proteggere chi non può lavorare, ma deve anche decidere che cosa chiedere a chi può farlo.

Qui non esiste una soluzione tecnica neutrale. Reddito universale significa scegliere quale rapporto vogliamo tra libertà, merito, bisogno, cura e partecipazione sociale.

Negli Stati Uniti il reddito di base è discusso da decenni

Gli Stati Uniti sono un laboratorio strano: diffidano del welfare universale, ma hanno prodotto alcune delle proposte e sperimentazioni più influenti.

  • Milton Friedman sostenne l’imposta negativa sul reddito, una soluzione di mercato per sostituire programmi assistenziali frammentati con un trasferimento semplice.
  • Richard Nixon presentò nel 1969 il Family Assistance Plan, una forma di reddito minimo per famiglie con figli. Passò alla Camera ma non divenne legge.
  • L’Alaska Permanent Fund Dividend distribuisce dal 1982 ai residenti idonei un dividendo annuale legato ai rendimenti della ricchezza petrolifera. Non permette di vivere senza lavorare, ma dimostra che un dividendo universale finanziato da una risorsa comune può durare nel tempo.
  • Andrew Yang, durante le primarie democratiche del 2020, portò nel dibattito nazionale il Freedom Dividend da 1.000 dollari al mese, motivandolo soprattutto con automazione e intelligenza artificiale.
  • Sam Altman ha proposto un fondo di equità nazionale alimentato da imposte sul valore delle aziende e della terra, con dividendi distribuiti ai cittadini. È l’idea del reddito non come assistenza, ma come quota di proprietà dell’economia automatizzata.

Negli USA la proposta unisce famiglie politiche lontane. A sinistra piace perché riduce povertà e precarietà. Ad alcuni libertari piace perché semplifica la burocrazia e amplia la libertà individuale. Ma la coalizione si rompe su una domanda: il reddito universale deve aggiungersi ai servizi oppure sostituirli?

Che cosa ci dicono gli esperimenti

Esperimento Disegno Risultato utile Limite
OpenResearch, USA Circa 1.000 persone a basso reddito hanno ricevuto 1.000 dollari al mese per tre anni; il gruppo di controllo 50 dollari Più flessibilità e spesa per bisogni essenziali; riduzione modesta della partecipazione e delle ore lavorate Trasferimento temporaneo e campione a basso reddito, non intera popolazione
Stockton SEED 125 residenti hanno ricevuto 500 dollari al mese per due anni Migliore stabilità finanziaria e benessere; nel primo anno aumentò anche l’occupazione a tempo pieno Campione piccolo e programma filantropico
Alaska Dividendo annuale universale finanziato da un fondo sovrano Lo studio pubblicato sull’American Economic Journal: Economic Policy non rileva una diminuzione dell’occupazione complessiva e osserva più part-time Importo variabile e insufficiente per essere un reddito di sussistenza
Finlandia 2.000 disoccupati hanno ricevuto 560 euro al mese nel 2017-2018 Migliore benessere percepito e sicurezza economica, effetti occupazionali contenuti Non era universale: riguardava persone già disoccupate

Lo studio più ampio negli Stati Uniti, coordinato da OpenResearch, è particolarmente istruttivo. Il paper sugli effetti occupazionali ha osservato una riduzione di circa 2 punti percentuali nella partecipazione al mercato del lavoro e di 1,3-1,4 ore lavorate a settimana. Non è il crollo della voglia di lavorare annunciato dai critici, ma non è nemmeno un effetto nullo.

Questa è la lezione generale: il denaro incondizionato cambia le scelte, ma non le cambia tutte nella stessa direzione. Qualcuno lavora un po’ meno, qualcuno cerca un impiego migliore, qualcuno studia, cura un figlio, affronta una spesa sanitaria o apre una microattività. Valutare soltanto le ore lavorate significa confondere il mercato del lavoro con l’intera vita.

I principali argomenti a favore del reddito universale nell’era dell’AI

  1. Assicura la transizione. Un impiegato amministrativo può frequentare un corso di sei mesi senza accettare il primo lavoro disponibile per pagare l’affitto.
  2. Riduce la trappola dei sussidi. Se il trasferimento non sparisce appena si guadagna un euro in più, accettare un incarico breve o avviare un’attività diventa meno rischioso.
  3. Riconosce lavoro non pagato. Cura familiare, volontariato e formazione producono valore sociale anche quando non generano una busta paga.
  4. Aumenta il potere contrattuale. Chi dispone di una base economica può rifiutare condizioni abusive e negoziare meglio.
  5. Distribuisce il dividendo tecnologico. Se l’AI è stata costruita anche su ricerca pubblica, infrastrutture, dati e conoscenza collettiva, una quota dei rendimenti può tornare alla collettività.
  6. Semplifica una parte della burocrazia. Un trasferimento automatico riduce controlli, stigma ed errori di esclusione.

