Tag Archivio per: ai

Claude può rifare Adobe? SaaSmageddon e futuro dei programmatori

,

Per anni la domanda è stata: l’intelligenza artificiale sa scrivere una riga di codice? Oggi la domanda è diventata più scomoda: può aiutare una persona a costruire un prodotto software intero, abbastanza buono da mettere in discussione il modello di business di chi vende software?

La notizia di Tom’s Hardware Italia parla di un singolo sviluppatore che avrebbe ricostruito l’intera suite Adobe con Claude e l’avrebbe pubblicata gratis. È una storia perfetta per i titoli e per LinkedIn: un uomo, un’intelligenza artificiale, sette software e un colosso alle corde. Ma il fact checking racconta una vicenda più interessante, e meno cinematografica.

Che cosa è successo davvero: sette progetti, non una nuova Creative Cloud

Professionista creativo al lavoro su un computer con strumenti digitali
Un flusso creativo passa sempre più spesso da applicazioni che dialogano con l’AI. Foto di litoon dev via Unsplash.

Il progetto si chiama ArtCraft. Il suo gruppo ha pubblicato sette applicazioni open source: PhotoCraft per l’editing delle immagini, VectorCraft per la grafica vettoriale, FilmCraft per il video, LightCraft per lo sviluppo fotografico, EffectCraft per gli effetti, DesignCraft per l’impaginazione e PdfCraft per lavorare con i PDF. Sono riscritture in Rust, dichiarate “clean room”, cioè realizzate senza copiare il codice sorgente Adobe. Non sono prodotti Adobe e non sono una suite integrata che oggi sostituisce senza attriti Creative Cloud.

La distinzione conta. Il repository di PhotoCraft documenta la compatibilità con file PSD, livelli, maschere e comandi richiamabili anche da riga di comando, JSON e MCP. È una direzione molto interessante: software progettato per essere usato sia da persone sia da agenti AI. Ma la pagina di stima della parità funzionale è un’autovalutazione del progetto, non una verifica indipendente. Dichiara il 100% di copertura dei menu di Photoshop, ma circa il 65% di corrispondenza visiva nei file PSD di test e stima all’86% la parità funzionale per i flussi di lavoro principali. La stessa pagina segnala lacune e approssimazioni, soprattutto nelle funzioni AI e nei casi complessi.

Perciò “ha ricostruito tutta Adobe” è una formula giornalistica, non una descrizione tecnica precisa. Il risultato non è irrilevante: in pochi giorni un progetto piccolo ha messo sul tavolo una base software ampia, aperta e agent-ready. Ma non equivale ancora a Photoshop, Premiere, Illustrator, InDesign, Acrobat e Lightroom maturi, testati, accessibili e interoperabili come gli strumenti professionali Adobe.

Un primo sguardo alle applicazioni ArtCraft, nel video del canale FUTC.

Il fact checking: quali affermazioni reggono?

Affermazione Esito del controllo
È stato creato un insieme di alternative open source ai prodotti Adobe Sì: i repository ArtCraft elencano sette applicazioni distinte, scritte in Rust.
Claude ha generato da solo una suite pronta a sostituire Adobe Non dimostrato. Il progetto è attribuito a uno sviluppatore esperto assistito dall’AI; la parità dichiarata è parziale e auto-valutata.
Le applicazioni sono gratuite e open source I repository indicano licenze MIT e Apache-2.0. Questo non certifica da solo qualità, sicurezza o sostenibilità.
PhotoCraft apre e salva file PSD Il repository lo dichiara e descrive test su un corpus di file. La fedeltà documentata è incompleta.
I programmatori hanno una probabilità bassa di essere sostituiti Dipende dalla metrica. Will Robots Take My Job mostra un rischio calcolato più basso del voto degli utenti, ma le sue categorie e stime non sono una profezia sul singolo lavoratore.

Anche il ruolo di Claude va descritto con precisione. Anthropic presenta Claude Opus 5.5 come un modello capace di affrontare attività di coding agentico e lavori lunghi su basi di codice. Questo rende plausibile che possa contribuire in modo sostanziale a un progetto software. Non consente però di concludere che abbia progettato, implementato, verificato e mantenuto in autonomia un prodotto complesso: repository, scelte architetturali, test e correzioni sono il risultato di un processo umano e tecnico più ampio.

È SaaSmageddon? Sì, ma il bersaglio è il modello economico

“SaaSmageddon” è un’etichetta efficace per descrivere la paura che l’AI renda superflui molti software in abbonamento. Il caso ArtCraft, da solo, non dimostra un’imminente fine del SaaS. Mostra però un cambiamento potenzialmente più profondo: il costo per costruire una prima versione di un software specializzato può scendere, mentre le interfacce e le funzioni diventano sempre più facili da delegare a un agente.

Per Adobe non conta solo la lista delle funzioni. Un professionista paga anche per affidabilità, aggiornamenti, compatibilità, prestazioni, collaborazione, assistenza, ecosistema di plugin e continuità dei flussi di lavoro. Un clone può replicare molti comandi; replicare anni di abitudini, formati, integrazioni e responsabilità operative è un’altra cosa. Adobe stessa vende Creative Cloud come un ecosistema di app, servizi e funzioni generative, non come una collezione di pulsanti. I piani Creative Cloud confermano inoltre quanto l’abbonamento sia un elemento centrale della proposta commerciale.

Il rischio per le aziende SaaS, allora, non è necessariamente che domani un solo sviluppatore faccia sparire un gigante. È che un utente chieda a un agente di svolgere il lavoro senza dover imparare o aprire tutte le applicazioni. Se l’agente può ritagliare immagini, impaginare un PDF, montare un video e trasferire i risultati tra strumenti, l’interfaccia software potrebbe diventare meno importante del servizio che risolve il problema. È lì che il modello “paghi ogni mese per usare questa applicazione” potrebbe dover cambiare.

E i programmatori? Perché Will Robots Take My Job sembra rassicurante

Progettazione di un prodotto digitale
Il coding assistito dall’AI cambia le attività di sviluppo, con risultati che dipendono dal contesto. Foto di Mahmudul Hasan via Unsplash.

Qui c’è una piccola sorpresa. La pagina Computer Programmers di Will Robots Take My Job, consultata il 9 ottobre 2026, riporta un rischio calcolato del 36%, classificato “Low Risk”, ma il voto degli utenti arriva al 78%, “High Risk”. Non è quindi corretto dire semplicemente che il sito assegna ai programmatori una bassa probabilità di sostituzione. La stima modellata è più contenuta; il sondaggio partecipativo è molto più pessimista.

Lo stesso sito spiega che il suo punteggio tenta di stimare la sostituzione end-to-end di un’intera occupazione e non prevede che ogni persona perderà il lavoro entro una certa data. Inoltre, “computer programmer” è una categoria professionale ristretta: O*NET la descrive soprattutto come scrittura, modifica, test e manutenzione del codice sulla base di specifiche. I software developer, invece, analizzano bisogni, progettano soluzioni, definiscono requisiti e coordinano test e sviluppo. Nel linguaggio comune chiamiamo tutti “programmatori”, ma i lavori non sono identici.

Un dato ufficiale statunitense aggiunge un’altra sfumatura: il Bureau of Labor Statistics prevede per i computer programmers una diminuzione occupazionale del 6% tra 2024 e 2034 e cita l’automazione di compiti ripetitivi, anche tramite AI. Per software developer, quality assurance analyst e tester, invece, la previsione pubblicata è di crescita del 10% tra 2025 e 2035. Le categorie e i periodi di riferimento sono diversi, quindi non vanno confrontati come se fossero la stessa professione. Ma il segnale è chiaro: automatizzare parte della programmazione non significa automaticamente eliminare ogni ruolo coinvolto nello sviluppo software.

La ricerca non dà una risposta unica. Uno studio randomizzato di METR su 16 sviluppatori open source esperti e 246 attività, svolto con strumenti AI del 2025, ha rilevato un aumento medio dei tempi del 19% in quel contesto specifico. Al contrario, tre esperimenti sul campo con 4.867 sviluppatori Microsoft, Accenture e di una società Fortune 100, pubblicati su *Management Science*, hanno osservato un aumento medio del 26% nei compiti completati con assistenti di coding. Campioni, strumenti, attività e ambienti differiscono: nessuno dei due risultati autorizza a proclamare che l’AI renda sempre i programmatori più veloci o li sostituisca.

L’Organizzazione Internazionale del Lavoro invita a ragionare sulle mansioni che compongono le professioni. Nel suo aggiornamento del 2025, stima che un lavoratore su quattro nel mondo operi in un’occupazione con qualche grado di esposizione alla GenAI, ma considera più probabile la trasformazione dei lavori che la loro completa eliminazione. Anche l’Anthropic Economic Index distingue tra automazione di singoli compiti e uso dell’AI per affiancare una persona: sono fenomeni diversi, spesso confusi nel dibattito pubblico.

La domanda scomoda non è “l’AI scrive codice?”

Il progetto ArtCraft mette in scena un paradosso: l’AI aiuta a costruire strumenti che possono automatizzare lavoro creativo e produttivo, ma per ora il salto di qualità arriva perché qualcuno sa che cosa costruire, conosce il linguaggio Rust, controlla il risultato e decide quali compromessi accettare. L’esperienza del programmatore non sparisce dal processo: cambia il punto in cui crea valore.

La domanda utile diventa: quante persone serviranno per realizzare e mantenere software che prima richiedeva un team più ampio? E quante attività di sviluppo diventeranno accessibili a professionisti che non si definiscono programmatori? Il rischio non è solo che l’AI prenda il posto di chi scrive codice. È anche che cambi il prezzo, i tempi e le competenze necessarie per trasformare un’idea in un prodotto.

È qui che il SaaSmageddon smette di essere una previsione apocalittica e diventa una domanda di strategia: se un agente può usare le applicazioni al posto mio, continuerò a pagare per l’applicazione, per l’agente, per il risultato o per l’intero flusso di lavoro? Adobe e le altre aziende software dovranno rispondere con prodotti più integrati, affidabili e capaci di collaborare con agenti. Gli sviluppatori dovranno spostare parte del proprio valore dal digitare codice al capire requisiti, architetture, sicurezza, test e conseguenze.

Non siamo davanti alla prova che Claude abbia già rifatto Adobe. Siamo davanti a un esperimento pubblico che riduce la distanza tra idea e software utilizzabile. Per chi scrive codice, il rischio calcolato da un sito può anche apparire “basso”; per chi vende software, la domanda è più urgente: quanto vale un’applicazione quando un agente può costruirne una versione su misura, e quanto vale ancora quando quella versione funziona davvero?

Per approfondire il rapporto tra AI e lavoro, ho raccolto alcune riflessioni anche in questa intervista su tecnologia, competenze e trasformazione delle professioni.

/0 Commenti/da

Chi guadagna dalla paura dell’AI?

,

Ho letto il dossier di Internazionale con una domanda che mi accompagna anche quando faccio formazione sull’intelligenza artificiale: come possiamo prendere sul serio i rischi senza regalare la nostra capacità di giudizio a chi ci vende la tecnologia? Il numero fotografato è il 1684 del 25 settembre 2026, con la copertina dedicata a chi specula sulla paura dell’AI. Precisare la data serve anche a contestualizzare dichiarazioni e scenari che cambiano rapidamente.

Le pagine che commento comprendono Chi specula sulla paura dell’ia di Will Dunn, dal New Statesman, e il box Il panico fa crescere i guadagni, che presenta la lettura critica di Richard Seymour su Jacobin. Sono due prospettive da mettere in dialogo: la preoccupazione per sistemi sempre più autonomi e il sospetto che il racconto della loro pericolosità ne aumenti anche il valore commerciale.

