automazione Archives – Gianluigi Bonanomi

Tag Archivio per: automazione

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.

9 Ottobre 2026/0 Commenti/da Gianluigi Bonanomi

AI nella PA: la risposta al ricambio generazionale?

Intelligenza artificiale, News home

Immaginiamo un ufficio comunale. Tra qualche anno un dipendente esperto andrà in pensione. La reazione più naturale è cercare qualcuno che prenda il suo posto, con le stesse mansioni e gli stessi strumenti. Propongo una domanda un po’ scomoda: e se una parte di quelle mansioni potesse essere affidata all’intelligenza artificiale, usando il ricambio per cambiare davvero il lavoro?

L’AI nella PA può essere una risposta al problema del ricambio generazionale. Può assorbire alcune attività ripetitive, aiutare chi entra e conservare conoscenze che rischiano di uscire insieme a chi lascia. Per trasformarla in una soluzione servono però processi riprogettati, dati affidabili e persone capaci di controllarla. Comprare licenze e sperare che compensino i pensionamenti sarebbe un piano del personale piuttosto fantasioso.

Il ricambio nella pubblica amministrazione è già cominciato

Evitiamo una premessa comoda ma incompleta: la PA italiana non sta semplicemente invecchiando senza reagire. La ricerca FPA sul lavoro pubblico 2025 segnalava un’età media scesa a 48,9 anni e un aumento degli addetti. Rilevava anche oltre 100mila persone con più di 64 anni e 171mila con oltre 35 anni di anzianità. Sono due gruppi che possono sovrapporsi: sommarli per annunciare un’ondata di 271mila pensionamenti sarebbe scorretto. E anzianità elevata non significa uscita immediata.

La successiva analisi FPA “Lavoro Pubblico 2026”, pubblicata a luglio 2026, conferma segnali di crescita e ringiovanimento, ma indica il ricambio e il trasferimento della conoscenza tra le criticità principali. Richiama in particolare le vulnerabilità delle Funzioni Locali. Il problema, quindi, comprende quantità di personale, competenze e continuità dei servizi.

È qui che la provocazione diventa interessante: quando una persona lascia, vale la pena verificare quanto del suo lavoro sia ancora necessario, quanto si possa semplificare e quanto richieda un nuovo professionista. Il mansionario può diventare un progetto da aggiornare.

Quanta parte dei processi della PA può sostituire l’AI?

Non c’è una percentuale unica difendibile per tutta la pubblica amministrazione italiana. Le ricerche disponibili misurano oggetti diversi: transazioni, attività, tempo lavorato o risultati ottenuti in un esperimento. Una percentuale senza il suo denominatore può diventare propaganda in pochi secondi.

L’84% delle transazioni studiate: un potenziale, non una lista di esuberi

Il lavoro di Vincent J. Straub e colleghi, “AI for bureaucratic productivity”, pubblicato come preprint nel 2024, mappa i servizi del governo centrale britannico. Stima circa 143 milioni di transazioni burocratiche complesse e ripetitive all’anno e classifica l’84% di queste come altamente automatizzabile in base alle caratteristiche dei compiti.

È una stima di fattibilità, non il risultato di una sostituzione effettuata. Riguarda uno specifico sottoinsieme di transazioni britanniche, non l’84% dei dipendenti, delle ore lavorate o dell’intero settore pubblico. Non isola neppure il contributo dei soli chatbot generativi da quello delle altre tecnologie di automazione. Gli autori stessi precisano che la produttività può aumentare liberando tempo per giudizio e discrezionalità umani.

Circa il 40% del tempo: attività che l’AI può supportare

Nel 2025 l’Alan Turing Institute, il Department for Transport e l’Office for National Statistics hanno pubblicato una ricerca basata sull’uso del tempo nel settore pubblico britannico. Analizzando 91 attività, stimano che circa il 40% del tempo possa essere supportato dall’AI generativa, con differenze tra settori e ruoli.

“Supportato” è la parola decisiva. Un’attività assistibile può continuare a richiedere un professionista per verificarla e completarla. Non possiamo trasformare quel 40% in una riduzione equivalente dell’organico o del tempo complessivo. Il rapporto presenta risultati preliminari e opportunità da verificare nei singoli contesti.

26 minuti al giorno: un’esperienza sul campo, con un limite metodologico

Il rapporto del Government Digital Service sull’esperimento con Microsoft 365 Copilot riguarda 20mila dipendenti di 12 organizzazioni, tra settembre e dicembre 2024. Riporta un risparmio medio di 26 minuti al giorno. Le attività comprendono scrittura, ricerca di informazioni e gestione delle comunicazioni.

Il dato è promettente, ma il risparmio è autodichiarato. Il questionario ha raccolto 7.115 risposte; non è una misurazione indipendente, cronometrata e randomizzata di tutti i partecipanti. È evidenza di utilità percepita su larga scala, da affiancare a verifiche su qualità, errori e lavoro effettivamente completato.

I processi burocratici da cui partire

Propongo questa mappa operativa. È una mia valutazione dei possibili impieghi, non una graduatoria ricavata da percentuali sperimentali. Il livello di automazione dipende dai dati disponibili, dai sistemi collegati e dalle conseguenze di un errore.

Processo	Parte delegabile o assistibile	Controllo da mantenere
PEC ed email in ingresso	Classificazione, estrazione dei dati, suggerimento dell’ufficio competente	Verifica dei casi ambigui, delle scadenze e dello smistamento
Pratiche e allegati	Lettura dei documenti, segnalazione di campi mancanti e incongruenze	Valutazione dei requisiti e delle eccezioni; gestione degli errori di lettura
Verbali e resoconti	Trascrizione, prima sintesi, elenco delle azioni concordate	Correzione, autorizzazione del trattamento e validazione del testo
Ricerca negli archivi	Recupero di regolamenti, precedenti e istruzioni con indicazione delle fonti	Controllo su versione, vigenza, pertinenza e permessi di accesso
Comunicazioni e atti	Prima bozza, confronto con modelli, riscrittura in linguaggio chiaro	Motivazione, riferimenti verificati, responsabilità e firma
Sportello informativo	Risposte su orari, moduli e passaggi standard da fonti aggiornate	Passaggio a un operatore nei casi personali, incerti o complessi
Controlli e rendicontazione	Confronti documentali, riconciliazioni e segnalazione di anomalie	Accertamento, contraddittorio e decisioni sulle conseguenze
Contributi e servizi essenziali	Preparazione del fascicolo e supporto documentale nei limiti applicabili	Valutazione dei diritti, supervisione effettiva e possibilità di contestare l’esito

Un esempio ipotetico: una richiesta arriva via PEC, il sistema propone una classificazione, estrae i dati, confronta gli allegati con una checklist e prepara una richiesta di integrazione. Il funzionario vede documenti e proposta, corregge e autorizza. Una parte del lavoro viene delegata; le responsabilità vengono rese esplicite.

Per approfondire i possibili flussi ho già raccolto 12 casi d’uso degli agenti AI nella pubblica amministrazione. Un agente può coordinare passaggi e strumenti: ogni capacità aggiuntiva richiede anche permessi, controlli e una gestione delle eccezioni.

Oltre la burocrazia: cosa può fare l’AI nei servizi pubblici

Lo scenario è più ampio della produzione di documenti. Il rapporto dell’Organizzazione per la cooperazione e lo sviluppo economico, “Governing with Artificial Intelligence”, analizza 200 casi d’uso in 11 funzioni pubbliche. Comprende amministrazione fiscale, acquisti pubblici, partecipazione civica, giustizia e gestione dei rischi. Descrive applicazioni per servizi ai cittadini, operazioni interne, analisi e controllo, ma anche un’adozione frammentata. Il campione di casi non consente di stimare quanto sia automatizzabile l’intera PA.

Come ipotesi progettuali, penso a tre ambiti: individuare dove si formano gli arretrati per organizzare meglio gli uffici; sintetizzare osservazioni ricevute in una consultazione senza cancellare le posizioni minoritarie; analizzare segnalazioni e dati tecnici per programmare la manutenzione del territorio. Qui possono servire modelli statistici, sistemi predittivi e ottimizzazione, oltre agli strumenti generativi.

Le ore recuperate potrebbero essere reinvestite in ascolto e presenza: assistenza sociale, sportelli, sopralluoghi, mediazione. Un servizio si può progettare per diventare più umano proprio perché alcune attività preparatorie richiedono meno lavoro manuale.

Un esempio numerico: quanto ricambio potrebbe compensare?

Facciamo un esercizio ipotetico, non una previsione sulla PA italiana. Un ufficio ha dieci persone con orario equivalente. Supponiamo che il 40% del loro tempo sia dedicato ad attività assistibili e che, su quelle attività, l’AI produca un risparmio netto del 25%, dopo controlli e correzioni.

Il conto è: 40% × 25% = 10% del tempo totale. Su dieci persone equivale, in termini aggregati, al tempo di una persona. Con la stessa capacità produttiva individuale e lo stesso carico di lavoro, dieci persone con quel risparmio potrebbero gestire un volume che prima richiedeva circa undici persone.

Questo non autorizza a lasciare scoperto un posto. Le ore sono distribuite tra persone e mansioni, possono non coincidere con quelle del pensionando e potrebbero servire a ridurre arretrati. E se uscissero due persone senza sostituzioni, il risparmio ipotizzato non basterebbe a conservare la capacità precedente. Tradurre tempo liberato in organico richiede una verifica dell’organizzazione reale.

Il beneficio netto va calcolato sottraendo al tempo risparmiato quello necessario per verifiche, correzioni, gestione e aggiornamento. Vanno poi contabilizzati licenze, integrazioni, sicurezza e formazione. Una demo di cinque minuti non è un piano industriale.

L’AI può aiutare a conservare l’esperienza di chi va in pensione

Questa è forse la possibilità che mi interessa di più. Chi lascia un ufficio porta con sé conoscenze che spesso non sono raccolte in un manuale: quali eccezioni ricorrono, dove cercare un documento, quali verifiche fare prima di chiudere una pratica.

Propongo di preparare il passaggio prima dell’uscita: interviste strutturate, raccolta di casi anonimizzati, checklist, spiegazione delle eccezioni e revisione delle procedure. Poi si può costruire un assistente che cerchi in un archivio approvato e mostri i documenti usati. L’esperto deve validare ciò che viene conservato: anche le prassi obsolete possono essere tramandate con grande efficienza.