Le obiezioni più serie, non le caricature

  1. Il costo lordo è enorme. In un Paese con 50 milioni di adulti, 500 euro al mese equivalgono a 300 miliardi di euro l’anno. Il costo netto può essere molto inferiore grazie a imposte e sostituzione di alcune prestazioni, ma la scala resta gigantesca.
  2. Pagare anche i ricchi sembra uno spreco. I sostenitori rispondono che l’universalità elimina stigma e burocrazia e che il fisco recupera il trasferimento dai redditi alti. Funziona solo se il sistema fiscale è davvero progressivo.
  3. Può indebolire alcuni incentivi al lavoro. L’evidenza non mostra una fuga generalizzata dal lavoro, ma riduzioni moderate esistono e variano in base all’importo e al disegno.
  4. Rischia di diventare un cavallo di Troia. Se 500 euro sostituiscono sanità, scuola, disabilità e casa, il risultato può essere meno protezione, non più libertà.
  5. Non risolve l’offerta. Se mancano abitazioni, medici o asili, più denaro può aumentare prezzi e rendite senza creare i servizi mancanti.
  6. Può socializzare i costi e privatizzare i profitti. Le imprese automatizzano, i proprietari incassano e lo Stato paga il reddito con le imposte sul lavoro residuo: sarebbe il contrario di un dividendo tecnologico.

Il Fondo Monetario Internazionale sintetizza bene il triangolo dei compromessi: copertura, generosità e sostenibilità fiscale. Non possiamo massimizzare contemporaneamente tutte e tre senza indicare entrate nuove o tagli altrove.

Come si potrebbe finanziare un reddito universale legato all’AI

Illustrazione del valore prodotto dall'intelligenza artificiale che alimenta un fondo pubblico, i servizi e un dividendo ai cittadini

Dire “tassiamo i robot” è una buona battuta e una cattiva base imponibile. Che cos’è un robot? Un braccio industriale, un software, un agente AI, una licenza cloud? Una politica credibile dovrebbe combinare più fonti:

  • fiscalità generale progressiva, perché il reddito di base è parte del patto sociale e non una tassa punitiva su una singola tecnologia;
  • tassazione effettiva delle rendite e dei profitti straordinari, evitando che la mobilità internazionale delle imprese svuoti la base fiscale;
  • fondo sovrano o fondo sociale che possieda quote diversificate dell’economia e distribuisca una parte dei rendimenti, sul modello concettuale dell’Alaska;
  • dividendo sui beni comuni digitali, collegato all’uso commerciale di dati, ricerca pubblica, spettro e infrastrutture;
  • carbon dividend, restituendo ai cittadini parte delle entrate da prezzi e aste sulle emissioni;
  • riordino selettivo dei trasferimenti monetari, senza eliminare servizi e protezioni legate a bisogni specifici.

La proposta più interessante non è il sussidio pagato dai lavoratori, ma la proprietà diffusa di una piccola quota del capitale automatizzato. Se la produttività dell’AI cresce, cresce anche il fondo che paga il dividendo. In questo modo i cittadini non ricevono l’elemosina dei vincitori: possiedono una frazione del motore economico.

Cinque esempi concreti di che cosa cambierebbe

1. La segretaria amministrativa che vede automatizzato metà del lavoro

Un reddito di base parziale non le garantisce una nuova professione, ma le consente di ridurre l’orario e formarsi su controllo dei processi, relazione con il cliente e supervisione dell’AI.

2. Il giovane programmatore che non trova più il primo impiego

Il rischio segnalato dai dati statunitensi riguarda proprio l’ingresso. Il trasferimento può finanziare un apprendistato, un progetto open source o sei mesi di ricerca. Ma deve essere accompagnato da percorsi che ricostruiscano il ponte tra formazione e lavoro.

3. L’artigiano che usa agenti AI

L’AI gli fa risparmiare dieci ore alla settimana tra preventivi, email e documenti. Il dividendo non serve a sostituirlo: serve a distribuire una parte dei guadagni di produttività anche a chi opera in mercati dove quei guadagni non si trasformano subito in salari più alti.

4. La caregiver familiare

Non perde il lavoro a causa dell’AI, perché il suo lavoro non era pagato nemmeno prima. Un reddito individuale riconosce almeno in parte il valore della cura e riduce la dipendenza economica dal nucleo familiare.