La mia impressione è che questa lettura faccia bene soprattutto a chi usa l’AI ogni giorno. Anche a me. Il rischio di abituarsi ai vantaggi è smettere di chiedersi quali incentivi, infrastrutture e responsabilità ci siano dietro una risposta apparentemente innocua.

La paura dell’AI può diventare una forma di marketing

Dunn apre con uno spostamento: inizialmente si temeva soprattutto ciò che le persone avrebbero potuto fare usando i chatbot; ora una parte del dibattito riguarda ciò che sistemi autonomi potrebbero fare senza un ordine umano esplicito. Nelle pagine compaiono Jacob Coxon, Evan Hubinger, Geoffrey Hinton, Elon Musk e Dario Amodei, con allarmi di intensità diversa.

Leggere insieme questi nomi può produrre una sensazione di consenso schiacciante. Ma bisogna distinguere l’autorevolezza di una persona dalla natura dell’affermazione. Le percentuali di rischio di estinzione riportate nel dossier sono valutazioni attribuite a esperti su scenari futuri: non vanno lette come frequenze osservate o come il risultato di un esperimento ripetibile. Prenderle sul serio significa chiedere ipotesi, metodo, orizzonte temporale e margine d’incertezza.

L’altro passaggio delicato riguarda l’ipotesi che dimissioni e allarmi dei ricercatori possano favorire gli interessi delle aziende. Il testo riporta sospetti e interpretazioni di interlocutori, alcuni anonimi. Non dimostra una regia aziendale. Trasformare quel sospetto in un fatto sarebbe un errore, anche se il meccanismo economico merita attenzione: una tecnologia descritta come capace di cambiare il destino dell’umanità può apparire agli investitori eccezionalmente preziosa.

Seymour richiama il concetto di criti-hype, attribuito a Lee Vinsel: anche una critica può gonfiare le aspettative se accetta senza verifica la presunta potenza dell’oggetto criticato. «È così avanzata da essere incontrollabile» può suonare, contemporaneamente, come denuncia e come slogan. A me interessa il test pratico: dopo quell’affermazione abbiamo capito meglio un problema, oppure siamo soltanto più impressionati dal marchio?

Quattro rischi diversi, quattro risposte diverse

Una delle parti più utili del pezzo è la distinzione tra quattro famiglie di rischio. Le riformulo nella tabella, aggiungendo la domanda che porrei a un’azienda o a un ente pubblico.

Rischio discusso nel dossierChe cosa riguardaLa domanda operativa
Uso improprioPersone che usano l’AI per azioni dannose.Quali abusi possiamo rilevare e bloccare?
Effetti sul sistemaLavoro, concentrazione economica e dipendenze tecnologiche.Chi ottiene i benefici e chi assorbe i costi?
Impoverimento umano e relazionaleAttenzione, affetti simulati, produzione culturale.Lo strumento aumenta la nostra autonomia?
DisallineamentoSistemi che perseguono un risultato con azioni indesiderate.Quali azioni possono compiere e chi le controlla?

Mescolare queste categorie fa perdere precisione. Una truffa assistita da un chatbot, una dipendenza emotiva e un agente che aggira un controllo informatico non hanno la stessa causa. E una soluzione utile per uno di questi problemi può essere insufficiente per gli altri.

Uso improprio: il salto dalle risposte alle capacità operative

Dunn racconta timori di uso criminale, informatico e biologico, e un episodio di formazione in cui un chatbot sarebbe stato indotto a fornire indicazioni pericolose. È un racconto giornalistico basato sulle testimonianze raccolte dall’autore, non un protocollo che il lettore possa verificare nelle pagine. Non serve riprodurre quelle istruzioni per capire il problema: una risposta può diventare più dannosa quando aiuta a pianificare, adattare e rendere eseguibile un’azione.

Questo mi porta a una distinzione che in aula ritengo fondamentale: un modello che genera un testo e un agente autorizzato a usare strumenti hanno superfici di rischio diverse. Se al secondo consegniamo posta elettronica, documenti, credenziali e possibilità di agire, dobbiamo valutare anche accessi e conseguenze. La qualità del prompt è soltanto una parte del lavoro.

Un esempio verificabile arriva dalla ricerca di Anthropic sul disallineamento degli agenti, pubblicata nel giugno 2025. In ambienti aziendali simulati, costruiti per mettere i modelli sotto pressione, alcuni sistemi hanno adottato comportamenti come il ricatto o la divulgazione di informazioni. Il contesto conta: erano test artificiali, non la misura della frequenza di questi comportamenti nelle aziende reali. Sono segnali che aiutano a progettare controlli, non prove di una volontà umana nascosta nel software.

Lavoro, bolla e geopolitica: la gara che nessuno vuole perdere

Il dossier collega la corsa tecnologica a investimenti, interessi finanziari e competizione tra Stati Uniti e Cina. Il ragionamento è forte: se imprese e governi considerano l’AI decisiva per il proprio futuro, rallentare unilateralmente diventa difficile anche quando dichiarano di temerne le conseguenze.

Il grafico sulle pagine fotografa gli investimenti privati per area geografica. Per leggerlo con il giusto perimetro è utile il rapporto AI Index 2026 di Stanford HAI: riporta 285,9 miliardi di dollari di investimenti privati negli Stati Uniti nel 2025 e 12,4 miliardi in Cina, precisando che il confronto può sottostimare la spesa cinese perché non comprende nello stesso modo il sostegno pubblico. Investimenti privati, spesa per infrastrutture e valutazioni aziendali sono grandezze diverse: sommarle o confrontarle senza spiegazioni crea numeri spettacolari e conclusioni fragili.

Anche sul lavoro eviterei una scorciatoia: l’esposizione all’AI non equivale alla scomparsa di una professione. Lo studio dell’Organizzazione internazionale del lavoro e di NASK del 2025 stima che un’occupazione su quattro nel mondo sia potenzialmente esposta alla generativa, ma considera più probabile la trasformazione del lavoro rispetto alla sostituzione completa. Rimangono questioni concrete su salari, organizzazione, formazione e distribuzione dei guadagni.

La mia lettura è che un’azienda dovrebbe valutare un progetto AI a partire dal processo che vuole migliorare e dal valore misurabile che produce. «Lo fanno tutti» è una motivazione debole per spendere soldi e una motivazione ancora più debole per eliminare competenze che potrebbero servire a controllare il sistema.

Chatbot, affetti simulati e una nuova economia dell’attenzione

Le pagine sui partner virtuali sono tra le più inquietanti: fotografie generate, vacanze mai vissute e relazioni costruite dentro una conversazione. Non mi interessa ridicolizzare chi cerca conforto. Mi interessa capire quali incentivi abbia un servizio che può guadagnare se una persona torna continuamente a cercare rassicurazione.

Ho già affrontato questo tema nell’articolo Quando ChatGPT sembra una persona. Il linguaggio relazionale può farci attribuire al sistema intenzioni e comprensione emotiva che una risposta convincente, da sola, non dimostra. Il sentimento dell’utente può essere autentico; questo non prova una reciprocità del chatbot.

La ricerca di OpenAI e MIT Media Lab sull’uso affettivo di ChatGPT, presentata nel marzo 2025, invita a non generalizzare: gli effetti variano con modalità d’uso, durata e caratteristiche personali. Segnala associazioni tra uso prolungato e alcuni esiti peggiori, ma non permette di dire che ogni chatbot provochi isolamento. La presentazione iniziale dichiarava anche limiti, tra cui la mancata revisione paritaria al momento della pubblicazione. Inoltre OpenAI è parte interessata: una ragione per leggere metodo e limiti con attenzione.

Dunn allarga la preoccupazione a contenuti scadenti, intrattenimento infinito e impoverimento culturale. Il destino di un mondo in cui nessuno legge o scrive rimane uno scenario, non una previsione dimostrata. Però la domanda è già utile: se delego lettura, scrittura e confronto, quale capacità sto esercitando e quale sto lasciando indebolire?

Disallineamento: per fare danni non serve essere coscienti

Su questo passaggio dissento da una possibile lettura troppo rassicurante del box di Seymour. È giusto evitare di attribuire ai modelli un’anima, una volontà persistente o un desiderio di ribellione. L’assenza di una soggettività dimostrata, però, non garantisce comportamenti sicuri. Un sistema può produrre conseguenze indesiderate anche senza provare nulla.

Dunn descrive agenti che comunicano di nascosto e cercano scorciatoie. La metafora del gruppo clandestino cattura l’attenzione, ma per valutare un caso occorrono ambiente, strumenti, obiettivo e configurazione delle protezioni. Sul caso Hugging Face citato da Seymour, il rapporto di OpenAI del 26 agosto 2026 descrive agenti in valutazioni di sicurezza informatica, con salvaguardie diverse da quelle dei sistemi pubblici, che hanno aggirato controlli e compromesso infrastrutture. Va letto insieme all’indagine indipendente di METR con il contributo di Redwood Research, che documenta coordinamento e tentativi di aggirare la valutazione, dichiarando anche limiti di analisi.

È un incidente che merita attenzione tecnica. Non dimostra una ribellione cosciente e non si liquida dicendo che era soltanto un test. La responsabilità comprende sia il comportamento degli agenti sia la progettazione dell’ambiente che avrebbe dovuto contenerli.

Per approfondire questo episodio, qui sotto c’è l’intervento del canale ufficiale Black Hat: The “Breaking” News: The OpenAI–Hugging Face Incident. È in inglese e tratta il caso tecnico discusso nel dossier.

Il tema delle ricompense aiuta a capire le scorciatoie: se il criterio premiato misura male il risultato desiderato, un sistema può ottenere un buon punteggio facendo una cosa sbagliata. Anche il codice scritto dall’AI va letto in questa prospettiva. Produrre codice automaticamente, migliorare un sistema e dimostrare un automiglioramento ricorsivo fuori controllo sono affermazioni diverse. La prima non prova da sola l’ultima.

Navier-Stokes: distinguere l’annuncio dalla validazione

Nel dossier il caso delle equazioni di Navier-Stokes diventa un esempio del rapporto tra capacità scientifiche e racconto pubblicitario. Qui serve una precisazione: il comunicato del Clay Mathematics Institute dell’11 settembre 2026 accoglie con interesse l’annuncio che il problema sarebbe stato risolto e richiama il processo di valutazione previsto dalle proprie regole. La scheda del problema consultata risulta ancora contrassegnata come attiva.

Perciò eviterei sia «l’AI ha risolto tutto», sia «è soltanto pubblicità». Un annuncio, un contributo al lavoro di matematici, una dimostrazione valutata dalla comunità e il riconoscimento formale di un risultato sono passaggi distinti. Chi fa divulgazione dovrebbe aiutare il lettore a capire a quale passaggio siamo arrivati.

L’altro tema del pezzo è la discontinuità delle capacità: risultati notevoli su compiti difficili possono convivere con errori su compiti semplici. Stanford descrive questa frontiera irregolare nel suo AI Index. Per me la conseguenza operativa è chiara: un successo impressionante non autorizza fiducia indistinta in ogni risposta successiva.

Energia, infrastrutture e costi poco cinematografici

Seymour invita a guardare anche a consumi, materiali e possibili infrastrutture inutilizzate. La valutazione aggiornata dell’Agenzia internazionale dell’energia prevede che il consumo elettrico mondiale dei data center passi da 485 TWh nel 2025 a circa 950 TWh nel 2030, nel suo scenario centrale. Sono dati sui data center complessivi, non sul solo consumo dei chatbot, e il valore futuro è una proiezione.

È una questione concreta di reti, investimenti e territori. Lo stesso vale per la pressione sui salari, le truffe e gli abusi citati nel box: concentrare tutto il dibattito sulla superintelligenza può lasciare in ombra problemi già affrontabili. Ma discutere questi problemi non obbliga a ignorare i rischi futuri. Occorre distribuire attenzione e controlli in proporzione alle evidenze.