Il manuale tecnico del governo britannico sull’AI descrive la Retrieval-Augmented Generation (RAG): il sistema recupera informazioni da documenti e le fornisce al modello come contesto. È una strada per rendere consultabile la conoscenza interna, mantenendo permessi di accesso e tracciabilità delle fonti. Il manuale segnala anche limiti e rischi: la RAG non elimina risposte errate né attacchi tramite istruzioni inserite nei documenti.

Per questo un buon assistente deve poter rispondere “non trovo una fonte sufficiente” e indirizzare a una persona. Conservare l’esperienza richiede soprattutto una scelta organizzativa; il software viene dopo.

La supervisione umana deve essere un lavoro vero

C’è un motivo scientifico per evitare il funzionario ridotto a timbro di approvazione. Lo studio di Fabrizio Dell’Acqua e colleghi, “Navigating the Jagged Technological Frontier”, pubblicato su Organization Science, ha coinvolto 758 professionisti di Boston Consulting Group. Su 18 compiti all’interno delle capacità del modello, l’accesso a GPT-4 ha aumentato i compiti completati e ridotto il tempo medio del 25,1%. Su un problema scelto fuori da quella frontiera, l’AI ha peggiorato la probabilità di una soluzione corretta.

Lo studio riguarda consulenti e compiti specifici, non dipendenti comunali. Il risultato invita comunque a testare ogni uso: attività apparentemente simili possono beneficiare dell’AI o esserne danneggiate. Un testo convincente può contenere un errore sostanziale.

Anche la distinzione normativa conta. La Commissione europea, negli esempi sui servizi essenziali dell’AI Act, distingue gli strumenti di supporto dalle applicazioni che valutano l’accesso a prestazioni pubbliche essenziali. Queste ultime possono rientrare tra i sistemi ad alto rischio. Una raccomandazione può incidere sui diritti anche quando la decisione finale è formalmente umana; compiti preparatori circoscritti possono invece ricadere nelle eccezioni previste, alle relative condizioni. Serve valutare funzione e uso effettivi del sistema.

La mia regola operativa: chi controlla deve avere competenza, tempo, accesso alle fonti e possibilità concreta di fermare il processo. Se l’organico viene ridotto tanto da rendere impossibile quel controllo, l’automazione perde uno dei suoi presupposti.

Un video per approfondire l’adozione dell’AI nella PA

Il webinar ufficiale di AgID “Linee guida sull’Intelligenza Artificiale: l’adozione nella Pubblica Amministrazione” approfondisce il percorso di adozione e gli aspetti organizzativi. È un contenuto del 2025 dedicato alle linee guida poste allora in consultazione: va letto nel suo contesto, senza considerarlo da solo una fotografia aggiornata di tutti gli obblighi applicabili.

Webinar del canale ufficiale AgID sull’adozione dell’intelligenza artificiale nella PA.

Prima di sostituire un pensionando, riprogettare il suo lavoro

A un’amministrazione proporrei un percorso di tre mesi, da adattare al servizio:

Mappare un processo. Rilevare volumi, tempo attivo, attese, errori e casi che richiedono discrezionalità. Eliminare prima i passaggi inutili.
Scegliere un’attività circoscritta. Per esempio una bozza di risposta o la ricerca interna. Verificare se basta un’automazione a regole, se serve AI generativa o una combinazione.
Sperimentare con personale esperto. Usare dati autorizzati, casi ordinari ed eccezioni, confrontando qualità e tempo netto con il processo precedente.
Misurare il servizio. Contare pratiche corrette, rilavorazioni, tempi di risposta, costi e casi passati agli operatori. Raccogliere anche l’esperienza dei cittadini.
Rivedere il fabbisogno. Decidere quali capacità rafforzare o assumere e dove reinvestire le ore recuperate, con chi lavora negli uffici.

La tesi che sostengo è questa: il ricambio generazionale può diventare l’occasione per smettere di ereditare automaticamente anche il lavoro ripetitivo. L’AI può compensare una parte delle attività lasciate scoperte e aiutare i nuovi assunti a lavorare meglio. Quanta parte, va dimostrato processo per processo.

Vedo spazio per una PA che assuma competenze nuove, protegga l’esperienza di chi esce e restituisca tempo ai servizi. Il concorso per il prossimo dipendente potrebbe cominciare con una revisione del lavoro che gli stiamo preparando. Sarebbe già una bella innovazione.

Per progettare un percorso di formazione sull’AI nella pubblica amministrazione, puoi contattarmi.

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.

8 Ottobre 2026/0 Commenti/da Gianluigi Bonanomi

L’AI per gli autotrasportatori. La mia intervista per Radio24

Intelligenza artificiale, Interviste, News home

Il 5 ottobre 2026 sono stato ospite di Andrea Ferro nella trasmissione Autotrasporti di Radio24. Abbiamo parlato di intelligenza artificiale e imprese del trasporto: non soltanto della suggestione dei camion senza conducente, ma soprattutto degli usi che possono alleggerire il lavoro quotidiano di aziende e uffici.

Qui trovi la mia intervista a Radio24 in video.

L’AI nei trasporti comincia dalla scrivania

Quando si parla di intelligenza artificiale applicata all’autotrasporto, il pensiero corre subito alla guida autonoma. È un tema importante, ma per molte imprese i primi risultati possono arrivare da attività meno spettacolari e molto più vicine alla giornata di lavoro: leggere documenti, cercare informazioni, preparare testi e gestire pratiche ricorrenti.

Nel video racconto alcuni esempi concreti: usare l’AI per analizzare multe e verbali, per impostare preventivi e circolari, e per costruire assistenti o agenti che aiutino a snellire la burocrazia. Non significa lasciare che un chatbot decida se una contestazione sia fondata o invii autonomamente un documento al cliente. Significa fargli preparare una prima analisi o una bozza, indicando chiaramente quali documenti deve consultare e lasciando a una persona il controllo prima di agire.

Multe, verbali, preventivi: partire da un compito preciso

Prendiamo un verbale. Un modello generativo può aiutare a estrarne i dati principali, riassumere la contestazione, segnalare scadenze presenti nel documento e preparare una lista di verifiche. L’esito va controllato sul verbale originale e, quando servono valutazioni giuridiche, da chi ha le competenze per farle. L’AI può accelerare la lettura; non trasforma un’ipotesi in un parere legale.

Lo stesso criterio vale per preventivi e circolari. Un assistente può partire da un modello approvato, recuperare le informazioni da fonti aziendali e preparare una bozza coerente. Prima dell’invio restano da controllare prezzi, condizioni, destinatari e dati personali. Il beneficio non sta nel produrre più testo, ma nel ridurre i passaggi ripetitivi e rendere più facile trovare le informazioni corrette.

RAG: far lavorare l’AI sui documenti giusti

Durante l’intervista ho citato la RAG, sigla di Retrieval-Augmented Generation. In breve, prima di formulare una risposta il sistema recupera informazioni da un insieme di documenti scelti, per esempio procedure, modelli e circolari aziendali, e le usa come contesto. Il paper che ha formalizzato l’approccio RAG descrive proprio l’unione tra generazione linguistica e recupero di informazioni esterne.

Questo può rendere le risposte più aderenti alle fonti disponibili, ma non è un certificato di correttezza: se i documenti sono vecchi, incompleti o recuperati male, anche la risposta può esserlo. Le guide tecniche di Microsoft e Google Cloud mostrano come funziona il collegamento tra ricerca documentale e generazione. Per la gestione dei rischi, il profilo NIST dedicato all’AI generativa offre un riferimento per valutare e governare i sistemi nel loro ciclo di vita.

Un agente utile deve avere confini chiari

Un agente può concatenare più passaggi: ricevere una richiesta, cercare in un archivio, compilare una bozza e segnalare ciò che manca. Per un’azienda di trasporto questo può voler dire togliere tempo alla ricerca manuale tra email, allegati e procedure. Ma gli accessi devono essere limitati ai dati necessari, le fonti riconoscibili e le azioni esterne sottoposte a una regola di approvazione.

La domanda utile, quindi, non è “dove mettiamo l’AI?”, ma “quale attività ripetitiva crea attesa o errori, e come possiamo provarla senza perdere il controllo?”. Si può iniziare da un solo processo, misurare quanto tempo richiede oggi, fare un test su casi reali e verificare qualità, errori e tempo risparmiato. Se il risultato regge, si estende. Se non regge, si correggono fonti e passaggi prima di automatizzare.

È una logica che vale anche fuori dal trasporto: ne ho parlato, per esempio, nell’articolo su quali usi dell’AI servono davvero a un amministratore di condominio. Cambiano i documenti e i processi, ma il metodo resta: partire da un problema concreto, usare fonti affidabili e mantenere la responsabilità umana sulle decisioni.

6 Ottobre 2026/0 Commenti/da Gianluigi Bonanomi

ChatGPT vocale come Jarvis: Gmail, skill e preventivi spiegati passo passo

Intelligenza artificiale, News home

Posso usare ChatGPT come Jarvis? Nel video qui sotto faccio una prova concreta: a voce gli chiedo di preparare una mail al commercialista, impostare i dati di un preventivo e allegare i file alla bozza in Gmail. Ti spiego anche come replicare il flusso con l’app Gmail collegata e una skill che guida la preparazione del documento. La mail resta in bozza: controllo umano prima dell’invio.

Che cosa succede nel video: ChatGPT vocale prepara mail e preventivo

La scena parte con una domanda: posso chiamare ChatGPT “Jarvis”? Poi passo a un caso pratico. Detto a voce, chiedo di scrivere al commercialista per un corso destinato al Comune di Caltanissetta. Fornisco durata, otto ore; compenso, 1.000 euro; data, 2 ottobre 2026. Aggiungo che il Comune ha parlato di esenzione IVA e chiedo al commercialista di controllare il trattamento fiscale.

ChatGPT prepara la mail come bozza in Gmail, usa la carta intestata per comporre il preventivo e allega due versioni, Word modificabile e PDF. Non invia nulla. Io posso riaprire la bozza, controllare testo e allegati, correggere e decidere se inviarla.

“Plugin Gmail” è un modo comune per parlarne; nell’interfaccia attuale puoi trovare app collegate e plugin che le includono. L’app Gmail collega ChatGPT al servizio esterno e abilita le azioni supportate; il plugin può riunire l’app e una o più skill. Le voci e la disponibilità cambiano secondo piano, account, area geografica, dispositivo e impostazioni del workspace. La guida OpenAI alle app collegate spiega permessi e azioni, mentre la pagina su plugin in ChatGPT chiarisce come possano combinare app e skill.