5. Il lavoratore di una fabbrica automatizzata

Se la produzione aumenta con meno addetti, il reddito universale può attutire la transizione. Ma senza partecipazione agli utili, contrattazione, formazione e investimenti territoriali, rischia di essere soltanto il cerotto applicato dopo la chiusura.

Quanto è concreta, allora, l’idea?

La mia valutazione è questa:

  • Molto concreta come esperimento e reddito garantito mirato. Esistono decine di programmi, dati e strumenti amministrativi.
  • Concreta come dividendo parziale. L’Alaska dimostra che un pagamento universale finanziato da un fondo può sopravvivere per decenni.
  • Politicamente possibile come credito fiscale o reddito minimo semplificato. È più vicino ai sistemi esistenti e costa meno di un UBI pieno.
  • Ancora poco concreta come reddito europeo sufficiente per vivere. L’iniziativa non specifica importo, base imponibile, rapporto con il welfare e ripartizione delle competenze tra UE e Stati.
  • Urgente come domanda distributiva. Anche senza disoccupazione di massa, l’AI può concentrare reddito e potere. Aspettare la catastrofe occupazionale per discutere le regole sarebbe irresponsabile.

La posizione più ragionevole non è “reddito universale subito” né “non servirà mai”. È progettare ora sperimentazioni più lunghe e ampie, conti trasparenti e meccanismi di finanziamento legati al capitale, misurando occupazione, salute, istruzione, imprenditorialità, prezzi e potere contrattuale.

Tre video per capire il dibattito

Reddito universale spiegato in modo visuale

Il video di Kurzgesagt presenta in modo accessibile definizione, vantaggi, costi e obiezioni. È un buon punto di partenza, non una conclusione.

Rutger Bregman: la povertà è mancanza di denaro

La tesi favorevole ai trasferimenti incondizionati è esposta con efficacia. Va poi confrontata con costi, disegno fiscale e risultati degli esperimenti.

Il lavoro nell’era dell’intelligenza artificiale

Il documentario di PBS FRONTLINE mostra perché automazione, produttività e lavoro devono essere discussi insieme, prima che la redistribuzione diventi una misura d’emergenza.

Domande frequenti

Il reddito universale è già stato approvato dall’Unione europea?

No. La Commissione ha registrato un’iniziativa dei cittadini europei. La registrazione permette la raccolta dei sostegni e apre un percorso politico, ma non crea un diritto al pagamento e non obbliga l’UE ad approvare una legge.

L’intelligenza artificiale sta già eliminando milioni di posti?

Non esiste ancora una prova di disoccupazione tecnologica di massa. Esistono però segnali di contrazione in alcune occupazioni e fasce d’età, insieme a un’ampia trasformazione dei compiti. L’esposizione all’AI non equivale automaticamente alla perdita del posto.

Con il reddito universale le persone smettono di lavorare?

Gli studi non mostrano un abbandono generalizzato del lavoro. Alcuni rilevano riduzioni moderate della partecipazione o delle ore, altri nessun effetto sull’occupazione complessiva. Contano importo, durata, platea e condizioni economiche.

Il reddito universale sostituirebbe pensioni, sanità e scuola?

Non necessariamente. È una scelta politica. Un modello può aggiungere una base monetaria e mantenere i servizi; un altro può sostituire alcune prestazioni. La seconda opzione è anche la più rischiosa per persone con disabilità, malattie o bisogni elevati.

Qual è la soluzione più realistica nel breve periodo?

Un reddito di base parziale o un credito fiscale rimborsabile, accompagnato da servizi pubblici, formazione, assicurazione salariale e un fondo sociale alimentato anche dai rendimenti dell’economia automatizzata.

Conclusione: non chiediamoci soltanto se lavoreremo

Il reddito universale non è una bacchetta magica e l’AI non è ancora una macchina che ha cancellato il lavoro. Ma la domanda posta dall’iniziativa europea è corretta: in un’economia in cui il contributo del lavoro umano può diminuire in molti processi, il diritto a vivere deve dipendere interamente dalla capacità di vendere ore sul mercato?

La risposta non può essere un assegno senza politica industriale, formazione o servizi. Ma neppure la solita promessa che nasceranno nuovi lavori e che tutti, in qualche modo, si adatteranno. La proposta più solida combina quattro elementi: reddito di base parziale, servizi universali, diritto alla formazione permanente e proprietà collettiva di una quota del capitale tecnologico.

Altrimenti rischiamo il paradosso perfetto: macchine sempre più produttive, società sempre più ricche e persone sempre più spaventate. Non sarebbe un fallimento dell’intelligenza artificiale. Sarebbe un fallimento delle nostre istituzioni.

Fonti principali

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

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

Inviaci email