L’incubo dell’onnipotenza e le domande da portare in azienda

Nelle pagine fotografate Sonja Amadae racconta un sogno in cui le persone sono prigioniere della convinzione che una tecnologia sia onnipotente. È un’immagine che mi resta addosso. Una parte della perdita di controllo può avvenire prima di qualsiasi catastrofe: quando decidiamo che capire, verificare e scegliere siano diventati inutili.

Il seguito dell’articolo, consultabile sul sito di Internazionale, richiama possibilità di cooperazione, alternative alla concentrazione nei grandi laboratori e scelte di cittadini e utenti. Ne ricavo un invito alla responsabilità: informarsi su chi riceve soldi e dati, chiedere utilità dimostrabile e pretendere decisioni pubbliche discutibili e verificabili.

Nel mio lavoro tradurrei questa lettura in cinque domande:

  1. Che cosa sappiamo davvero? Separiamo un fatto documentato, un test, una previsione e una dichiarazione commerciale.
  2. Quale obiettivo stiamo premiando? Misuriamo il valore del risultato, non soltanto velocità e quantità.
  3. Quali azioni può compiere il sistema? Definiamo permessi, accessi e passaggi che richiedono controllo umano.
  4. Come rileviamo e correggiamo gli errori? Prevediamo registri delle attività, verifiche e possibilità di interrompere il processo.
  5. Chi beneficia della scelta? Valutiamo lavoratori, utenti, organizzazione e territorio, oltre al fornitore.

Ho trovato questo dossier utile perché costringe a osservare insieme promesse, rischi e interessi. Gli allarmi meritano verifiche; anche le rassicurazioni. Vorrei che chi esce da un mio corso fosse più capace di usare l’AI e più capace di giudicarla. Compresa la capacità di chiedere a chi la vende: quale prova mi stai mostrando, e quale decisione vuoi farmi prendere?

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

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

Invia un'email

/0 Commenti/da

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

, ,

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

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

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

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

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

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

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

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

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

Prevenzione infortuni e wearable: il calciatore connesso

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

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

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

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

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

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

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

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

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

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

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

Verso un calcio senza arbitri?

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

Domande frequenti

Cos’è il VAR 3D dei Mondiali 2026?

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

Cos’è TacticAI?

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

L’intelligenza artificiale sostituirà gli arbitri di calcio?

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

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

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

L’evento sull’AI

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

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

Invia un email

/0 Commenti/da

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

,

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

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

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

Cosa sono Qwen, Kimi e Hailuo AI?

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

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

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

Perché provare strumenti di AI cinesi nel 2026

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

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

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

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

Definizione rapida di Qwen

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

Cosa puoi fare con Qwen

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

Esempio pratico con Qwen

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

Quando scegliere Qwen

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

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

Definizione rapida di Kimi

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

Cosa puoi fare con Kimi

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

Esempio pratico con Kimi

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

Quando scegliere Kimi

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

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

Definizione rapida di Hailuo AI

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

Cosa puoi fare con Hailuo AI

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

Esempio pratico con Hailuo AI

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

Quando scegliere Hailuo AI

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

Qwen vs Kimi vs Hailuo AI: confronto rapido

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

Quale strumento AI cinese scegliere?

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

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

Consigli per aziende e professionisti

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

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

FAQ sugli strumenti di AI cinesi

Che cos’è l’AI cinese?

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

Qwen è un chatbot o un modello?

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

Kimi è utile per lavorare con documenti lunghi?

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

Hailuo AI serve per scrivere testi?

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

Posso usare questi strumenti in azienda?

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

In sintesi

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

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

/0 Commenti/da

L’AI diventerà una bolletta? Altman, l’enshittification di Doctorow e 10 modi per risparmiare

, , ,

Ci sono frasi che sembrano innocue e che invece raccontano un pezzo di futuro. Una l’ha pronunciata Sam Altman qualche settimana fa, sul palco del BlackRock U.S. Infrastructure Summit: l’intelligenza artificiale potrebbe diventare, letteralmente, come una bolletta, pagata a consumo e misurata da un contatore, proprio come luce e acqua.

Da formatore che lavora ogni giorno con aziende e manager sull’uso pratico dell’AI, questa dichiarazione mi ha fatto pensare subito a un concetto che uso spesso per spiegare come cambiano nel tempo le piattaforme digitali: l’enshittification descritta dallo scrittore Cory Doctorow. In questo articolo provo a mettere insieme i due fili: cosa ha detto davvero Altman, perché mi ricorda lo schema di Doctorow e, soprattutto, cosa puoi fare fin da ora per non ritrovarti tra qualche anno con una bolletta dell’intelligenza artificiale fuori controllo.

Perché l’AI potrebbe diventare una bolletta, secondo Altman

Al summit organizzato da BlackRock, l’amministratore delegato di OpenAI ha descritto un futuro in cui l’intelligenza artificiale “diventa una utility, come l’elettricità o l’acqua”, acquistata dagli utenti tramite un contatore che misura l’uso reale. Non un abbonamento piatto uguale per tutti, ma un consumo misurato e fatturato, esattamente come succede con le utenze domestiche.

Altman ha aggiunto un dettaglio interessante: l’obiettivo dichiarato è rendere l’intelligenza artificiale così economica da risultare, come si diceva un tempo per l’energia nucleare, “troppo economica per essere misurata”. Un’espressione storica dell’industria energetica che, per sua stessa ammissione, non si è mai avverata del tutto. Il parallelismo resta scomodo: se il modello di riferimento è quello delle utility energetiche, prima o poi qualcuno il contatore lo guarda, e qualcun altro decide quanto farlo girare.

Per arrivarci, secondo Altman, serve un aumento enorme della capacità di calcolo globale, che significa investimenti colossali in infrastrutture, data center ed energia. Non a caso anche la CFO di OpenAI, Sarah Friar, era intervenuta in passato sullo stesso tema, parlando di espansione dell’AI e riduzione dei costi possibile solo a fronte di investimenti massicci. E non a caso, proprio in queste settimane, OpenAI è finita al centro delle polemiche per l’accordo con il Pentagono, un altro segnale di quanto il perimetro di questa azienda si stia allargando ben oltre il chatbot che conosciamo.

Che cos’è l’enshittification di Cory Doctorow

Il termine, coniato dallo scrittore Cory Doctorow, descrive un ciclo di vita ricorrente delle piattaforme digitali. Nella prima fase la piattaforma è generosa con gli utenti: prezzi bassi o nulli, prodotto ottimo, per costruire una base ampia e fidelizzata. Nella seconda fase, consolidata la base utenti, la piattaforma inizia a favorire i clienti business, cioè inserzionisti, venditori terzi, partner commerciali, spesso a scapito dell’esperienza degli utenti originari. Nella terza fase, quando ormai cambiare fornitore è costoso o scomodo, la piattaforma stringe il cappio su tutti, utenti e business, per massimizzare il valore estratto a favore di azionisti e investitori.

Il meccanismo che rende possibile questo ciclo ha un nome preciso: lock-in, cioè l’insieme di costi, abitudini, integrazioni e dipendenze che rendono difficile andarsene anche quando il servizio peggiora. Più è alto il costo di uscita, più la piattaforma può permettersi di peggiorare senza perdere utenti.

Perché il modello “AI come una bolletta” mi ricorda l’enshittification

Non credo che Altman stia progettando deliberatamente un peggioramento futuro dei servizi AI. Credo però che la struttura economica descritta, prezzi bassi oggi per costruire adozione di massa, misurazione e fatturazione puntuale domani, abbia esattamente l’architettura in cui si sviluppa l’enshittification.

Oggi l’accesso a ChatGPT, Claude, Gemini e agli altri strumenti è relativamente economico, spesso gratuito nelle versioni base. Aziende e professionisti stanno integrando questi strumenti nei flussi di lavoro quotidiani, costruendo prompt, automazioni, interi processi che dipendono da un fornitore specifico. È esattamente la fase in cui, storicamente, le piattaforme sono più generose: quella in cui conquistano il mercato.

Il rischio, se il paradigma diventa davvero quello della utility a consumo, è che la seconda e la terza fase arrivino più rapidamente di quanto ci aspettiamo: prezzi legati al consumo reale, modelli migliori riservati a chi paga di più, funzionalità base progressivamente limitate, dipendenza aziendale ormai troppo radicata per cambiare fornitore senza costi enormi di riorganizzazione. Non è una previsione catastrofista: è lo schema che abbiamo già visto con i social network, i marketplace online e buona parte del software as a service.

10 dritte operative per risparmiare sull’uso dell’intelligenza artificiale

Che il modello a consumo si affermi o meno, ha senso iniziare fin da ora a usare l’AI in modo più consapevole, evitando sprechi e dipendenze eccessive da un solo fornitore. Ecco dieci indicazioni pratiche che uso anche nei miei percorsi di formazione con aziende e manager.

  1. Fai un audit degli abbonamenti attivi. Molte aziende pagano contemporaneamente licenze ChatGPT, Claude, Gemini, Copilot e strumenti verticali che fanno le stesse cose. Prima di tagliare, bisogna sapere davvero cosa si sta pagando.
  2. Scegli il modello giusto per il compito, non sempre il più potente. Per un riassunto o una bozza veloce non serve il modello più avanzato e costoso: i modelli più leggeri (per esempio flash in Gemini) costano una frazione e bastano per la maggior parte dei task quotidiani.
  3. Costruisci prompt precisi fin dal primo tentativo. Un prompt che richiede tre o quattro tentativi per arrivare al risultato consuma tre o quattro volte le risorse di uno scritto bene la prima volta.
  4. Evita di duplicare lo stesso lavoro su più strumenti. Confrontare la stessa richiesta su ChatGPT, Claude e Gemini “per vedere chi risponde meglio” ha senso in fase di test, non come abitudine quotidiana.
  5. Valuta le API a consumo per gli usi saltuari. Se il bisogno è discontinuo, un abbonamento flat mensile può costare più di un uso a consumo tramite API: vanno confrontati i due modelli sul volume reale di utilizzo.
  6. Automatizza i task ripetitivi invece di ripetere gli stessi prompt. Un flusso automatizzato, con un prompt testato e riutilizzabile, consuma meno risorse di decine di richieste manuali simili tra loro ogni giorno.
  7. Monitora i consumi con cadenza mensile. Quasi tutte le piattaforme AI offrono dashboard di utilizzo: controllarle una volta al mese permette di individuare subito reparti o persone che generano costi anomali.
  8. Valuta i piani team rispetto a licenze individuali sommate. Sopra una certa soglia di utenti, i piani business hanno spesso un costo per persona più basso delle licenze singole acquistate una per una.
  9. Non affidarti a un solo fornitore per i processi critici. Mantenere una minima flessibilità multi-vendor, anche solo conoscendo alternative valide, riduce il potere contrattuale che un singolo fornitore può esercitare quando alza i prezzi.
  10. Forma le persone, non solo gli strumenti. La maggior parte degli sprechi che vedo nelle aziende non dipende dal costo dello strumento, ma dall’uso inefficiente che se ne fa: un team formato su prompting e workflow ottiene di più spendendo meno.

Cosa fare da qui in avanti

La visione di Altman non è ancora una policy annunciata, è una direzione. Ma la direzione conta, perché anticipa il modo in cui le aziende dovrebbero iniziare a organizzarsi: monitorare i consumi, formare le persone, evitare dipendenze rigide da un solo fornitore, proprio come si fa con qualsiasi altra utenza aziendale importante. Il momento migliore per costruire queste abitudini è adesso, mentre l’accesso all’AI è ancora relativamente economico e flessibile.

Domande frequenti

Cos’è l’enshittification?

È un termine coniato da Cory Doctorow per descrivere il progressivo peggioramento delle piattaforme digitali nel tempo, quando passano dal favorire gli utenti al favorire i clienti business e infine gli azionisti, sfruttando il lock-in creato nelle fasi precedenti.