Come collegare Gmail a ChatGPT

Apri ChatGPT e vai in Impostazioni → Plugin (in alcune versioni la sezione può chiamarsi App). Cerca Gmail o un plugin che includa Gmail.
Seleziona Installa o Connetti, se richiesto. Accedi all’account Google che contiene la casella da usare. Se hai più caselle, controlla con attenzione che sia quella giusta.
Leggi i permessi richiesti da ChatGPT e la schermata di autorizzazione Google, poi concedi solo l’accesso che vuoi effettivamente usare. In un account di lavoro l’amministratore potrebbe dover abilitare l’app o approvare gli ambiti richiesti. Puoi tornare in Impostazioni per rivedere o scollegare l’account. La procedura ufficiale è descritta in Collegare e gestire gli account delle app.
Apri una chat vocale in modalità Live, se disponibile. Su web, premi l’icona voce nella barra del prompt e consenti l’uso del microfono; da mobile, premi l’icona voce. Per richiamare un’app, puoi usare @ oppure il menu + se compaiono nella tua interfaccia, o semplicemente chiedere a ChatGPT di usare Gmail durante la conversazione.
Quando ChatGPT propone un’azione, controlla la richiesta e approvala sullo schermo se necessario. In Voice l’approvazione parlata non sostituisce i controlli a schermo. Le app e le azioni utilizzabili in Live dipendono dall’account e dalle autorizzazioni, come spiega la guida ufficiale a ChatGPT Voice.

Una richiesta ben dettata specifica destinatario, oggetto, scopo, dati del corso e che cosa deve restare in bozza. Per esempio: “Usa l’app Gmail collegata all’account di lavoro. Prepara, senza inviare, una bozza al mio commercialista con oggetto ‘Verifica fattura e preventivo – corso Comune di Caltanissetta’. Indica corso di otto ore il 2 ottobre 2026, compenso di 1.000 euro. Scrivi che il Comune segnala una possibile esenzione IVA e chiedi al commercialista di verificarla. Crea un preventivo con la mia carta intestata, esportalo in Word e PDF, allega entrambi alla bozza e fermati per la mia revisione. Prima di procedere, dimmi se ti manca qualche dato.”

La skill per preparare e controllare il preventivo

La skill non è un permesso per entrare in Gmail: è una procedura riutilizzabile che indica a ChatGPT come svolgere un compito con più coerenza. L’app collegata gestisce l’accesso e le azioni supportate; la skill contiene istruzioni, controlli e formato del risultato. Le Skills in ChatGPT, se disponibili per il tuo piano e workspace, si possono creare dalla sezione Skills del Plugin Directory o caricare come file. OpenAI indica che la disponibilità varia in base al prodotto e alla configurazione dell’area di lavoro.

Per costruire una skill “Prepara preventivo” dal menu Plugin → Skills → Crea o caricando il relativo pacchetto, puoi partire da queste istruzioni e adattarle al tuo flusso:

Scopo: prepara una bozza di preventivo professionale usando esclusivamente i dati forniti dall’utente e i modelli autorizzati.
Prima di creare il file: raccogli cliente/ente e destinatario, titolo e descrizione dell’attività, data, durata, compenso, scadenze e validità dell’offerta. Chiedi i campi mancanti; non inventare dati.
Documento: usa il modello di carta intestata indicato dall’utente; mantieni valuta, importi e diciture esattamente come confermati; prepara un DOCX modificabile e una copia PDF.
Controllo: confronta nome del cliente, date, ore e importi tra i due file; verifica leggibilità e impaginazione. Evidenzia i campi ancora da confermare.
Fisco: non decidere autonomamente aliquote, esenzioni o inquadramenti. Segnala il dubbio e chiedi conferma al professionista incaricato.
Consegna: mostra il riepilogo, allega i file solo alla bozza email richiesta e non inviare mai senza una conferma finale esplicita.

Le skill in ChatGPT sono attualmente soggette a requisiti di piano e workspace: per esempio, OpenAI le dichiara disponibili agli utenti idonei Business, Enterprise, Healthcare ed Edu, con possibili differenze fra ChatGPT e Codex. Se non vedi la scheda Skills, puoi comunque incollare queste istruzioni nella conversazione o conservarle come checklist riutilizzabile; non dare per scontato che ogni account abbia la stessa funzione.

Il controllo prima dell’invio

Destinatario e casella: controlla indirizzo, account Gmail selezionato e nome dell’ente.
Dati del documento: verifica data assoluta, durata, oggetto e importo in entrambe le versioni.
IVA: nel video chiedo al commercialista di verificare la possibile esenzione. Non assumere che ChatGPT possa stabilire il trattamento fiscale corretto.
Allegati: apri il DOCX e il PDF; controlla carta intestata, impaginazione, contenuto e coerenza.
Invio: assicurati che il messaggio sia ancora una bozza. La preparazione e l’invio sono passaggi diversi.

Nel video la data viene interpretata in modo relativo (“domani”): è un promemoria per pronunciare date complete. La voce accelera l’inserimento dei dati, ma non rende infallibile la dettatura né trasforma un documento ben impaginato in un documento corretto. Anche OpenAI invita a verificare le informazioni importanti nella guida Does ChatGPT tell the truth?.

Quando colleghi Gmail, ChatGPT accede alle informazioni necessarie alle richieste supportate secondo i permessi dell’account e le impostazioni dell’area di lavoro. La FAQ OpenAI sui controlli dei dati delle app Google descrive accesso, memoria e controlli disponibili; la Guida Account Google sulle autorizzazioni delle app di terze parti spiega come rivedere o revocare l’accesso concesso.

Jarvis è arrivato?

Un pezzetto sì. Nel mio esperimento posso parlare, specificare il lavoro, chiedere una bozza Gmail e ottenere un preventivo con due allegati. Il paragone con Tony Stark e il suo assistente personale è una metafora divertente per raccontare il dialogo vocale; nel lavoro quotidiano servono però istruzioni precise, permessi limitati e una persona che controlli il risultato.

Se vuoi approfondire l’uso di ChatGPT nel lavoro, trovi il mio corso su ChatGPT per aziende e professionisti. Per organizzare un percorso o un evento, puoi anche contattarmi qui. Nel frattempo, guarda il video incorporato sopra: il punto pratico è tutto in quella bozza che aspetta ancora la revisione.

Fonti

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

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

3 Ottobre 2026/0 Commenti/da Gianluigi Bonanomi

AI per l’amministratore di condominio: che cosa serve davvero subito?

Intelligenza artificiale, News home

Risposta breve: a un amministratore di condominio servono subito tre cose dall’intelligenza artificiale: bozze di comunicazioni più chiare, ricerca documentale basata su fonti selezionate e automazioni semplici per le attività ripetitive. Per partire non occorre comprare un nuovo gestionale né collegare ogni servizio a ogni altro: serve scegliere un problema frequente, provarlo su un flusso piccolo e mantenere la verifica umana.

Quando si parla di AI in condominio compaiono subito agenti autonomi, portali intelligenti e chatbot che rispondono a tutti. Ma nello studio medio il collo di bottiglia è spesso più banale: una casella Gmail affollata, documenti sparsi, risposte da riscrivere e recapiti che vivono nel gestionale, nei fogli e nel telefono. La tecnologia utile è quella che riduce questi passaggi senza creare un secondo archivio ingestibile.

AI per l’amministratore di condominio: da dove partire

Partirei da un processo che si ripete almeno una volta alla settimana e che oggi richiede copia, ricerca o riscrittura. Per esempio: preparare un avviso, trovare nel regolamento una clausola, riassumere una comunicazione lunga, oppure smistare una richiesta al fornitore giusto. Se il processo non è chiaro, automatizzarlo significa solo far sbagliare più in fretta un software.

La regola pratica è semplice: prima si mette ordine nelle fonti, poi si automatizza un passaggio alla volta. Un gestionale rimane il riferimento per le anagrafiche e la contabilità; Drive raccoglie i documenti condivisi; Gmail gestisce la posta; WhatsApp serve a comunicazioni mirate nei casi appropriati. L’AI aiuta a cercare e preparare, ma non diventa un nuovo archivio parallelo.

Tre usi dell’AI che servono davvero subito

1. Preparare comunicazioni chiare e mirate

Da un appunto come “domani chiusura acqua dalle 9, avvisare scala A e B” un assistente AI può produrre una comunicazione più ordinata, con oggetto, orario, motivo e istruzioni pratiche. Può anche preparare versioni diverse: e-mail formale, avviso breve per il portale, messaggio sintetico per WhatsApp. Il controllo finale resta allo studio, soprattutto su date, orari, destinatari e responsabilità.

Un prompt di partenza:

Agisci come assistente redazionale di uno studio di amministrazione condominiale. Trasforma gli appunti qui sotto in una comunicazione breve e comprensibile. Non aggiungere informazioni non presenti. Evidenzia i dati mancanti tra parentesi quadre. Prepara una versione e-mail e una versione WhatsApp. Appunti: [incolla solo informazioni necessarie].

2. Cercare nei regolamenti e nei documenti dello studio

Gemini Notebook, già noto come NotebookLM, permette di raccogliere fonti selezionate e porre domande sui documenti caricati. È utile per consultare un regolamento, un verbale, un capitolato o una polizza e ottenere una prima risposta con riferimenti al materiale fornito. Ho raccolto esempi e prompt nella mia guida a Gemini Notebook per amministratori di condominio.

La cautela è fondamentale: una risposta ancorata a un documento non equivale a un parere legale, né garantisce che il documento sia aggiornato o completo. Conviene distinguere i notebook per condominio o per argomento, mantenere poche fonti versionate e chiedere sempre: “Quale documento e quale passaggio sostengono questa risposta?”. Per la normativa, il riferimento resta il testo ufficiale, non la parafrasi del chatbot.

3. Ridurre il tempo perso tra Gmail e Drive

Con Gemini collegato ai servizi Google, se la configurazione e il piano lo consentono, si possono usare funzioni di ricerca e sintesi della posta e dei documenti. Anche senza costruire un agente, è già utile trasformare una lunga catena e-mail in: richiesta ricevuta, decisione presa, attività da fare, responsabile e scadenza. Una persona controlla poi il riepilogo e lo registra nel posto corretto.