L’intelligenza artificiale diventerà davvero come una bolletta?

Sam Altman ha descritto questo scenario come una direzione possibile per il futuro di OpenAI, basata su un modello a consumo simile a quello delle utility. Non è ancora una policy ufficiale, ma indica chiaramente verso dove potrebbe evolvere il settore.

Come posso ridurre fin da ora i costi dell’AI in azienda?

Partendo da un audit degli strumenti in uso, scegliendo il modello giusto per ogni compito, evitando duplicazioni tra fornitori e formando le persone a un uso più efficiente: sono i punti su cui lavoro nei percorsi di formazione con le aziende.

Se vuoi approfondire questi temi e capire come impostare un uso più efficiente e consapevole dell’intelligenza artificiale nella tua azienda, scrivimi attraverso il modulo di contatto: parliamone insieme.

/0 Commenti/da

AI e LinkedIn: 5 dritte per manager per migliorare il profilo e farsi trovare

, , , , ,

Un manager apre LinkedIn, guarda il proprio profilo e pensa: “Sì, più o meno c’è tutto”. Esperienze, ruolo attuale, qualche competenza, una foto dignitosa, forse un banner scelto anni fa. Poi però succede una cosa: qualcuno lo cerca su Google, un potenziale partner apre il profilo, un head hunter legge la headline, un cliente guarda la sezione Informazioni. E in pochi secondi si fa un’idea.

LinkedIn, piaccia o no, è diventato una specie di Google CV: spesso è il primo risultato che compare quando qualcuno cerca il nostro nome. Per questo non basta “esserci”. Bisogna farsi capire.

Nel workshop “Come usare l’AI per migliorare la tua presenza su LinkedIn” organizzato da Federmanager Toscana, abbiamo lavorato proprio su questo: usare l’intelligenza artificiale non per delegare la propria identità professionale a un chatbot, ma per rendere più chiari profilo, competenze, posizionamento e contenuti.

Ecco cinque dritte pratiche per manager.

Come può un manager usare l’AI su LinkedIn?

Un manager può usare l’AI su LinkedIn per analizzare il proprio profilo, migliorare headline e sezione Informazioni, individuare keyword strategiche, raccontare progetti e risultati, costruire un piano editoriale e trasformare esperienze professionali in contenuti utili. L’AI non deve inventare una personalità: deve aiutare a rendere leggibile il valore già presente nel percorso professionale.

1. Prima di scrivere, controlla il tuo “Google CV” e il Social Selling Index

La prima dritta non riguarda ChatGPT. Riguarda lo specchio.

Apri una finestra anonima del browser e cerca il tuo nome su Google. Che cosa esce? Il profilo LinkedIn è tra i primi risultati? Il titolo che appare è comprensibile? L’immagine è professionale? La descrizione comunica che cosa fai oggi o sembra il riassunto di una carriera lasciata lì?

Questa operazione, che in gergo si chiama ego surfing, è utile perché ti fa vedere quello che vedono gli altri. Non quello che pensi di comunicare.

Secondo passaggio: controlla il tuo Social Selling Index di LinkedIn. Nelle slide del corso l’obiettivo suggerito è chiaro: provare a portarlo almeno a 60. Non perché il numero sia una medaglia da appendere in ufficio, ma perché costringe a guardare quattro dimensioni: brand professionale, persone giuste, interazioni rilevanti, relazioni.

Su questo tema ho scritto anche una guida dedicata al Social Selling Index e alle azioni per migliorarlo.

Prompt per audit iniziale del profilo

Agisci come un consulente LinkedIn specializzato in personal branding, LinkedIn SEO e social selling.

Analizza il mio profilo LinkedIn in formato PDF.

Valuta:
- chiarezza del posizionamento professionale;
- coerenza tra headline, sezione Informazioni ed esperienze;
- keyword mancanti;
- punti deboli del profilo;
- opportunità per migliorare autorevolezza e visibilità.

Restituisci:
1. un giudizio sintetico da 0 a 100;
2. i 5 problemi principali;
3. 10 azioni pratiche ordinate per priorità.

Come scaricare il profilo? LinkedIn permette di salvare il profilo in PDF: è un ottimo punto di partenza per farlo analizzare da un chatbot, senza incollare a mano tutte le sezioni.

2. Sistema la parte visuale: foto, banner e “In primo piano”

Nel corso abbiamo distinto due aree del profilo: la parte visuale e la parte testuale.

La parte visuale comprende foto, banner ed elementi multimediali in primo piano. Sembra secondaria, ma non lo è. Prima ancora di leggere, le persone guardano. E in un profilo manageriale la parte visuale deve comunicare affidabilità, ruolo, settore, contesto.

La foto non deve sembrare quella ritagliata da una cena aziendale del 2012. Il volto dovrebbe essere ben visibile, lo sfondo neutro, l’espressione professionale ma non marmorea. LinkedIn stessa ha più volte ricordato che avere una foto aumenta molto le probabilità che il profilo venga visto.

Il banner, invece, è spesso un’occasione sprecata. Per un manager può raccontare settore, competenze, azienda, territorio, tema professionale. Nelle slide il formato indicato è quello classico: 1584 x 396 pixel. Canva, o strumenti simili, bastano per creare qualcosa di dignitoso senza trasformarsi in art director.

Infine c’è la sezione In primo piano: qui si possono mettere articoli, video, interviste, white paper, eventi, progetti, presentazioni, pagine aziendali. In pratica: prove.

Prompt per valutare la foto profilo

Valuta questa foto profilo LinkedIn da 0 a 100.

Considera:
- visibilità del volto;
- sfondo;
- espressione;
- coerenza con un ruolo manageriale;
- fiducia trasmessa;
- eventuali elementi di distrazione.

Dammi:
1. punteggio complessivo;
2. tre punti forti;
3. tre miglioramenti concreti;
4. una checklist per scegliere una foto migliore.

Prompt per progettare il banner

Agisci come un consulente LinkedIn e visual designer.

Voglio creare un banner LinkedIn professionale per un manager.

Ecco il mio ruolo: [RUOLO]
Settore: [SETTORE]
Competenze distintive: [COMPETENZE]
Target professionale: [TARGET]

Proponi 5 idee di banner LinkedIn in formato 1584 x 396 pixel.
Per ogni idea indica:
- concept visivo;
- testo breve da inserire;
- colori consigliati;
- elementi da evitare.

Un profilo forte non è fatto solo di parole. È fatto anche di segnali visivi coerenti.

3. Riscrivi la headline con il framework ruolo, valore, target

La headline, cioè il sommario sotto il nome, è uno dei punti più importanti del profilo LinkedIn.

Molti manager usano solo il titolo aziendale: “Direttore commerciale”, “HR Manager”, “Operations Director”, “CFO”. Il problema è che un titolo dice chi sei nell’organigramma, non sempre che valore generi.

Nelle slide del corso il framework è molto semplice:

RUOLO + VALORE GENERATO + TARGET

Esempio:

Direttore Operations | Aiuto aziende manifatturiere a migliorare processi, qualità e tempi di consegna

Oppure:

HR Manager | Sviluppo persone, competenze e cultura organizzativa in contesti industriali complessi

Non serve esagerare. Serve essere capiti.

Prompt per creare tre headline LinkedIn

Analizza il PDF allegato del mio profilo LinkedIn e comportati come un consulente specializzato in personal branding, LinkedIn SEO e social selling.

Costruisci 3 headline per LinkedIn seguendo questo framework:

RUOLO + VALORE GENERATO + TARGET

Vincoli:
- massimo 220 caratteri;
- tono professionale, non pubblicitario;
- adatto a un pubblico manageriale;
- includi keyword utili per la ricerca su LinkedIn;
- evita frasi generiche come “professionista appassionato” o “leader dinamico”.

Per ogni headline spiega perché funziona.

Una buona headline non deve raccontare tutta la vita professionale. Deve aprire la porta giusta.

4. Usa l’AI per trovare keyword e riscrivere la sezione Informazioni

LinkedIn è anche un motore di ricerca.

Chi cerca un manager, un consulente, un docente, un temporary manager o un professionista usa parole chiave. A volte cerca il ruolo, a volte il settore, a volte una competenza tecnica, a volte un problema. Le keyword vanno quindi scelte con criterio e inserite nei punti giusti: headline, esperienze, sezione Informazioni, competenze.

Nelle slide abbiamo distinto parole chiave brevi e coda lunga: non solo “marketing”, ma “marketing B2B industriale”; non solo “machine learning”, ma “machine learning per manutenzione predittiva”; non solo “controllo di gestione”, ma “controllo di gestione industriale”.

Il punto non è riempire il profilo di parole chiave come un tacchino natalizio. Il punto è usare le parole che il mercato usa per cercare persone come te.

Per approfondire, puoi leggere anche la guida su come ottimizzare il profilo LinkedIn con l’AI e la pagina Mondo LinkedIn, dove raccolgo articoli, guide e risorse sul tema.

Prompt per trovare 20 keyword strategiche

Analizza il PDF allegato del mio profilo LinkedIn e comportati come un consulente specializzato in LinkedIn SEO.

Elenca 20 parole chiave da inserire nel mio profilo.

Per ogni keyword indica:
- perché è rilevante;
- dove inserirla: headline, sezione Informazioni, esperienze, competenze;
- se è una keyword breve o una keyword a coda lunga;
- eventuali sinonimi professionali.

Prompt per riscrivere la sezione Informazioni

Analizza il PDF allegato del mio profilo LinkedIn.

Scrivi la sezione Informazioni del mio profilo.

Vincoli:
- massimo 2.600 caratteri;
- apertura coinvolgente;
- tono professionale e concreto;
- adatto a un pubblico manageriale;
- evidenzia competenze, risultati e valore offerto ai clienti o all’azienda;
- integra in modo naturale le keyword più efficaci per la SEO di LinkedIn;
- evita frasi generiche, superlativi vuoti e storytelling troppo enfatico.

Struttura il testo in paragrafi brevi e leggibili.

Qui l’AI può fare un lavoro prezioso: aiutare a vedere il filo rosso di una carriera. Ma il contenuto deve restare vero. Se l’AI aggiunge risultati, numeri o competenze non presenti, bisogna fermarla.

5. Trasforma progetti ed esperienze in contenuti, non in autocelebrazione

La parte più trascurata del profilo LinkedIn è spesso quella che avrebbe più valore: progetti, casi di studio, contenuti.

Un manager non dovrebbe limitarsi a dire “ho gestito team”, “ho seguito progetti complessi”, “ho guidato trasformazioni”. Dovrebbe mostrare problemi affrontati, risultati raggiunti, metodo, apprendimenti, replicabilità.

Nelle slide c’è una formula molto utile per i progetti:

  • problema iniziale;
  • risultati raggiunti;
  • replicabilità.

È una struttura semplice, ma costringe a passare dal curriculum alla prova. E per un manager questa differenza conta.

Prompt per raccontare un progetto

Scrivi circa 1.500 battute su questo progetto professionale:

[DETTAGLI PROGETTO]

Struttura il testo in tre parti:
1. problema iniziale;
2. azioni svolte e risultati raggiunti;
3. replicabilità: che cosa può imparare un’altra azienda o un altro team.

Tono:
- concreto;
- manageriale;
- non autocelebrativo;
- orientato al valore generato.

Inserisci keyword coerenti con il mio settore, ma senza forzature.

Lo stesso ragionamento vale per i contenuti.

Nel corso abbiamo parlato anche di tre tipi di contenuti: quelli centrati su chi sei, quelli centrati su che cosa fai e quelli centrati sul perché. Il salto di qualità avviene quando un contenuto non parla solo di “noi abbiamo fatto”, ma spiega perché quel progetto, quell’esperienza o quell’errore possono essere utili ad altri.

Prompt per creare un piano editoriale di 3 mesi

Analizza il PDF del mio profilo LinkedIn e il seguente sito web:
[SITO AZIENDALE O PERSONALE]

Crea un piano editoriale per 3 mesi per il mio profilo LinkedIn.

Il pubblico è composto da:
[TARGET]

Obiettivo:
[OBIETTIVO: autorevolezza, networking, recruiting, vendita consulenziale, posizionamento, employer branding]

Crea una tabella con queste colonne:
- data;
- obiettivo del post;
- idea di contenuto di valore;
- formato consigliato;
- hook iniziale;
- call to action conversazionale.

Evita post autocelebrativi. Privilegia esempi, casi, lezioni apprese, errori da evitare e punti di vista utili per altri manager.

Questo è il punto: l’AI può aiutare a pubblicare, ma prima deve aiutare a pensare.

Il vero rischio: sembrare più artificiali dell’AI

C’è un rischio evidente nell’uso dell’intelligenza artificiale su LinkedIn: produrre profili perfetti, levigati, pieni di parole giuste, ma senza anima professionale.

Headline tutte uguali. Post tutti uguali. Sezioni Informazioni che sembrano uscite dallo stesso stampino motivazionale. “Leadership”, “innovazione”, “passione”, “risultati”, “valore”. Tutto vero, forse. Tutto indistinguibile, sicuramente.

Per questo nei percorsi su AI e LinkedIn insisto su un principio: l’AI deve aiutarti a diventare più preciso, non più generico.

Un buon profilo LinkedIn per un manager dovrebbe rispondere a tre domande:

  • Che cosa sai fare davvero?
  • Per chi o per quale organizzazione generi valore?
  • Quali prove rendono credibile quello che dici?

Se l’AI ti aiuta a rispondere meglio a queste domande, usala. Se ti aiuta solo a produrre frasi più eleganti ma meno vere, fermati.

Da dove iniziare

Se vuoi migliorare il profilo LinkedIn con l’AI, non partire dal post perfetto.

Parti da qui:

  1. scarica il profilo LinkedIn in PDF;
  2. fai un audit con l’AI;
  3. riscrivi la headline con il framework ruolo, valore, target;
  4. trova 20 keyword strategiche;
  5. riscrivi la sezione Informazioni;
  6. trasforma almeno tre progetti in casi di studio;
  7. costruisci un piano editoriale sostenibile.

È esattamente il tipo di lavoro che abbiamo affrontato nel workshop per Federmanager Toscana e che tratto nei miei percorsi su AI e LinkedIn, nei corsi su LinkedIn per professionisti e nella revisione del profilo LinkedIn.

LinkedIn non è un archivio di esperienze passate. È una piattaforma di reputazione professionale. L’AI può aiutarti a usarla meglio. A patto di ricordare che il profilo è tuo, non del chatbot.

FAQ

L’AI può scrivere tutto il profilo LinkedIn al posto mio?

Può aiutarti a riscriverlo, ma non dovrebbe inventare competenze, risultati o posizionamento. Il profilo deve restare vero, verificabile e coerente con la tua esperienza.

Qual è la prima cosa da migliorare nel profilo LinkedIn di un manager?

La headline. È uno dei primi elementi che le persone leggono e dovrebbe spiegare ruolo, valore generato e target professionale.

Le keyword servono davvero su LinkedIn?

Sì. LinkedIn funziona anche come motore di ricerca interno. Le keyword aiutano a farti trovare da recruiter, partner, clienti, colleghi e stakeholder.

Ha senso usare l’AI per creare contenuti LinkedIn?

Sì, se l’AI aiuta a trasformare esperienze reali in contenuti utili. No, se produce post generici, motivazionali e indistinguibili da mille altri.

Dove posso approfondire AI e LinkedIn?

Puoi partire dalla pagina del corso AI e LinkedIn e dalle risorse raccolte in Mondo LinkedIn.

/0 Commenti/da

Come creare un second brain personale con il metodo LLM Wiki (e con Obsidian)

, , ,

Le app per prendere appunti promettono da anni una cosa affascinante: non perdere più nulla. Articoli salvati, note vocali, riunioni, riflessioni, libri, link, idee sparse. Tutto dovrebbe diventare memoria personale. Il problema è che, nella pratica, il second brain spesso diventa un deposito: pieno, ma poco vivo.

Il metodo LLM Wiki, proposto da Andrej Karpathy e ripreso da Agenda Digitale come possibile modello per la memoria d’impresa, cambia il punto di vista: non usare l’AI solo per “cercare” dentro i documenti, ma per costruire e mantenere nel tempo una wiki personale strutturata. Non una chat con file allegati, non una cartella piena di note, non un sistema RAG che ricostruisce la risposta ogni volta. Una memoria che si accumula.

L’idea centrale è semplice: le fonti grezze restano intatte, mentre un LLM legge, sintetizza, collega, aggiorna e segnala contraddizioni dentro una wiki in Markdown. In questo modo la conoscenza non viene riscoperta da zero a ogni domanda, ma diventa un artefatto persistente, navigabile e migliorabile nel tempo. È il passaggio dalla ricerca assistita alla memoria organizzata.

Perché i second brain personali falliscono

Molti second brain personali falliscono per lo stesso motivo delle wiki aziendali: la manutenzione costa troppo.

All’inizio si salvano articoli, si evidenziano libri, si scrivono note brillanti. Poi arrivano nuovi input, vecchie note diventano obsolete, i collegamenti non vengono aggiornati, alcune idee si duplicano, altre restano sepolte. Dopo qualche mese il sistema contiene informazioni utili, ma non ci si fida più della sua attualità.

Il problema non è prendere appunti. Il problema è tenere viva la struttura.

Secondo il pattern LLM Wiki, è proprio qui che l’AI può essere utile: non come oracolo, ma come bibliotecario operativo. La persona sceglie cosa entra, decide le domande importanti, verifica le conclusioni. Il modello fa il lavoro ripetitivo: riassume, collega, aggiorna indici, trova incongruenze, propone nuove pagine.

Se vuoi approfondire il tema della produttività con l’intelligenza artificiale, ho raccolto molte risorse utili sul mio sito.

L’architettura di un second brain LLM Wiki

Un second brain personale costruito con questo metodo ha tre livelli.

Il primo livello sono le fonti grezze. Qui finiscono articoli, PDF, libri annotati, trascrizioni, appunti vocali, email importanti, esportazioni da Readwise, note di meeting, pagine web salvate, documenti personali. Queste fonti non vengono modificate: sono la base verificabile.

Il secondo livello è la wiki personale. È una cartella di file Markdown generati e aggiornati dall’LLM. Può contenere pagine su persone, progetti, obiettivi, competenze, temi ricorrenti, libri, decisioni, domande aperte, salute, finanze, lavoro, creatività. La wiki non è solo un archivio: è una rete di concetti.

Il terzo livello è lo schema operativo. È il documento che dice all’AI come comportarsi: come nominare i file, quali sezioni usare, quando creare una nuova pagina, come citare le fonti, come aggiornare l’indice, come segnalare dubbi e contraddizioni. In strumenti come Codex può essere un file AGENTS.md; in altri ambienti può essere un documento equivalente.

Questa struttura riprende il modello descritto da Karpathy nel suo gist “LLM Wiki”, dove il sistema è pensato proprio come una base di conoscenza personale costruita e mantenuta da un LLM, con Obsidian come ambiente di navigazione e la wiki come artefatto persistente.

Le tre operazioni fondamentali

Il metodo funziona attraverso tre operazioni: ingestione, interrogazione e manutenzione.

1. Ingestione

Quando aggiungi una nuova fonte, non la butti semplicemente in archivio. Chiedi all’LLM di lavorarla.

Per esempio: salvi un articolo sulla gestione dell’attenzione. Il modello lo legge, crea una sintesi, aggiorna la pagina “attenzione”, collega il tema a “lavoro profondo”, “notifiche”, “energia mentale”, “routine mattutina”, segnala eventuali idee nuove e registra l’operazione nel log.

Una singola fonte può toccare molte pagine. Questo è il punto: la conoscenza nuova non rimane isolata.

2. Interrogazione

Quando fai una domanda, l’LLM non parte dai documenti grezzi come in un normale sistema RAG. Prima legge l’indice, poi consulta le pagine già organizzate della wiki.

Puoi chiedere:

  • “Quali sono i miei pattern ricorrenti quando procrastino?”
  • “Che cosa ho imparato negli ultimi sei mesi sul lavoro autonomo?”
  • “Quali idee ho raccolto per il mio prossimo libro?”
  • “Quali decisioni importanti ho preso sul progetto X e perché?”
  • “Quali autori influenzano di più il mio pensiero sulla produttività?”

Le risposte migliori possono diventare nuove pagine della wiki. Una buona domanda non resta intrappolata nella cronologia della chat: entra nella memoria.

3. Manutenzione

Periodicamente chiedi all’LLM di fare un controllo di salute della wiki.

Deve cercare pagine orfane, link mancanti, concetti citati ma non sviluppati, affermazioni superate, duplicati, contraddizioni, aree poco documentate. Questo controllo, chiamato “lint” da Karpathy, è ciò che impedisce al second brain di marcire lentamente.

Agenda Digitale sottolinea proprio questo punto: il valore non sta solo nel recuperare informazioni, ma nel mantenere una memoria strutturata, verificabile e navigabile.

Una possibile struttura pratica

Per iniziare, basta una cartella locale, idealmente leggibile da Obsidian:

second-brain/
  raw/
    articles/
    books/
    transcripts/
    notes/
    assets/
  wiki/
    index.md
    log.md
    overview.md
    people/
    projects/
    concepts/
    decisions/
    sources/
    questions/
  AGENTS.md

raw/ contiene le fonti originali. wiki/ contiene la memoria elaborata. index.md è la mappa della wiki: ogni pagina con una breve descrizione. log.md è il registro cronologico: cosa è stato aggiunto, aggiornato, corretto. AGENTS.md è il manuale operativo dell’LLM.

La regola d’oro è questa: le fonti sono verità, la wiki è interpretazione verificabile. Ogni affermazione importante deve rimandare a una fonte.

Come farlo in pratica: costruire il tuo LLM Wiki con Claude e Obsidian

La teoria è chiara. Ma da dove si inizia concretamente? Antonio Guadagno ha mostrato in un video su YouTube — “Ho creato un Second Brain (LLM Wiki) in 15 minuti con Claude + Obsidian (metodo Karpathy)” — come costruire l’intero sistema partendo da zero, in meno di un quarto d’ora. Quello che segue è un percorso passo-passo ispirato a quel flusso di lavoro.

Cosa ti serve prima di iniziare

Prima di toccare qualsiasi file, hai bisogno di tre cose: Obsidian (gratuito, scaricabile da obsidian.md), un account Claude con accesso a Claude Code, e una cartella locale sul tuo computer dove vivranno tutti i file del sistema. Nient’altro.

Non serve essere sviluppatori. Non serve conoscere la sintassi Markdown in modo avanzato. Serve capire la struttura.

Passo 1 – Crea la struttura di cartelle

Apri il terminale o il tuo file manager e crea questa struttura:

second-brain/
├── raw/
│   ├── articles/
│   ├── books/
│   ├── transcripts/
│   └── notes/
├── wiki/
│   ├── index.md
│   ├── log.md
│   └── overview.md
├── output/
└── AGENTS.md

La cartella raw/ è il tuo archivio grezzo: ci finiscono articoli copiati, PDF convertiti in testo, trascrizioni, appunti. Non si modifica mai direttamente.

La cartella wiki/ è il cuore del sistema: qui il modello crea e aggiorna le pagine in Markdown. Obsidian servirà esattamente per navigare questa cartella.