Un esempio operativo: ogni mattina lo studio seleziona le e-mail da gestire; l’AI prepara una tabella con mittente, condominio, tema, urgenza proposta e prossima azione. Non deve classificare automaticamente una segnalazione come urgente senza controlli, né archiviare o inviare risposte senza un passaggio umano.

La sincronizzazione Danea, Drive e WhatsApp: attenzione alla versione

Una delle idee più interessanti è esportare periodicamente i contatti da Danea, conservarne una copia controllata in Drive e usare i dati per aggiornare i recapiti dello studio. Tuttavia, le funzioni cambiano in base al prodotto e al piano: la documentazione Danea indica che alcune esportazioni Excel/OpenOffice non sono disponibili in Domustudio Cloud One. Prima di scrivere uno script, quindi, va verificato quale versione Cloud è attiva e quale esportazione delle anagrafiche è realmente disponibile.

Il primo test dovrebbe essere piccolo: esportare un solo condominio, controllare quali campi contiene il CSV, correggere i numeri e i duplicati, poi importarlo in Google Contatti o in un foglio di appoggio. Si prova il flusso e si documentano i passaggi prima di pensare a un’automazione settimanale. Google Apps Script può pianificare attività tra i servizi Google, ma ha quote e limiti che possono cambiare e non sostituisce un’integrazione ufficiale del gestionale.

Per WhatsApp Business, non partirei creando una lista per ciascuno dei cento condomìni. Meglio definire un criterio di segmentazione semplice, usare etichette coerenti e testare l’invio su un gruppo ristretto. Le liste broadcast hanno anche vincoli pratici: i destinatari devono aver salvato il numero dello studio perché il messaggio arrivi. Se servono invii programmati, gestione di molti utenti o integrazione robusta con Danea, si entra nel terreno della WhatsApp Business Platform e di un progetto con costi, configurazione e regole proprie. Nessuna automazione deve aggirare le preferenze o il consenso dei destinatari.

Privacy: che cosa non caricare alla cieca

Gli archivi condominiali possono contenere dati identificativi, recapiti, informazioni economiche e, in alcuni casi, informazioni particolarmente delicate. Il Garante richiama la necessità di trattare dati pertinenti e necessari alle finalità di gestione condominiale. Per questo, prima di usare un servizio AI, occorre valutare quali dati entrano, chi può accedervi, come il fornitore li tratta e quali impostazioni di conservazione sono attive.

Per le prove iniziali si possono usare casi inventati o dati minimizzati: “Condominio Alfa”, “scala B”, senza nomi, numeri di telefono, insoluti o dettagli personali. Anche le comunicazioni collettive vanno impostate con attenzione: gli indirizzi e-mail dei destinatari non vanno esposti in chiaro senza una base adeguata. “È su Gmail” o “è nel cloud europeo” da solo non risolve tutte le domande di conformità e sicurezza.

Un piano di avvio in quattro settimane

Settimana 1: scegliere un solo caso. Annotare le dieci richieste più frequenti e scegliere quella che costa più tempo ma ha conseguenze contenute, per esempio la bozza di un avviso standard.
Settimana 2: raccogliere le fonti. Creare una cartella Drive essenziale, con documenti aggiornati e nomi coerenti. Separare i materiali generali dai documenti specifici dei singoli condomìni.
Settimana 3: provare l’assistente. Usare prompt condivisi per comunicazioni e sintesi. Registrare errori, correzioni e tempo risparmiato. Nessun invio automatico.
Settimana 4: verificare il flusso Danea. Provare l’esportazione disponibile per la versione installata, controllare i campi e aggiornare manualmente un piccolo gruppo di contatti. Decidere dopo il test se uno script serve davvero.

Il criterio per proseguire è misurabile: meno tempo per attività ripetitive, meno correzioni, nessun errore sui destinatari e fonti facilmente rintracciabili. Se l’automazione introduce un nuovo foglio da mantenere, una nuova rubrica da aggiornare e tre eccezioni da ricordare, non ha semplificato il lavoro.

FAQ sull’AI per l’amministratore di condominio

Si può usare subito ChatGPT o Gemini per rispondere ai condòmini?

Sì, per preparare una bozza o riformulare una risposta. La persona incaricata deve controllare i fatti, il tono, i destinatari e gli eventuali riferimenti normativi prima dell’invio.

NotebookLM può dare risposte corrette sui regolamenti?

Può aiutare a individuare e sintetizzare passaggi nelle fonti caricate. La qualità dipende dalla completezza e dall’aggiornamento dei documenti; le conclusioni importanti vanno controllate sul testo originale.

Posso sincronizzare automaticamente Danea con WhatsApp?

Non va dato per scontato. Va verificata la versione specifica di Domustudio e l’esportazione disponibile; solo dopo si può valutare un flusso intermedio. L’app WhatsApp Business non è automaticamente integrata con Danea.

Serve un server fisico in studio?

Non necessariamente: il flusso può restare su servizi cloud, purché lo studio verifichi contratti, accessi, copie di sicurezza, conservazione e localizzazione dei dati in base al proprio piano e alle proprie esigenze. “Cloud” non significa automaticamente “dati sempre e solo in Europa”.

Fonti e approfondimenti

Garante per la protezione dei dati personali, Amministrazione dei condomìni: principi e cautele sul trattamento di informazioni nell’attività condominiale.
Garante Privacy, nuove linee guida e consultazione sul condominio digitale.
Danea Domustudio, documentazione sulle esportazioni, incluse le limitazioni di Cloud One.
Danea Domustudio, esportazione dei contatti verso Google Contatti.
Google Apps Script, quote e limiti dei servizi.
Google Apps Script, automazione dei servizi Google.
WhatsApp Help Center, uso delle liste broadcast.
Meta, requisiti per ottenere l’opt-in su WhatsApp.

Se lavori in uno studio di amministrazione e vuoi mettere a terra queste prove con un metodo semplice, scrivimi per organizzare un corso o un confronto operativo sull’AI.

Guarda il mio intervento sull’intelligenza artificiale al servizio degli amministratori di condominio:

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.

2 Ottobre 2026/0 Commenti/da Gianluigi Bonanomi

Dieci concetti per capire il futuro della tecnologia

Intelligenza artificiale, News home

Il futuro della tecnologia si capisce osservando il passaggio da macchine che eseguono comandi a sistemi che percepiscono, simulano, decidono e agiscono. Alle tre del mattino una fabbrica continua a produrre, ma le luci sono spente. Su una strada, un’automobile senza volante affronta pioggia, cantieri e deviazioni senza chiedere aiuto. In un magazzino, un robot vede un ostacolo, cambia piano e riprende il lavoro. Nel frattempo una rete mobile non si limita a trasmettere dati, ma contribuisce a localizzare oggetti e a interpretare ciò che accade nello spazio.

Sono immagini potenti, ma rischiano di mettere nello stesso cassetto realtà industriali già operative, prototipi promettenti e categorie tecniche che descrivono un traguardo ancora lontano. Per capire il futuro serve quindi un vocabolario. Non per fare bella figura alla prossima riunione, ma per distinguere ciò che è disponibile, ciò che è in sperimentazione e ciò che per ora vive soprattutto nelle presentazioni con sfondo nero e scritte fluorescenti.

Ho scelto dieci concetti. Insieme raccontano una traiettoria precisa: le macchine percepiscono meglio il mondo, costruiscono copie digitali della realtà, decidono con più autonomia e agiscono nel software o nello spazio fisico. Il vero tema, però, non è quanta autonomia possiamo dare loro. È quanta autonomia sappiamo governare.

1 Dark factory

Una dark factory, chiamata anche lights out factory, è uno stabilimento progettato per funzionare per lunghi periodi con una presenza umana minima. Le luci possono restare spente perché robot, sistemi di visione, sensori e software di controllo non hanno bisogno dell’illuminazione pensata per le persone.

Una dark factory non elimina necessariamente ogni essere umano dallo stabilimento. Separa la produzione ripetitiva dalla supervisione, dalla manutenzione e dalla gestione delle eccezioni. Un caso documentato dalla International Federation of Robotics mostra una cella robotizzata capace di lavorare di notte e di spostare gli addetti verso attività più specializzate. È un esempio circoscritto, non la prova che ogni fabbrica possa spegnere le luci domani mattina.

Che cosa cambia Il vantaggio non deriva soltanto dal costo del lavoro. Conta la continuità produttiva, la regolarità della qualità e la possibilità di usare turni non presidiati. Aumentano però la dipendenza da sensori affidabili, manutenzione predittiva, cybersecurity e procedure di arresto sicuro.

La domanda utile Quale parte del processo è abbastanza stabile, osservabile e standardizzata da poter funzionare senza un operatore presente in ogni momento?

2 Guida autonoma di livello 5

Il livello 5 è l’ultimo gradino della classificazione SAE dell’automazione di guida. Significa che il sistema svolge l’intero compito di guida in tutte le condizioni e su tutte le strade previste per un conducente umano. Non c’è bisogno che una persona sia pronta a riprendere il controllo. In teoria non servono nemmeno volante e pedali.

Qui è indispensabile togliere un po’ di nebbia dal marketing. La National Highway Traffic Safety Administration statunitense precisa che il livello 5 non è disponibile nei veicoli acquistabili oggi dai consumatori. Il livello 4, invece, può gestire la guida senza intervento umano solo dentro un dominio operativo limitato, per esempio un’area geografica o condizioni definite. Nel giugno 2026 la UNECE ha adottato un primo quadro globale che abilita giuridicamente sistemi di guida pienamente autonoma. Una cornice regolatoria, però, non trasforma automaticamente una categoria tecnica in un prodotto universale.

Che cosa cambia L’auto smette di essere un mezzo guidato e diventa un servizio che decide. Responsabilità, assicurazioni, manutenzione del software, mappe, infrastrutture e gestione degli incidenti devono essere ripensate insieme.

La domanda utile Il sistema è autonomo ovunque oppure soltanto dentro condizioni precise che qualcuno deve conoscere, verificare e far rispettare?

3 Human machine interface

HMI significa human machine interface, interfaccia uomo macchina. In una fabbrica può essere il pannello da cui un operatore controlla una linea. In un’auto comprende display, comandi vocali, avvisi sonori e segnali tattili. Nei sistemi più recenti l’interazione può combinare voce, gesti, sguardo, immagini e linguaggio naturale.