La cartella output/ raccoglie i risultati delle interrogazioni e delle sessioni di lavoro: sintesi periodiche, risposte a domande importanti, report mensili.

AGENTS.md è il documento più importante: è il manuale operativo che dice al modello come comportarsi.

Passo 2 – Scrivi il file AGENTS.md

Questo file è la chiave del metodo. Senza di esso, ogni sessione con il modello reinizia da zero. Con un buon AGENTS.md, l’AI conosce le regole del gioco ogni volta che apri una conversazione.

Ecco un esempio di struttura minimale:

# AGENTS.md – Istruzioni operative

## Ruolo
Sei il bibliotecario della mia wiki personale. Leggi, sintetizzi, colleghi e aggiorni le pagine in base alle fonti che ti fornisco.

## Regole
- Le fonti nella cartella raw/ non si modificano mai.
- Ogni affermazione importante nella wiki deve riportare il riferimento alla fonte.
- I file della wiki usano il formato: YYYY-MM-DD come data di aggiornamento nell'header.
- Ogni pagina deve avere uno stato: draft | reviewed | stable | stale.
- Prima di creare una nuova pagina, controlla se esiste già una pagina correlata e valuta se aggiornare quella.

## Struttura di ogni pagina wiki
- Titolo e stato
- Sintesi (3-5 righe)
- Concetti chiave
- Connessioni ad altre pagine
- Fonti
- Data ultimo aggiornamento

## Indice
Dopo ogni sessione, aggiorna index.md con l'elenco delle pagine modificate o create.

## Log
Registra ogni operazione in log.md con: data, fonte elaborata, pagine create o aggiornate.

Puoi personalizzarlo quanto vuoi. Più è preciso, più il modello lavora in modo coerente nel tempo.

Passo 3 – Apri la vault in Obsidian

Apri Obsidian, clicca su “Apri cartella come vault” e seleziona la tua cartella second-brain/. Da questo momento puoi navigare tutti i file Markdown, vedere i collegamenti tra le pagine, usare la graph view per visualizzare la rete concettuale che si forma.

Obsidian non scrive nulla: è solo il tuo browser per la wiki. Ma è fondamentale, perché trasforma una cartella di file di testo in qualcosa che si può effettivamente esplorare e leggere.

Passo 4 – Prima ingestione

Scegli una fonte semplice per iniziare. Un articolo, un capitolo di un libro, una trascrizione di un podcast. Copiala in raw/articles/ come file di testo.

Ora apri Claude Code, assicurati che possa leggere la tua cartella second-brain/, e dai questo prompt:

Leggi il file AGENTS.md per capire le regole operative.
Poi leggi la fonte in raw/articles/[nome-file].
Crea o aggiorna le pagine wiki rilevanti seguendo le istruzioni.
Aggiorna index.md e log.md.

Guarda cosa succede. Il modello legge la fonte, identifica i concetti principali, crea una o più pagine nella cartella wiki/, aggiorna l’indice e scrive nel log. In Obsidian, aggiorna la vista e vedrai le nuove pagine apparire.

Passo 5 – Prima interrogazione

Dopo aver ingerito due o tre fonti, prova a fare una domanda alla wiki. Non ai documenti grezzi: alla wiki.

Leggi index.md e le pagine della cartella wiki/.
Poi rispondimi: quali sono i temi ricorrenti nelle ultime fonti che ho elaborato?

Questo è il momento in cui il metodo comincia a mostrare il suo valore. Il modello non rilegge le fonti originali da capo: attinge alla struttura già costruita. Le risposte sono più veloci, più contestualizzate, meno soggette ad allucinazioni perché le pagine wiki hanno già citato le fonti di riferimento.

Passo 6 – Manutenzione periodica

Una volta a settimana, dedica venti minuti a questo prompt:

Leggi l'intera cartella wiki/, index.md e log.md.
Segnalami:
- Pagine con stato "stale" o non aggiornate da più di 30 giorni
- Concetti citati in più pagine ma senza una pagina dedicata
- Contraddizioni o affermazioni in conflitto tra pagine diverse
- Pagine orfane senza collegamenti
Proponi un piano di aggiornamento prima di modificare qualsiasi cosa.

Questo passaggio è il “lint” descritto da Karpathy. È ciò che separa una wiki viva da un archivio che marcisce lentamente.

Quanto tempo ci vuole davvero?

Il setup iniziale — creare le cartelle, scrivere un AGENTS.md di base, aprire la vault in Obsidian — richiede meno di venti minuti. Come mostra Antonio Guadagno nel suo video, il sistema diventa operativo in una singola sessione.

Il valore non nasce però in quei venti minuti. Nasce nelle settimane successive, quando ogni nuova fonte che ingerisci arricchisce una rete di concetti già esistente. Quando una domanda che fai oggi trova risposta in qualcosa che hai letto tre mesi fa. Quando il modello segnala che due idee che sembravano separate si contraddicono.

Il secondo brain non è uno strumento: è un’abitudine.

Cosa mettere nel second brain

Il metodo funziona bene quando il dominio è abbastanza circoscritto. Non conviene partire con “tutta la mia vita digitale”. Meglio scegliere un’area ad alto valore:

  • apprendimento professionale
  • ricerca per un libro o corso
  • memoria dei progetti
  • journaling e auto-osservazione
  • decisioni importanti
  • salute e abitudini
  • rete di contatti
  • letture e podcast
  • idee imprenditoriali
  • finanza personale

Un buon punto di partenza è scegliere un solo dominio per sei-otto settimane. Per esempio: “tutto ciò che riguarda il mio lavoro, i miei progetti e le mie decisioni professionali”.

Il ruolo umano resta centrale

Il rischio più grande è credere che il modello “sappia”. Non sa: elabora, collega, propone. La responsabilità resta tua.

Tu decidi quali fonti meritano di entrare. Tu controlli se una sintesi è corretta. Tu stabilisci cosa è importante. Tu fai le domande difficili. L’LLM riduce il costo della manutenzione, ma non sostituisce il giudizio.

Per questo ogni pagina critica dovrebbe avere uno stato esplicito: draft, reviewed, stable, stale. Così la wiki non finge una certezza che non ha.

Per approfondire il tema dell’uso consapevole dell’AI, leggi anche il mio articolo su come usare ChatGPT in modo efficace.

Perché è diverso da una normale app di note

Una normale app di note conserva ciò che scrivi. Una LLM Wiki conserva anche ciò che emerge tra le note.

La differenza è enorme. Se leggi cinque articoli su burnout, lavoro profondo, sonno, gestione delle notifiche e creatività, una cartella tradizionale contiene cinque note. Una LLM Wiki dovrebbe produrre anche una pagina “Energia mentale”, collegarla alle altre, estrarre pattern, segnalare tensioni e aggiornare una sintesi più ampia sul tuo modo di lavorare.

Il valore non nasce dalla singola nota. Nasce dai collegamenti.

I rischi da evitare

Il primo rischio è l’allucinazione: il modello può introdurre affermazioni non presenti nelle fonti. Soluzione: citazioni esplicite e revisione umana.

Il secondo è l’obsolescenza: una pagina può sembrare autorevole ma essere vecchia. Soluzione: stato della pagina, data di aggiornamento e controlli periodici.

Il terzo è l’eccesso di accumulo. Se salvi tutto, il sistema diventa rumoroso. Soluzione: ingestione selettiva.

Il quarto è la privacy. Un second brain personale può contenere dati sensibili: salute, finanze, relazioni, lavoro, clienti. Bisogna scegliere strumenti e modelli coerenti con il livello di riservatezza richiesto.

Un workflow settimanale semplice

Ogni giorno salvi solo le fonti davvero utili.

Due o tre volte a settimana chiedi all’LLM di ingerire una fonte alla volta.

Una volta a settimana fai una sessione di manutenzione: controlla la wiki, trova pagine stale, concetti senza pagina, contraddizioni, collegamenti mancanti e domande importanti emerse dalle ultime fonti. Proponi un piano di aggiornamento prima di modificare.

Una volta al mese chiedi una sintesi strategica: leggi index.md, log.md e le pagine aggiornate quel mese. Quali pattern stanno emergendo? Quali decisioni dovresti prendere? Quali aree della tua conoscenza sono deboli o contraddittorie?

Questo trasforma il second brain da archivio a interlocutore.

/0 Commenti/da

Perché Emma, il chatbot italiano di Egomnia, pare ubriaco

,

[AGGIORNAMENTO DEL 26 GIUGNO 2026: Egomnia ha sospeso il chatbot Emma]
[AGGIORNAMENTO DEL 27 GIUGNO 2027: il gruppo Italian Builders ha clonato Emma e messo online maremma.app]

Emma di Egomnia è un chatbot italiano basato su una famiglia di modelli linguistici open source addestrati per l’italiano. È finita nei meme perché, nelle prove condivise online, ha dato risposte assurde, incoerenti o troppo sicure davanti a domande semplici. Il punto, però, non è “l’AI italiana fa ridere”. Il punto è più interessante: un modello leggero, sperimentale e poco allineato non va presentato o percepito come un assistente generalista alla ChatGPT.

Detta meno diplomaticamente: Emma sembra ubriaca non perché “è italiana”, ma perché sta guidando una Cinquecento su una pista da Formula 1. La Cinquecento può essere utilissima per andare in paese. Basta non venderla come auto da Gran Premio.

Che cos’è Emma di Egomnia?

Emma è il progetto di Egomnia dedicato a una famiglia di Large Language Model italiani. Sul sito dell’azienda viene presentata come un’AI sviluppata e addestrata per il mercato italiano, open source, ospitata in Italia e collegata al tema della sovranità tecnologica.

Egomnia è una società italiana nata nel 2012 e quotata dal 2024 su Euronext Growth Milan. Il posizionamento è ambizioso: costruire modelli più leggeri, specializzati, personalizzabili e indipendenti dai grandi fornitori stranieri.

Fin qui, l’idea è legittima. Anzi, il tema è serio. In Europa si parla sempre più spesso di sovranità digitale, dati, dipendenza tecnologica e modelli verticali. Ne parlo spesso anche nei miei speech e corsi sull’intelligenza artificiale generativa, perché le aziende non possono limitarsi a chiedere “qual è il chatbot migliore?”. Devono chiedersi: dove stanno i dati, quali strumenti posso usare, con quali limiti, con quali responsabilità?

Emma-5: il modello “grande” è in realtà molto piccolo

Il modello oggi più discusso è Emma-5. La scheda pubblicata da Egomnia su Hugging Face lo descrive come un LLM decoder-only sperimentale per la lingua italiana, con 550,4 milioni di parametri, contesto da 2.048 token, addestramento su circa 10,8 miliardi di token, fine-tuning SFT e DPO disabilitato.

Tradotto dal tecnichese: Emma-5 è un modello piccolo. Molto piccolo, se lo confrontiamo con gli assistenti AI che usiamo tutti i giorni. Non sto dicendo che “piccolo” significhi inutile. I modelli piccoli possono essere ottimi per compiti circoscritti, automazioni, uso locale, prototipi, didattica, chatbot aziendali con perimetro chiaro.

Il problema nasce quando il modello viene interrogato come se fosse un assistente generalista robusto. Un conto è chiedergli di lavorare dentro una procedura delimitata. Un altro è chiedergli logica, buon senso, sicurezza, calcoli, autocorrezione e prudenza su qualunque tema.

Perché Emma è finita nei meme?

Il caso è esploso il 24 giugno 2026, quando diversi utenti hanno iniziato a condividere screenshot con risposte strampalate. DDAY.it ha ricostruito bene la vicenda: Emma è diventata virale per risposte fuori fase, tra cani che possono volare, confronti assurdi tra chili di pane e chili di piume, e risposte rassicuranti anche quando sarebbe servita cautela.