L’interfaccia del futuro non sarà per forza uno schermo più grande. Potrebbe diventare meno visibile e più contestuale: la macchina capisce che cosa stiamo facendo, propone l’informazione necessaria e sceglie il canale meno invasivo. È anche qui che nascono nuovi rischi. Un’interfaccia può ridurre il carico cognitivo oppure nascondere troppo bene ciò che il sistema sta decidendo.

La serie ISO 9241 sul design centrato sulle persone ricorda che hardware e software devono migliorare l’interazione lungo l’intero ciclo di vita del sistema. La più recente ISO 9241 161 del 2025 aggiorna inoltre requisiti e raccomandazioni per gli elementi visuali delle interfacce.

Che cosa cambia La qualità di una macchina intelligente dipenderà anche da come comunica incertezza, limiti, priorità e richieste di intervento. Un semaforo verde messo nel posto sbagliato può essere più pericoloso di un algoritmo mediocre.

La domanda utile L’utente capisce che cosa sta facendo il sistema, perché lo sta facendo e quando deve intervenire?

4 Digital twin

Un digital twin è una rappresentazione digitale di una macchina, un impianto, un edificio o un processo, alimentata da dati del corrispondente fisico. Non è un semplice modello 3D. Diventa davvero un gemello quando resta collegato alla realtà e consente di osservare, diagnosticare, prevedere e provare alternative.

Il National Institute of Standards and Technology descrive applicazioni industriali che vanno dal monitoraggio dello stato delle macchine alla previsione delle anomalie, dalla pianificazione della manutenzione alla messa in servizio virtuale. Prima di cambiare la linea reale, posso verificare sul gemello digitale che cosa potrebbe succedere. Risparmio esperimenti costosi, ma soltanto se dati e modello restano credibili.

Ne avevo già richiamato il ruolo parlando dell’evoluzione digitale delle aziende in questa intervista sulla storia che va da Google all’intelligenza artificiale. Il gemello digitale è importante perché sposta una parte delle decisioni dal mondo delle opinioni a quello delle simulazioni verificabili.

Che cosa cambia Progettazione, formazione, manutenzione e ottimizzazione possono condividere la stessa rappresentazione dinamica dell’asset. Se il gemello è alimentato da dati incompleti o fuori tempo, però, produce una sicurezza soltanto apparente.

La domanda utile Quanto è fedele, aggiornato e validato il modello su cui stiamo prendendo decisioni reali?

Per approfondire: un webinar del progetto europeo AUTO-TWIN sugli standard e i digital twin industriali.

5 Edge AI

Con edge AI l’intelligenza artificiale viene eseguita vicino al luogo in cui nascono i dati: un sensore, una telecamera, un macchinario, un veicolo o un dispositivo. Non tutto deve attraversare la rete, raggiungere un data center e tornare indietro con una risposta.

Secondo il programma Edge AI del NIST, la quantità di dati prodotta ai margini della rete cresce al punto che non può essere trattata sempre come in passato, inviandola integralmente al cloud. Elaborare localmente può ridurre i tempi di risposta e la dipendenza dalla connettività. Può anche mantenere alcuni dati sul dispositivo, ma non rende automaticamente il sistema privato o sicuro.

Che cosa cambia Una telecamera può riconoscere un difetto mentre il pezzo passa sulla linea. Un robot può fermarsi davanti a una persona senza aspettare una risposta remota. Il cloud resta utile per addestramento, coordinamento e aggiornamenti, mentre l’edge gestisce ciò che non può permettersi di aspettare.

La domanda utile Quali decisioni devono essere prese localmente per ragioni di latenza, continuità operativa, costo o protezione dei dati?

6 Embodied AI

L’embodied AI, spesso chiamata anche physical AI, è un’intelligenza artificiale incorporata in un corpo che percepisce e modifica l’ambiente. Il corpo può essere un robot umanoide, un braccio industriale, un drone o un veicolo. La difficoltà non sta soltanto nel capire un comando, ma nel tradurlo in un’azione fisica sicura.

Nel mondo digitale un errore può generare una frase sbagliata. Nel mondo fisico può rompere un componente o ferire qualcuno. Per questo servono comprensione spaziale, pianificazione, controllo del movimento e capacità di verificare se il compito è davvero riuscito. Google DeepMind descrive queste capacità nei suoi modelli di embodied reasoning per la robotica, mostrando applicazioni come la lettura di strumenti e il controllo dell’esito di un’azione. Sono progressi notevoli, ma restano dimostrazioni e strumenti per sviluppatori, non robot universali pronti a cavarsela in qualsiasi casa o fabbrica.

Che cosa cambia L’AI esce dallo schermo e acquisisce mani, ruote e sensori. La valutazione deve quindi includere danni fisici, spazi condivisi, procedure di emergenza e responsabilità operative.

La domanda utile Il sistema sa riconoscere un fallimento e fermarsi prima che un errore digitale diventi un danno materiale?

7 Agentic AI

Un chatbot produce una risposta. Un agente riceve un obiettivo, sceglie una sequenza di azioni, usa strumenti e verifica almeno in parte il risultato. Può consultare documenti, interrogare un database, aggiornare un CRM, preparare un preventivo o aprire una richiesta di assistenza.

La differenza decisiva non è il tono più umano della conversazione. È il permesso di agire. Il National Cybersecurity Center of Excellence del NIST sta studiando identità e autorizzazioni degli agenti proprio perché la loro capacità di prendere decisioni ed eseguire operazioni con supervisione limitata amplia sia le opportunità sia i rischi.

Un agente senza identità chiara, permessi minimi, registri delle azioni e confini di spesa è un collega velocissimo a cui abbiamo consegnato le chiavi di tutto il palazzo il primo giorno di lavoro. La metafora fa sorridere finché non arriva la prima fattura.

Che cosa cambia Il software passa dal suggerire al fare. La governance deve specificare quali strumenti può usare, quali dati può vedere, quali azioni richiedono conferma e come si ricostruisce ciò che ha fatto.

La domanda utile Se l’agente sbaglia, possiamo capire con quali dati, permessi e passaggi è arrivato a quell’azione?

8 Software defined everything

Quando un oggetto è software defined, una parte crescente del suo comportamento dipende dal software e può cambiare dopo la vendita attraverso configurazioni o aggiornamenti. L’esempio più evidente è l’automobile, che sta diventando una piattaforma aggiornabile. Lo stesso principio si applica a reti, macchinari industriali, dispositivi medici ed edifici.

Questo allunga la vita funzionale del prodotto e consente di correggere difetti o aggiungere servizi. Al tempo stesso crea una domanda scomoda: abbiamo comprato un oggetto o una licenza d’uso continuamente modificabile dal produttore? Le regole UNECE sulla cybersecurity e sugli aggiornamenti software dei veicoli richiedono ai costruttori sistemi di gestione degli aggiornamenti e tracciabilità delle versioni rilevanti per l’omologazione.

Che cosa cambia Il prodotto non è più definitivamente uguale a se stesso quando esce dalla fabbrica. Sicurezza, prestazioni, funzioni e modello commerciale possono evolvere. Anche acquisti e manutenzione devono valutare la politica degli aggiornamenti, non soltanto la scheda tecnica iniziale.

La domanda utile Chi controlla il software, per quanto tempo garantisce gli aggiornamenti e che cosa succede quando il supporto termina?

9 Reti 6G e sensing integrato

Il 6G non è semplicemente un 5G più veloce. Nel quadro IMT 2030 le reti future vengono pensate per combinare comunicazione, intelligenza artificiale e capacità di percepire l’ambiente. Il sensing integrato potrebbe permettere alla stessa infrastruttura radio di trasmettere dati e contribuire a localizzare oggetti, rilevare movimenti o ricostruire caratteristiche dello spazio.

Nel marzo 2026 l’International Telecommunication Union ha annunciato un accordo tecnico sui requisiti prestazionali preliminari di IMT 2030. I sei scenari comprendono comunicazioni immersive, collegamenti iperaffidabili a bassa latenza, connettività ubiqua, AI integrata nella rete e integrated sensing and communication. Alla data di questo articolo, l’approvazione formale dei requisiti era prevista per dicembre 2026. Non stiamo quindi parlando di uno smartphone 6G da mettere nel carrello la settimana prossima.

Che cosa cambia La rete potrebbe diventare una parte attiva dei sistemi autonomi, non un semplice tubo. Fabbriche, trasporti, agricoltura e soccorso potrebbero condividere connettività, localizzazione e rilevamento in tempo quasi reale.

La domanda utile Quale valore nasce davvero dall’integrazione tra comunicazione e percezione, e quali nuovi dati ambientali stiamo raccogliendo?

10 Human on the loop

Più i sistemi diventano autonomi, più dobbiamo essere precisi sul ruolo umano. Nel linguaggio della progettazione, human in the loop indica un essere umano coinvolto nel ciclo decisionale, per esempio per approvare ogni operazione critica. Human on the loop descrive invece una persona che sorveglia il sistema e può intervenire, sospenderlo o correggerlo. Human in command allarga il campo alla responsabilità complessiva, comprese finalità, regole e possibilità di disattivazione.

Queste espressioni non sono bacchette magiche e non sostituiscono un’analisi dei rischi. Le linee guida europee per un’intelligenza artificiale affidabile le indicano come possibili forme di controllo umano. L’AI Act europeo richiede inoltre misure appropriate di supervisione umana per i sistemi ad alto rischio. La parola decisiva è appropriate: chiedere a una persona di confermare centinaia di decisioni al minuto non crea controllo, crea una firma automatica umana.

Che cosa cambia La supervisione diventa una funzione da progettare con tempi, competenze, informazioni e poteri reali. Un pulsante rosso che nessuno sa quando premere è arredamento industriale.

La domanda utile La persona incaricata di controllare il sistema ha tempo, informazioni, competenze e autorità per fermarlo davvero?

Il futuro sarà autonomo ma non automatico

Questi dieci concetti non avanzano in fila ordinata. Si alimentano a vicenda. Una dark factory usa edge AI per reagire in tempo reale, digital twin per simulare le modifiche, HMI per informare i tecnici e agenti per coordinare ordini, manutenzione e documentazione. Le reti future collegano il sistema, mentre l’embodied AI gli permette di agire nello spazio fisico. Il software continua a modificarne il comportamento anche dopo l’installazione.

La direzione è chiara. Stiamo passando da strumenti che eseguono comandi a sistemi che interpretano obiettivi e gestiscono eccezioni. La velocità, però, varia molto da settore a settore. Una cella produttiva può già lavorare senza presidio per alcune ore. Un veicolo di livello 5 capace di muoversi ovunque resta un obiettivo. Un agente può aggiornare un CRM oggi, ma non per questo merita accesso illimitato a clienti, prezzi e pagamenti.

Per aziende e pubbliche amministrazioni la competenza decisiva non sarà prevedere la data esatta in cui arriverà ogni tecnologia. Sarà saper porre quattro domande prima di adottarla: che cosa percepisce, che cosa può decidere, che cosa può fare e chi risponde quando sbaglia. Il futuro non diventa comprensibile quando impariamo dieci sigle. Diventa governabile quando sappiamo dove mettere i confini.

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.

27 Settembre 2026/0 Commenti/da Gianluigi Bonanomi

10 cose da sapere sugli agenti di intelligenza artificiale

News home

Gli agenti di intelligenza artificiale rappresentano il passaggio dall’AI che risponde all’AI che agisce. Non si limitano a generare un testo: ricevono un obiettivo, pianificano una sequenza di passi, scelgono gli strumenti disponibili, eseguono azioni e controllano il risultato.

Articolo aggiornato al 24 settembre 2026.

Questo cambiamento riguarda già aziende, professionisti, pubbliche amministrazioni e formazione. Ma intorno alla parola “agente” c’è ancora molta confusione: a volte viene usata per indicare una semplice automazione, altre volte un chatbot con qualche funzione in più. Vediamo quindi le dieci cose davvero importanti da sapere, con esempi concreti e senza trasformare gli agenti AI nell’ennesima parola magica.

Agenti di intelligenza artificiale: che cosa sono davvero?

Un agente AI è un sistema capace di perseguire un obiettivo con un certo grado di autonomia. Secondo la documentazione di OpenAI sugli agenti, queste applicazioni possono pianificare, usare strumenti, collaborare con componenti specializzati e mantenere lo stato necessario per completare attività articolate.

La formula più semplice è questa:

obiettivo + ragionamento + strumenti + memoria + controllo = agente AI

Un chatbot risponde alla domanda. Un workflow esegue passaggi stabiliti in anticipo. Un agente, invece, interpreta la situazione e decide come muoversi entro i limiti che gli abbiamo assegnato.

1. Un agente non è soltanto un chatbot

Il chatbot tradizionale attende una richiesta e produce una risposta. L’agente può invece scomporre un compito in sotto-attività, cercare informazioni, consultare documenti, usare software e ritentare quando un passaggio non funziona.

Esempio: chiedere “scrivimi una mail di follow-up” produce un testo. Chiedere a un agente di gestire il follow-up può significare: leggere gli appunti dell’incontro, controllare il CRM, preparare una bozza personalizzata, proporre una scadenza e creare un promemoria. La differenza non è solo quantitativa. È il passaggio dalla generazione di contenuti all’esecuzione di un processo.

Per capire le basi dei modelli linguistici e dell’AI generativa, può essere utile il mio glossario essenziale dell’intelligenza artificiale generativa.

2. Gli agenti lavorano per obiettivi, non per singoli comandi

Un buon agente parte da un risultato atteso. “Analizza le richieste dei clienti dell’ultimo mese e individua i cinque problemi ricorrenti” è un obiettivo. “Leggi questo file” è soltanto un’azione.

L’obiettivo deve chiarire almeno quattro elementi:

che cosa deve ottenere l’agente;
quali fonti può usare;
quali vincoli deve rispettare;
come si verifica che il lavoro sia concluso correttamente.

Qui il prompt engineering non scompare, anzi diventa più importante. Un agente mal istruito può commettere errori su una scala maggiore rispetto a una singola risposta. Nel mio corso di prompt engineering insisto proprio su obiettivi, contesto, limiti e criteri di qualità.

3. Pianificano, agiscono, osservano e correggono

Il funzionamento tipico è ciclico: l’agente interpreta l’obiettivo, prepara un piano, compie un’azione, osserva il risultato e decide il passo successivo. Se necessario, corregge la strategia.

Non tutti gli agenti hanno però lo stesso livello di autonomia. Alcuni propongono soltanto le azioni. Altri possono eseguirle, ma chiedono l’approvazione prima dei passaggi delicati. Altri ancora operano autonomamente entro confini molto precisi.

Anthropic, nella guida Building Effective Agents, distingue utilmente tra workflow, nei quali i passaggi sono orchestrati in modo predefinito, e agenti, nei quali il modello decide dinamicamente come procedere. Non sempre l’opzione più autonoma è la migliore.

4. Il vero salto avviene quando usano strumenti reali

Un agente diventa operativo quando può utilizzare strumenti esterni: posta elettronica, calendario, fogli di calcolo, browser, database, CRM, gestionali, archivi aziendali e sistemi di ticketing.

Gli strumenti trasformano il linguaggio in azioni. L’agente può, per esempio:

recuperare dati da più fonti;
aggiornare una scheda cliente;
preparare una bozza di risposta;
confrontare preventivi;
generare un report periodico;
segnalare un’anomalia;
avviare un processo dopo un’approvazione umana.

Questo è anche il punto in cui aumentano responsabilità e rischi. Ogni strumento dovrebbe concedere soltanto i permessi necessari. Un agente incaricato di leggere un calendario non dovrebbe poter cancellare appuntamenti senza un’autorizzazione esplicita.

5. La memoria è utile, ma deve essere progettata

La memoria consente all’agente di mantenere informazioni tra un passaggio e l’altro o tra sessioni diverse. Può ricordare lo stato di un progetto, le preferenze dell’utente, le decisioni prese e le attività ancora aperte.

Ma “ricordare tutto” non è automaticamente un vantaggio. Una memoria efficace deve essere selettiva, aggiornata e governabile. Informazioni vecchie o sbagliate possono diventare una fonte di errori persistenti.

Occorre distinguere almeno tra:

memoria di lavoro, necessaria per completare il compito corrente;
memoria di progetto, relativa a documenti, scelte e avanzamento;
memoria personale o organizzativa, che richiede regole chiare su privacy, accesso e conservazione.

La qualità del contesto conta più della quantità. Anthropic approfondisce questo tema nella guida all’effective context engineering per agenti AI.

6. Un solo agente spesso è meglio di una squadra di agenti

L’immagine più affascinante è quella di un’intera squadra digitale: un agente ricercatore, uno scrittore, uno revisore e uno coordinatore. In alcuni casi funziona. In molti altri aggiunge costi, lentezza e nuovi punti di errore.

La regola pratica è partire dal sistema più semplice che possa risolvere il problema. Prima un workflow deterministico. Poi, se serve, un singolo agente con strumenti ben definiti. Solo quando il compito richiede competenze realmente separate ha senso introdurre un sistema multi-agente.

Google Cloud descrive diversi pattern di progettazione per sistemi agentici, mostrando che la scelta dell’architettura deve dipendere dal processo e non dal fascino della tecnologia.

7. L’autonomia deve essere proporzionata al rischio

Non delegheremmo la stessa libertà a un agente che riordina documenti e a uno che invia offerte commerciali, modifica dati o autorizza una spesa. L’autonomia va calibrata in base all’impatto dell’errore.

Una scala utile può essere questa:

l’agente suggerisce;
l’agente prepara una bozza;
l’agente esegue dopo approvazione;
l’agente esegue autonomamente azioni reversibili;
l’agente opera in autonomia entro soglie, registri e controlli definiti.

OpenAI raccomanda di combinare controlli automatici e revisione umana: i guardrail e il controllo human-in-the-loop permettono di fermare o approvare le operazioni sensibili. Non è un freno all’innovazione. È ciò che rende possibile usare gli agenti in processi reali.

8. Sicurezza e dati non possono essere aggiunti alla fine

Un agente può ricevere testi ostili, interpretare male un’istruzione, usare lo strumento sbagliato o esporre dati non necessari. Tra i rischi principali ci sono prompt injection, permessi eccessivi, perdita di controllo sul flusso, allucinazioni e uso improprio delle informazioni aziendali.

Le difese essenziali includono:

privilegio minimo per strumenti e dati;
approvazione umana per azioni ad alto impatto;
separazione tra istruzioni affidabili e contenuti esterni;
registrazione delle azioni eseguite;
limiti di spesa, tempo e numero di operazioni;
test con casi normali, eccezioni e tentativi di manipolazione;
possibilità di interrompere e annullare il processo.

La guida di OpenAI sulla sicurezza nella costruzione degli agenti sottolinea che i dati non attendibili non dovrebbero controllare direttamente il comportamento del sistema. Microsoft ricorda inoltre che gli agenti operano con autorità delegata e possono influire su più sistemi aziendali: per questo servono politiche comuni di governance e sicurezza degli agenti AI.

9. Il valore si misura sul processo, non sulla spettacolarità della demo

Un agente che impressiona durante una presentazione può non essere utile in produzione. Il test serio riguarda affidabilità, qualità, tempo risparmiato, costo, numero di errori e capacità di gestire le eccezioni.

Prima di introdurre un agente in azienda conviene scegliere un processo:

ripetitivo ma non completamente rigido;
basato su informazioni accessibili e autorizzate;
con un risultato verificabile;
abbastanza frequente da produrre un beneficio misurabile;
con conseguenze limitate se qualcosa va storto.

Buoni casi iniziali sono la preparazione di report, la classificazione di richieste, la ricerca documentale, la creazione di bozze, l’aggiornamento assistito del CRM e il monitoraggio di fonti. Per un percorso più ampio puoi consultare il mio corso ChatGPT per aziende e professionisti.

10. Il vero valore non è sostituire le persone, ma ridisegnare il lavoro

La domanda meno utile è: “Quali lavori elimineranno gli agenti?”. Quella più produttiva è: “Quali passaggi del nostro lavoro possono essere delegati, quali devono restare umani e quali vanno riprogettati?”.

Gli agenti possono ridurre il lavoro amministrativo, collegare strumenti che oggi non comunicano, accelerare l’analisi e rendere operative informazioni disperse. Ma il valore nasce soltanto quando obiettivi, responsabilità e processi vengono ripensati.

Il professionista non sparisce. Cambia ruolo: definisce gli obiettivi, fornisce il contesto, imposta i limiti, controlla le eccezioni e valuta il risultato. In altre parole, passa dall’esecuzione di ogni singolo passaggio al governo del sistema.