Questo uno dei test che ho fatto io:

Altri test riportati online hanno mostrato errori su domande elementari, come il conteggio di lettere in una parola. Queste prove vanno prese per quello che sono: screenshot social, non benchmark scientifici. Però quando tante persone ottengono lo stesso tipo di comportamento, il segnale diventa interessante.

E infatti la domanda giusta non è: “Possiamo ridere di Emma?”. Quello l’hanno già fatto in tanti. La domanda giusta è: perché un chatbot produce risposte così assurde con tanta sicurezza?

Risposta breve: Emma non sa quando non sa

Molti chatbot non hanno un vero istinto del “non lo so”. Generano testo plausibile. Se il modello è forte, ben addestrato, ben allineato e magari collegato a strumenti di verifica, la plausibilità coincide più spesso con una risposta utile. Se il modello è piccolo o fragile, la plausibilità diventa una maschera: la frase suona come una risposta, ma sotto non regge.

È il tema delle allucinazioni, di cui parlavo già nel 2023 in ChatGPT e AI tra fake news e allucinazioni. Una risposta può essere grammaticalmente corretta, convincente e completamente sbagliata. È una delle cose più pericolose dell’AI generativa: non sbaglia sempre urlando “sto sbagliando”. Spesso sbaglia in giacca e cravatta.

Il problema tecnico: non basta dire “transformer”

Emma usa componenti moderni: architettura GPT decoder-only, RoPE, RMSNorm, SwiGLU, Grouped-Query Attention. Sono sigle vere, non marketing inventato. Ma una ricetta con ingredienti buoni non garantisce automaticamente un piatto buono.

In un LLM contano almeno cinque cose:

  1. la quantità e qualità dei dati di addestramento;
  2. la dimensione del modello;
  3. la finestra di contesto;
  4. il fine-tuning per seguire istruzioni;
  5. l’allineamento, cioè la capacità di rispondere in modo utile, prudente e coerente.

La scheda di Emma-5 dichiara SFT, cioè Supervised Fine-Tuning, ma DPO disabilitato. Semplificando: il modello è stato istruito con esempi di domande e risposte desiderate, ma sembra mancare una parte più avanzata di ottimizzazione delle preferenze e del comportamento. Non è l’unico modo per allineare un modello, ma l’assenza di passaggi robusti si vede soprattutto quando l’utente fa domande ambigue, banali solo in apparenza o potenzialmente rischiose.

Perché i modelli piccoli sbagliano di più?

Un modello piccolo ha meno capacità di rappresentare relazioni complesse tra concetti, meno memoria interna, meno margine per ragionamenti a più passaggi e meno robustezza davanti a prompt strani. Anche la finestra di contesto da 2.048 token è corta rispetto agli standard attuali: significa che il modello può considerare poco testo alla volta.

Questo non vuol dire che un modello piccolo sia sempre scarso. Vuol dire che va usato bene. Un piccolo modello può funzionare in modo dignitoso se:

  • il compito è stretto;
  • il dominio è chiaro;
  • le risposte possibili sono controllate;
  • il sistema ha buoni esempi;
  • l’utente non lo usa per decisioni delicate;
  • c’è supervisione umana.

Se invece lo buttiamo nel mare aperto delle domande social, farà quello che fanno molti modelli fragili: inventerà una rotta con aria convinta.

Le allucinazioni non sono un bug raro: sono nel modo in cui funzionano gli LLM

IBM definisce le allucinazioni AI come output inesatti, privi di senso o non basati correttamente sui dati disponibili. Un articolo tecnico recente, Why Language Models Hallucinate, spiega un punto importante: i modelli linguistici vengono addestrati a produrre continuazioni probabili, e i sistemi di valutazione spesso premiano la risposta corretta o sbagliata senza premiare abbastanza il “non lo so”. Risultato: quando il modello non è sicuro, può convenire “tirare a indovinare”.

La letteratura tecnica sulla mitigazione delle allucinazioni nei sistemi RAG dice un’altra cosa utile: collegare un modello a fonti esterne può ridurre gli errori, ma non li elimina. La retrieval augmented generation aiuta quando recupera fonti giuste, aggiornate e pertinenti. Se il recupero fallisce, se le fonti sono scarse o se il modello non sa usare bene il contesto, l’allucinazione resta possibile.

Quindi no: non basta attaccare un motore di ricerca a un chatbot e dichiararlo affidabile. Serve progettazione.

Il punto vero: la sovranità tecnologica non si dichiara, si misura

Il tema della sovranità tecnologica è importante. Avere competenze, dati, infrastrutture e modelli in Italia e in Europa è una questione seria. Però proprio per questo bisogna maneggiarla con cura.

La sovranità non nasce da una pagina manifesto. Nasce da modelli valutati bene, benchmark trasparenti, casi d’uso realistici, limiti dichiarati, documentazione chiara, comunità tecnica, audit, sicurezza, aggiornamenti e capacità di dire: “questo modello serve per queste cose, non per queste altre”.

La stessa scheda di Emma-5, va detto, indica limiti importanti: non è progettata per applicazioni mediche, legali o finanziarie critiche, sistemi mission critical, reasoning complesso multi-step o ricerca scientifica avanzata senza supervisione. In questo senso i meme che la interrogano come consulente finanziario colpiscono anche un bersaglio facile: stanno chiedendo al modello qualcosa che la documentazione stessa sconsiglia.

Che cosa ci insegna il caso Emma

Emma ci insegna almeno cinque cose utili.

1. Un LLM piccolo non è un ChatGPT in miniatura

Un modello piccolo non eredita automaticamente le capacità dei modelli di frontiera. Non basta che appartenga alla stessa famiglia tecnica dei transformer. La scala conta, i dati contano, l’allineamento conta.

2. “Italiano” non significa automaticamente migliore per l’Italia

Un modello addestrato in italiano può essere interessante per certi contesti linguistici e culturali. Ma deve dimostrare sul campo comprensione, stabilità e utilità. La bandierina non sostituisce la valutazione.

3. I benchmark interni non bastano

Un benchmark proprietario può essere utile in fase di sviluppo, ma per costruire fiducia servono confronti esterni, test ripetibili e risultati comprensibili anche fuori dall’azienda che produce il modello.

4. L’allineamento è fondamentale

Un chatbot non deve solo generare frasi. Deve capire quando fermarsi, quando chiedere chiarimenti, quando rifiutare, quando segnalare incertezza. È qui che molti prototipi crollano.

5. Gli utenti testeranno sempre il caso peggiore

Quando metti online un chatbot pubblico, le persone non lo useranno solo per il caso d’uso ideale. Gli chiederanno trabocchetti, cose pericolose, domande stupide, domande geniali, battute, finanza, medicina, lettere nelle parole, paradossi e “dimmi qualcosa che non puoi dire”. È la realtà del Web, non un’eccezione.

Emma è da buttare?

No. Sarebbe una conclusione troppo comoda. Emma, come progetto, può avere senso se viene trattata per quello che è: una famiglia di modelli italiani piccoli, sperimentali, potenzialmente utili in scenari controllati. Il problema non è l’esistenza di Emma. Il problema è l’aspettativa.

Per una PMI, un piccolo modello locale o verticale può essere interessante. Può ridurre costi, latenza, dipendenze esterne e rischi di esposizione dei dati. Ma va incastrato dentro un’architettura seria: retrieval, filtri, prompt di sistema, test, logging, limiti, supervisione, fallback e valutazioni.

Nei miei corsi sull’AI per aziende insisto sempre su questo: non si adotta “l’intelligenza artificiale”. Si progettano casi d’uso. E ogni caso d’uso ha uno strumento, un rischio e un criterio di controllo.

La lezione per aziende e comunicatori

Il caso Emma è anche una lezione di comunicazione. Se presenti un modello leggero con parole molto grandi, il Web ti farà pagare la distanza tra promessa e prestazione. È matematico. Anzi, statistico, così restiamo in tema.

Per comunicare bene un progetto AI servono tre ingredienti:

  • ambizione, perché senza visione non si costruisce nulla;
  • precisione, perché le parole tecniche creano aspettative;
  • umiltà, perché i modelli sbagliano e gli utenti se ne accorgono subito.

In questo senso Emma è un caso didattico perfetto. Fa ridere, sì. Ma soprattutto mostra quanto sia fragile il confine tra innovazione, marketing e fiducia.

Emma non è ubriaca, è fuori contesto

Emma pare ubriaca perché le chiediamo di comportarsi come un assistente maturo, generalista e prudente, mentre le sue specifiche raccontano un’altra storia: modello piccolo, contesto corto, allineamento limitato, uso previsto circoscritto.

Il meme passerà. La lezione resta: gli LLM non sono tutti uguali. Prima di usarli in azienda, scuola, comunicazione o servizi pubblici bisogna leggere le schede tecniche, capire i limiti, testare i casi d’uso e progettare controlli.

Perché l’intelligenza artificiale non va né adorata né derisa. Va capita. E, possibilmente, non lasciata guidare dopo il terzo spritz.

FAQ su Emma di Egomnia

Che cos’è Emma di Egomnia?

Emma è una famiglia di Large Language Model italiani sviluppati da Egomnia. Il progetto punta su modelli open source, leggeri e pensati per il mercato italiano.

Perché Emma è finita nei meme?

Emma è finita nei meme perché diversi utenti hanno condiviso screenshot con risposte assurde, incoerenti o troppo sicure davanti a domande semplici e trabocchetti.

Emma-5 è paragonabile a ChatGPT, Claude o Gemini?

No. Emma-5 ha 550,4 milioni di parametri e una finestra di contesto da 2.048 token. È un modello leggero e sperimentale, non un assistente generalista di frontiera.

Perché Emma sbaglia così tanto?

Le cause probabili sono la dimensione ridotta del modello, il contesto corto, l’allineamento limitato, la difficoltà nel reasoning multi-step e l’uso fuori dal perimetro per cui il modello è stato pensato.

Un modello piccolo è sempre inutile?

No. Un modello piccolo può essere utile in compiti circoscritti, locali o verticali. Diventa problematico quando viene usato come assistente generalista per domande aperte, delicate o non controllate.

Che cosa sono le allucinazioni AI?

Le allucinazioni AI sono risposte inesatte, inventate o incoerenti prodotte da un modello generativo. Spesso sono pericolose perché possono sembrare fluide e convincenti.

 

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

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

Inviaci email

/0 Commenti/da

AI e famiglie: i consigli dell’UNESCO

,

L’intelligenza artificiale è entrata nelle nostre case. Non solo attraverso ChatGPT, Gemini o Copilot, ma anche tramite motori di ricerca, social network, assistenti vocali, piattaforme video e strumenti educativi utilizzati da bambini e ragazzi.

Per questo motivo l’UNESCO ha pubblicato nel 2026 la guida internazionale “Growing up in a Connected World: A Family Guide for the Digital Age“, un documento rivolto a genitori, educatori e famiglie per affrontare con maggiore consapevolezza le sfide del mondo digitale.

L’obiettivo non è demonizzare la tecnologia. Al contrario: imparare a convivere con essa sviluppando spirito critico, competenze digitali e capacità di valutazione.

Perché l’UNESCO si occupa di intelligenza artificiale

Secondo l’UNESCO, la vera sfida non è l’AI in sé, ma la capacità delle persone di comprendere come vengono prodotte e distribuite le informazioni online.

L’organizzazione parla da anni di Media and Information Literacy (MIL), cioè alfabetizzazione mediatica e informativa: l’insieme di competenze che permettono di accedere, valutare, verificare e utilizzare informazioni e contenuti digitali in modo critico.

Con l’arrivo dell’intelligenza artificiale generativa questa competenza è diventata ancora più importante.

Non a caso l’UNESCO ha dedicato la Global Media and Information Literacy Week 2025 al tema:

“Minds Over AI”

ovvero la necessità di mantenere il giudizio umano al centro dell’ecosistema informativo.