Come introdurre un agente AI in azienda

Un percorso ragionevole può partire da cinque mosse:

scegliere un processo circoscritto, evitando di voler automatizzare subito un intero reparto;
mappare dati, strumenti e autorizzazioni necessari;
definire metriche di successo, come tempo, qualità, costo ed errori;
inserire approvazioni umane nei punti delicati;
testare, documentare e migliorare prima di aumentare l’autonomia.

Il principio guida è semplice: prima affidabilità, poi autonomia. Un agente poco spettacolare ma controllabile crea più valore di una demo brillante e imprevedibile.

Domande frequenti sugli agenti AI

Qual è la differenza tra chatbot e agente AI?

Il chatbot genera una risposta a una richiesta. L’agente persegue un obiettivo, decide una sequenza di azioni e può usare strumenti esterni per completare il compito.

Gli agenti AI lavorano completamente da soli?

Non necessariamente. Possono avere livelli di autonomia differenti. Nei processi sensibili è preferibile che preparino il lavoro e chiedano un’approvazione prima dell’azione finale.

Serve saper programmare per usare un agente?

Non sempre. Esistono piattaforme visuali e strumenti integrati nei software aziendali. Tuttavia, progettare processi affidabili richiede competenze su obiettivi, dati, permessi, controlli e valutazione dei risultati.

Quali attività conviene affidare per prime a un agente AI?

Attività frequenti, verificabili e a rischio contenuto: ricerca e sintesi, classificazione, preparazione di bozze, report periodici, monitoraggio e aggiornamento assistito di archivi o CRM.

Qual è il rischio più sottovalutato?

Concedere troppi permessi a un sistema non ancora abbastanza testato. La qualità del modello non sostituisce la progettazione dei limiti e delle approvazioni.

In conclusione

Gli agenti di intelligenza artificiale non sono semplicemente chatbot più potenti. Sono sistemi che collegano ragionamento e azione. Proprio per questo possono creare molto valore, ma anche amplificare errori, permessi sbagliati e processi mal progettati.

La domanda decisiva non è quanto un agente sia autonomo. È quanto sia utile, controllabile e coerente con gli obiettivi dell’organizzazione.

Vuoi progettare un laboratorio o un percorso aziendale sugli agenti AI? Scopri i miei corsi su ChatGPT, AI generativa e prompt engineering oppure contattami per costruire un intervento su casi d’uso reali della tua organizzazione.

Fonti principali: OpenAI Agents; Anthropic, Building Effective Agents; Google Cloud, agentic design patterns; Microsoft Cloud Adoption Framework for AI Agents; OpenAI, Safety in building agents.

24 Settembre 2026/0 Commenti/da Gianluigi Bonanomi

Reddito universale e AI: utopia o risposta concreta?

Intelligenza artificiale, News home

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

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

Che cosa propone davvero l’iniziativa europea sul reddito universale

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

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

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

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

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

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

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

Esiste davvero una crisi occupazionale causata dall’intelligenza artificiale?

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

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

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

Non bisogna commettere due errori opposti:

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

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

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

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

Thomas Paine: la ricchezza naturale appartiene anche alla comunità

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

Bertrand Russell: meno culto del lavoro, più tempo umano

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

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

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

Philippe Van Parijs: la libertà deve essere reale

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

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

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

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

Negli Stati Uniti il reddito di base è discusso da decenni

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

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

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

Che cosa ci dicono gli esperimenti

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

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

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

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

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

Le obiezioni più serie, non le caricature

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

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

Come si potrebbe finanziare un reddito universale legato all’AI

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

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

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

Cinque esempi concreti di che cosa cambierebbe

1. La segretaria amministrativa che vede automatizzato metà del lavoro

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

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

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

3. L’artigiano che usa agenti AI

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

4. La caregiver familiare

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

5. Il lavoratore di una fabbrica automatizzata

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

Quanto è concreta, allora, l’idea?

La mia valutazione è questa:

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

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

Tre video per capire il dibattito

Reddito universale spiegato in modo visuale

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

Rutger Bregman: la povertà è mancanza di denaro

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

Il lavoro nell’era dell’intelligenza artificiale

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

Domande frequenti

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

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

L’intelligenza artificiale sta già eliminando milioni di posti?

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

Con il reddito universale le persone smettono di lavorare?

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

Il reddito universale sostituirebbe pensioni, sanità e scuola?

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

Qual è la soluzione più realistica nel breve periodo?

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

Conclusione: non chiediamoci soltanto se lavoreremo

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

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

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

Fonti principali

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

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

17 Settembre 2026/0 Commenti/da Gianluigi Bonanomi

10 modi per usare l’intelligenza artificiale in Excel

Intelligenza artificiale, News home

L’intelligenza artificiale in Excel può aiutarti a scrivere formule, capire un file ereditato, pulire dati, confrontare listini, costruire report e simulare scenari. Puoi usarla direttamente nel foglio di calcolo con Microsoft Copilot, ChatGPT for Excel e Claude for Excel, oppure affidare i file a ChatGPT Work e Claude Cowork per svolgere attività in più passaggi.

La parte interessante comincia quando smetti di chiedere «Fammi una formula» e inizi a spiegare quale problema devi risolvere. Il file Budget_definitivo_v7_QUESTOQUELLOGIUSTO.xlsx, per esempio, merita qualcosa di più di un’altra mano di colore alle celle.

Qui trovi 10 esempi pratici di AI per Excel, pensati per vendite, acquisti, amministrazione, marketing e assistenza clienti. Ogni esempio contiene un’attività, un prompt da adattare e un controllo sul risultato. Sono scenari didattici: i numeri sono fittizi e i prompt non sono test certificati di tutte le versioni dei prodotti.

Verifica delle fonti: 8 settembre 2026. Funzioni disponibili, limiti d’uso e interfacce dipendono da piano, aggiornamenti e impostazioni aziendali.

Quale intelligenza artificiale usare in Excel?

Prima distinguiamo tre modalità di lavoro. Dentro Excel, l’assistente può leggere il contesto del file aperto e, con le funzioni abilitate, modificarlo. In una chat con allegati, gli fornisci una copia del documento. In un ambiente di lavoro come Work o Cowork, gli assegni un risultato e i file sui quali lavorare: il compito può comprendere lettura, trasformazione, creazione di un nuovo Excel e controllo finale.

Strumento	Dove lavori	Quando lo prenderei in considerazione
Microsoft Copilot in Excel	Nel pannello di Excel.	Formule, tabelle pivot, grafici e modifiche al file aperto.
ChatGPT for Excel	Nel componente aggiuntivo ufficiale di OpenAI.	Costruire o aggiornare modelli e seguirne formule e ipotesi.
Claude for Excel	Nell’integrazione di Anthropic per Microsoft 365.	Capire le celle di un modello e modificare le sue assunzioni.
ChatGPT Work	Nel relativo ambiente di lavoro, con i file forniti.	Trasformare documenti e dati in un nuovo foglio di calcolo da verificare.
Claude Cowork	Nell’ambiente Cowork, sui file e sulle cartelle autorizzati.	Consolidamenti, confronti e attività articolate su più documenti.

Queste modalità sono documentate nelle guide di Microsoft su Copilot in Excel, nella presentazione di OpenAI su ChatGPT for Excel, nella pagina di Anthropic su Claude for Microsoft 365 e nelle guide a ChatGPT Work e Claude Cowork. Gli abbinamenti della tabella sono una mia proposta operativa, non una classifica di prestazioni.

Attenzione ai nomi. Usare un modello GPT o Claude attraverso Copilot non equivale a usare il componente aggiuntivo di ChatGPT o quello di Anthropic. Microsoft documenta la possibilità di scegliere modelli GPT e Claude in determinate configurazioni, con requisiti di licenza e abilitazione amministrativa. Applicazione, modello e permessi sono livelli diversi: li chiariscono le FAQ ufficiali di Copilot in Excel.

Come iniziare: prepara il foglio e scegli dove lavorare

Per gli esempi dentro Excel, apri una copia del file e richiama il pannello Copilot oppure il componente aggiuntivo ufficiale ChatGPT o Claude, se abilitato sul tuo account. In Copilot distingui la modalità che consente modifiche dalla sola chat e dalla pianificazione. Se chiedi di creare una colonna mentre sei in una modalità solo conversazionale, verifica che la colonna sia stata effettivamente inserita.

Con Work e Cowork, invece, fornisci i documenti oppure rendi accessibile una cartella attraverso le funzioni disponibili. Indica sempre il nome del file finale. Scrivere il percorso di una cartella nel prompt non concede automaticamente l’accesso a quella cartella. E chiedere una «tabella» non basta a specificare che vuoi un file Excel scaricabile: scrivi .xlsx.

Prima di partire, io preparerei così i dati:

Una riga di intestazioni chiare: «Ricavo netto», «Costo prodotto», «Data ordine».
Una riga per ciascuna vendita, fattura o richiesta, senza mischiare dettagli e totali.
Codici prodotto e identificativi trattati come testo, se devono conservare gli zeri iniziali.
Date, valute e significato delle colonne esplicitati.
Una copia di lavoro e soltanto i dati necessari al compito, secondo le regole della propria organizzazione.

Per altre risorse sugli strumenti e sul modo di interrogarli, trovi la mia raccolta dedicata al corso di ChatGPT e AI generativa.

1. Scrivere una formula partendo da una richiesta in italiano

Situazione: lavori nelle vendite e vuoi calcolare il margine per ogni ordine. In D hai il ricavo netto, in E il costo del prodotto, entrambi riferiti alla stessa riga e senza IVA. Puoi partire da Copilot o ChatGPT for Excel.

La guida Microsoft all’analisi con Copilot documenta la generazione di colonne con formule e la loro spiegazione. Il punto è descrivere correttamente l’indicatore: margine e ricarico hanno denominatori diversi.

Prompt da provare:

Nel foglio Vendite, la colonna D contiene il ricavo netto dell’ordine e la E il costo del prodotto. I dati iniziano alla riga 2. Crea in F il margine percentuale sul ricavo: (ricavo meno costo) diviso ricavo. Se il ricavo è zero, lascia la cella vuota e segnala la riga in una colonna Controllo. Usa formule compatibili con la mia installazione italiana di Excel e spiegami il calcolo. Non modificare D ed E.

Con quei riferimenti, una formula per F2 è:

=SE(D2=0;"";(D2-E2)/D2)

Formatta F come percentuale. Controllo: con ricavo 100 e costo 75 il margine deve essere 25%. Il ricarico sul costo sarebbe invece circa 33,3%. La formula qui mostrata gestisce il ricavo zero; la colonna di segnalazione va aggiunta separatamente. Funzioni tradotte e separatori devono corrispondere alla configurazione effettiva di Excel.