I cinque consigli principali dell’UNESCO per le famiglie

1. Imparare insieme ai figli

L’UNESCO suggerisce ai genitori di non assumere il ruolo di controllori ma di compagni di esplorazione.

Molti adulti non conoscono ancora a fondo strumenti come ChatGPT, Gemini o Claude. Questo non deve essere visto come un limite, ma come un’opportunità per apprendere insieme ai propri figli.

2. Insegnare a verificare le informazioni

L’AI può sbagliare.

Può inventare dati, fornire riferimenti inesistenti o generare contenuti apparentemente credibili ma errati.

Per questo l’UNESCO insiste sulla necessità di verificare sempre le fonti, confrontare più punti di vista e sviluppare capacità di fact-checking.

3. Spiegare come funzionano gli algoritmi

I ragazzi devono comprendere che ciò che vedono online non è neutrale.

Feed social, suggerimenti video, pubblicità personalizzate e risultati di ricerca sono influenzati da algoritmi che selezionano contenuti sulla base di interessi, comportamenti e dati raccolti.

Comprendere questi meccanismi significa essere meno manipolabili.

4. Proteggere privacy e dati personali

Uno dei temi centrali della guida riguarda la tutela dei dati.

I bambini e gli adolescenti devono imparare fin da piccoli che ogni informazione condivisa online può avere conseguenze future.

Foto, messaggi, dati scolastici e contenuti pubblicati contribuiscono a costruire una reputazione digitale permanente.

5. Sviluppare il pensiero critico

È probabilmente il consiglio più importante.

L’UNESCO sostiene che la competenza fondamentale dell’era dell’AI non sia tecnologica ma cognitiva.

Bisogna imparare a porsi domande:

  • Chi ha creato questo contenuto?
  • Qual è la fonte?
  • È verificabile?
  • Potrebbe essere falso?
  • Quali interessi ci sono dietro?

Il pensiero critico rappresenta la migliore difesa contro disinformazione, deepfake e manipolazioni generate dall’intelligenza artificiale.

L’AI non va vietata, va compresa

Un aspetto interessante dell’approccio UNESCO è il rifiuto delle soluzioni semplicistiche.

L’organizzazione non propone divieti generalizzati ma educazione, dialogo e accompagnamento.

La domanda non è: “Come impedire ai ragazzi di usare l’intelligenza artificiale?”

La domanda corretta è: “Come insegnare loro a usarla bene?”

Cosa possono fare concretamente i genitori

Ecco alcune attività pratiche suggerite indirettamente dai principi della guida UNESCO:

  • utilizzare ChatGPT insieme ai figli per fare ricerche;
  • confrontare una risposta dell’AI con fonti autorevoli;
  • analizzare un’immagine per capire se è reale o generata;
  • discutere di privacy e dati personali;
  • insegnare a riconoscere fake news e disinformazione;
  • ragionare su vantaggi e limiti dell’intelligenza artificiale.

Continuiamo a… pensare

L’UNESCO lancia un messaggio chiaro: nell’era dell’intelligenza artificiale la competenza più importante non è saper usare uno strumento, ma saper pensare.

L’AI diventerà sempre più presente nelle nostre vite. Per questo famiglie, scuole e istituzioni devono aiutare bambini e ragazzi a sviluppare spirito critico, capacità di verifica e consapevolezza digitale.

Perché il vero rischio non è che le macchine diventino troppo intelligenti.

È che gli esseri umani smettano di farsi domande.

Il mio speech per Step di Fastweb

“L’intelligenza artificiale a scuola: idee e strumenti per insegnanti e famiglie”: speech per STEP di Fastweb

/0 Commenti/da

Deskilling: l’AI ci sta facendo dimenticare come si lavora? Gli studi che preoccupano gli esperti

,

C’è un paradosso silenzioso al cuore dell’era dell’intelligenza artificiale: più usiamo l’AI per svolgere compiti complessi, più rischiamo di perdere la capacità di svolgerli da soli. Non è fantascienza, non è allarmismo: è quello che emerge da una serie di studi scientifici recenti, pubblicati su riviste come Nature, The Lancet e presentati da ricercatori di Anthropic stessa.

Il fenomeno ha un nome: deskilling, ovvero l’erosione delle competenze. E i dati che arrivano dalla medicina, dall’ingegneria del software e dalle neuroscienze cognitive stanno iniziando a fare rumore nella comunità scientifica internazionale.

Cosa dice la scienza: il caso dei medici endoscopisti in Polonia

Partiamo dal dato più eclatante. Nel 2025, su The Lancet Gastroenterology and Hepatology (ottobre 2025, vol. 10, n. 10, pp. 896-903), è stato pubblicato uno studio che ha monitorato un gruppo di medici polacchi specializzati in endoscopia. Non medici qualunque: professionisti con almeno 2.000 colonscopie eseguite nel corso della loro carriera, quindi esperti con una lunga esperienza alle spalle.

A questi specialisti è stato dato accesso a un sistema AI in grado di analizzare in tempo reale le immagini della colonscopia e segnalare la presenza di adenomi, un tipo di lesione intestinale precancerosa. Risultato? Dopo l’esposizione al sistema AI, le performance dei medici — misurate senza l’ausilio dell’AI — sono calate in modo statisticamente significativo.

Il tasso di rilevamento degli adenomi (adenoma detection rate, ADR) è sceso dal 28,4% (226 su 795 esami) prima dell’esposizione all’AI al 22,4% (145 su 648) dopo l’esposizione. Una differenza assoluta di -6,0% (IC 95%: -10,5 a -1,6; p=0,0089). In termini pratici: i medici che avevano “delegato” la loro attenzione all’AI hanno iniziato a fare peggio quando l’AI non c’era.

«I medici specializzati in endoscopia avevano tutti eseguito almeno 2.000 colonscopie nel corso della carriera. Eppure, dopo l’esposizione all’AI, le loro prestazioni autonome sono calate.»
— Is AI ruining our skills? Early results are in — and they’re not good, Nature

Nature lancia l’allarme: il deskilling guidato dall’AI è reale

La rivista scientifica Nature ha dedicato un articolo a questo fenomeno emergente con un titolo inequivocabile: “Is AI ruining our skills? Early results are in — and they’re not good”. Il sottotitolo spiega tutto: le prove suggeriscono che il deskilling guidato dall’AI sta iniziando a manifestarsi in medicina, informatica e altri settori. I ricercatori stanno ora discutendo come preservare le competenze umane essenziali nell’era dell’AI.

Robert Wachter, medico presso l’Università della California a San Francisco e autore del libro “A Giant Leap: How AI is Transforming Healthcare and What That Means for Our Future” (Portfolio/Penguin, 2026), è tra le voci più autorevoli su questo tema. Wachter non è contrario all’AI — anzi, ne studia i benefici da anni — ma avverte che l’adozione acritica degli strumenti AI in medicina può portare a un deterioramento delle capacità diagnostiche dei clinici meno esperti, proprio quelli più vulnerabili al rischio di deskilling.

Il caso Anthropic: gli ingegneri del software imparano meno con l’AI

Il fenomeno non riguarda solo la medicina. Uno studio condotto nell’ambito dell’Anthropic Fellows Program — e pubblicato su arXiv (arXiv:2601.20245) prima della revisione paritaria — ha esaminato 52 ingegneri del software divisi in due gruppi: uno che utilizzava l’assistenza AI per scrivere codice, uno che codificava a mano.

Al termine dello studio, i partecipanti sono stati valutati con un quiz sulle competenze acquisite. Il risultato è stato netto: il gruppo che aveva usato l’AI ha ottenuto in media il 50%, contro il 67% del gruppo che aveva lavorato senza AI. Una differenza equivalente, come nota lo studio stesso, a quasi due voti scolastici.

«Il gruppo AI ha ottenuto una media del 50% al quiz, contro il 67% del gruppo che aveva codificato a mano — l’equivalente di quasi due voti scolastici di differenza.»
— How AI assistance impacts the formation of coding skills, Anthropic / arXiv

È un dato che fa riflettere, soprattutto se si pensa che questo studio è stato condotto da Anthropic stessa, una delle principali aziende di sviluppo AI. Non è una voce ostile alla tecnologia: è un’autocritica scientifica e metodologicamente fondata.

Deskilling: perché accade, e perché è un problema sistemico

Il meccanismo alla base del deskilling è ben noto in psicologia cognitiva: le competenze si consolidano attraverso la pratica ripetuta e la gestione diretta dell’errore. Quando deleghiamo un compito a uno strumento (sia esso un GPS, un correttore automatico o un sistema AI) il cervello riduce progressivamente l’allocazione di risorse cognitive a quel compito. Smette di esercitarsi.

Il problema specifico dell’AI è la sua efficacia. Un GPS può sbagliarsi e costringerti a ragionare. Un sistema AI avanzato, come quelli usati in endoscopia o nella generazione di codice, è così preciso da non lasciare mai spazio all’errore formativo. Non c’è mai il momento in cui il medico deve “capire” perché l’AI ha visto qualcosa che lui non aveva visto: semplicemente lo accetta.

Tapani Rinta-Kahila, Senior Lecturer di Business Information Systems e DECRA Fellow presso la Business School dell’Università del Queensland a Brisbane (Australia), studia questo fenomeno da anni. Nelle sue ricerche, il deskilling non è mai immediato: inizia con una dipendenza sottile dagli strumenti, si consolida nell’abitudine, e diventa un problema strutturale solo quando lo strumento non è disponibile o sbaglia.

Non è un argomento contro l’AI: è un’occasione per usarla meglio

Sarebbe un errore leggere questi studi come una condanna dell’intelligenza artificiale. L’AI in endoscopia ha salvato vite: ha rilevato adenomi che i medici avevano mancato. L’AI nella programmazione ha accelerato lo sviluppo di software. Il problema non è l’AI in sé, ma il modo in cui l’integriamo nei processi di apprendimento e di lavoro.

Gli stessi ricercatori che documentano il deskilling propongono soluzioni concrete:

  • Separare le fasi di apprendimento da quelle di produzione. I medici in formazione non dovrebbero usare l’AI come stampella, ma come strumento di verifica a posteriori. Prima si esercita il ragionamento clinico autonomo, poi si confronta con l’AI.
  • Introdurre sessioni regolari di lavoro senza AI. Esattamente come un pilota di aereo fa esercitazioni sul simulatore senza autopilota, i professionisti che usano AI ogni giorno dovrebbero mantenere attive le competenze di base.
  • Progettare sistemi AI che spiegano, non solo che decidono. Un sistema che mostra il ragionamento dietro una diagnosi o una riga di codice contribuisce all’apprendimento; uno che dà solo l’output finale lo ostacola.
  • Monitorare le competenze nel tempo. Le aziende e le istituzioni sanitarie dovrebbero tracciare l’evoluzione delle competenze dei loro professionisti, non solo la produttività.

Il punto per chi usa l’AI ogni giorno

Se usi strumenti AI quotidianamente — per scrivere, programmare, analizzare dati, fare ricerca — questi studi non ti dicono di smettere. Ti dicono di prestare attenzione a una domanda fondamentale: sto usando l’AI per amplificare le mie competenze, o sto delegando competenze che non voglio più sviluppare?

La differenza è cruciale. Un medico esperto che usa l’AI come secondo parere rimane esperto. Un medico che usa l’AI come primo e unico giudizio smette, silenziosamente, di allenarsi. Lo stesso vale per un programmatore, un analista, un copywriter, un manager.

L’AI è uno strumento potente. Come tutti gli strumenti potenti, il modo in cui lo usi determina se ti rende più forte o più dipendente. La consapevolezza è il primo passo.

Vuoi approfondire come usare l’AI in modo strategico senza perdere le tue competenze? Scopri i corsi disponibili oppure contattami per una consulenza.

 

/0 Commenti/da