2. Capire il foglio Excel lasciato da un collega

Situazione: ricevi un file con dieci fogli e una cella finale che sembra conoscere il destino dell’azienda. Tu, però, vorresti sapere da dove arriva quel numero. Userei Claude for Excel, oppure la funzione di spiegazione di Copilot.

Anthropic presenta Claude for Excel anche come strumento per interrogare le celle e lavorare sulle ipotesi di un modello. Questo suggerisce un buon primo incarico: farsi descrivere il file prima di modificarlo.

Analizza il file senza modificarlo. Parti dalla cella F42 del foglio Riepilogo: riporta la formula e le celle che la alimentano. Distingui dati inseriti manualmente, formule, collegamenti ad altri fogli ed eventuali fonti esterne. Crea una spiegazione leggibile da un responsabile commerciale. Per ogni affermazione indica foglio e cella. Se non riesci a seguire un collegamento, dichiaralo.

Risultato da chiedere: una mappa delle dipendenze e un elenco dei punti non verificati. Controllo: apri alcuni riferimenti citati e confrontali con la barra della formula. Una spiegazione plausibile non dimostra che l’assistente abbia letto ogni foglio, collegamento o componente del file.

3. Pulire anagrafiche e dati esportati dal gestionale

Situazione: nella stessa colonna convivono «ACME», «Acme» e «Acme » con uno spazio finale. Poi ci sono importi salvati come testo e date ambigue. Prima di creare un grafico, serve una pulizia.

Microsoft documenta la funzione AI Clean Data di Excel per incoerenze testuali, formati numerici e spazi superflui. È distribuita gradualmente e può non comparire in tutti gli account. Per regole più articolate, esplicita il lavoro nel pannello AI disponibile.

Nel foglio Clienti crea una versione pulita delle colonne Ragione_sociale, Data_ordine e Importo. Mantieni accanto i valori originali. Rimuovi gli spazi superflui e segnala numeri memorizzati come testo. Le date sono italiane, giorno/mese/anno: quelle ambigue vanno in una lista Da_verificare. Non unire aziende con nomi simili e non eliminare righe. Aggiungi una colonna che descriva ogni trasformazione.

Controllo: il numero delle righe deve rimanere uguale e gli identificativi devono conservarsi. Una somiglianza nel nome è un indizio da verificare, non un’autorizzazione a fondere due clienti. Il database ripulito deve conservare la storia di ciò che è cambiato.

4. Confrontare due listini e individuare gli aumenti

Situazione: l’ufficio acquisti ha il listino precedente e quello nuovo. Vuole conoscere gli aumenti, i prodotti introdotti e quelli scomparsi. Puoi lavorare con due fogli nello stesso file oppure fornire i due documenti a Work o Cowork.

Il passaggio decisivo è scegliere la chiave di confronto. «Nome prodotto» può essere troppo vago. Per un esercizio userei codice articolo, confezione e valuta, dopo aver verificato che questi campi siano presenti.

Confronta Listino_precedente.xlsx e Listino_nuovo.xlsx. Usa come chiave Codice_articolo, Confezione e Valuta. Mantieni i codici come testo. Prima segnala chiavi duplicate o mancanti. Crea Confronto_listini.xlsx con prezzo precedente, prezzo nuovo, differenza assoluta e variazione percentuale calcolata sul prezzo precedente. Se il prezzo precedente è zero, segnala Non_calcolabile. Crea fogli separati per prodotti nuovi, eliminati e casi dubbi. Non confrontare confezioni o valute diverse.

Controllo: un prezzo da 80 a 88 corrisponde a un aumento del 10%. Verifica poi a campione confezioni, unità di misura e condizioni commerciali. Un prezzo unitario non è automaticamente confrontabile con quello di una scatola da dieci pezzi.

5. Trasformare preventivi PDF in una tabella Excel

Situazione: devi confrontare tre offerte per una fornitura di prodotti o servizi office. Una contiene il trasporto, un’altra lo indica a parte, la terza lascia una voce poco chiara. ChatGPT Work è descritto da OpenAI anche per creare fogli di confronto a partire da documenti; Cowork permette a sua volta di lavorare su PDF e fogli di calcolo.

Leggi i tre preventivi allegati e crea Offerte_confrontate.xlsx. Prevedi una riga per voce con fornitore, descrizione, quantità, unità di misura, prezzo unitario, sconto, totale, IVA indicata, trasporto e tempi di consegna. Aggiungi nome del file e pagina di origine per ogni informazione estratta. Se una voce manca, scrivi Non_indicato: non sostituirla con zero. Mantieni separati i costi una tantum e quelli ricorrenti. Prepara un riepilogo dei soli importi confrontabili.

Controllo: verifica ogni totale sulla fonte, soprattutto se il PDF è una scansione. «Non indicato» e «incluso» non sono sinonimi. Il file utile è quello che ti aiuta a capire cosa chiedere al fornitore, non quello che incorona un vincitore riempiendo i buchi con fantasia.

6. Creare una tabella pivot e un report delle vendite

Situazione: hai tutte le righe d’ordine e vuoi un riepilogo mensile per area commerciale. Dentro Excel, Copilot può creare grafici e tabelle pivot, come spiega la documentazione Microsoft sulla visualizzazione dei dati.

Dalla tabella Ordini crea nel foglio Report una tabella pivot nativa di Excel. Metti i mesi nelle righe, le aree commerciali nelle colonne e la somma del Ricavo_netto nei valori. Includi solo lo stato Completato. Crea un grafico a colonne collegato al riepilogo. Aggiungi titolo, valuta e periodo analizzato. Controlla che il totale della pivot coincida con la somma delle righe incluse e riportami il risultato del controllo.

Controllo: verifica che si tratti di una vera pivot modificabile e che la fonte contenga le righe previste. Controlla anche i filtri. Se nell’esportazione ci sono righe «Totale» insieme agli ordini, il rischio è sommare due volte gli stessi importi.

7. Trovare valori da controllare, senza inventare spiegazioni

Situazione: vuoi individuare ordini con sconti insoliti o margini negativi. L’AI può aiutarti a organizzare la verifica. Per cominciare preferirei regole esplicite a un generico «Trova tutto quello che non va».

Nel foglio Ordini controlla queste regole: sconto superiore al 30%, margine percentuale inferiore a zero, quantità uguale a zero con ricavo diverso da zero. Crea una colonna Esito_controllo e un foglio Anomalie con le sole righe segnalate, mantenendo l’ID ordine originale. Indica la regola attivata per ogni riga. Non correggere i dati e non attribuire cause. Chiama questi casi Valori_da_verificare.

Controllo: prova le soglie su esempi noti. Uno sconto del 30% esatto non supera il 30%. Un margine negativo potrebbe dipendere da un reso, da una promozione oppure da un errore nei dati. Per scegliere tra queste ipotesi servono informazioni ulteriori.

Questa attività è adatta al controllo operativo. Non trasforma un assistente in un revisore e non rende ogni riga evidenziata la prova di un problema.

8. Classificare commenti, ticket e risposte ai questionari

Situazione: hai una colonna con i commenti dei clienti e vuoi capire quali temi ricorrono. Nella sua guida agli insight testuali, Microsoft descrive sintesi e analisi di temi e sentiment con risultati inseribili nel file.

Per un primo utilizzo, preferisco categorie concrete a un voto emotivo che sembri più preciso di quanto sia.

Leggi la colonna Commento_cliente mantenendo invariato il testo. Aggiungi Categoria con queste opzioni: Consegna, Prodotto, Fatturazione, Assistenza, Misto, Da_verificare. Usa Misto se sono presenti più temi e Da_verificare se il significato non è chiaro. Aggiungi una breve motivazione basata sulle parole del commento. Non dedurre caratteristiche personali del cliente. Crea poi un riepilogo dei conteggi per categoria.

Controllo: confronta la classificazione con un campione letto da una persona. Includi commenti brevi, ironici e ambigui. «Complimenti per la velocità, è arrivato dopo tre settimane» è un buon promemoria: il testo positivo in superficie può raccontare tutt’altro.

9. Costruire scenari di budget con formule modificabili

Situazione: vuoi simulare cosa succede al risultato operativo se diminuiscono i volumi o aumentano i costi. ChatGPT for Excel viene presentato da OpenAI anche per costruire modelli e svolgere analisi di scenario. Puoi impostare un esercizio simile con Claude for Excel.

Crea un modello didattico con tre fogli: Ipotesi, Calcoli, Scenari. Usa questi dati fittizi: 1.000 unità vendute, prezzo unitario 100 euro, costo variabile unitario 60 euro, costi fissi 20.000 euro. Collega tutti i calcoli alle celle delle ipotesi con formule Excel. Confronta lo scenario base, uno con volumi ridotti del 10% e uno con costo variabile unitario aumentato dell’8%, lasciando invariato il resto. Mostra ricavi, costi variabili e risultato operativo semplificato. Non presentare gli scenari come previsioni.

Controllo: in questo modello semplificato il risultato base è 20.000 euro; con volumi ridotti diventa 16.000 euro; con il solo aumento del costo variabile unitario diventa 15.200 euro. Sono calcoli su ipotesi inventate per l’esercizio, non una valutazione aziendale.

Cambia poi una cella del foglio Ipotesi. Se i risultati non si aggiornano, potresti avere ottenuto numeri scritti a mano al posto di un modello collegato. Un file ben impaginato può nascondere questo difetto molto bene.

10. Delegare a Work o Cowork il consolidamento di più file

Situazione: ogni mese arrivano esportazioni da sedi o commerciali diversi. Vuoi un file unico, un report e una traccia dei controlli. È il tipo di compito per cui prenderei in considerazione un ambiente come ChatGPT Work o Claude Cowork.

La guida OpenAI spiega come creare, rivedere e scaricare fogli di calcolo in ChatGPT. Anthropic descrive su Claude Cowork anche attività di riconciliazione su esportazioni e budget. Sono punti di partenza per progettare il proprio flusso, con fonti accessibili e verifiche definite.

Lavora esclusivamente sui file Excel della cartella che ti ho reso accessibile per questo incarico. Crea Consolidato_mese.xlsx senza sovrascrivere gli originali. Prima elenca i file, i fogli e le colonne disponibili; segnala strutture incompatibili. Poi unisci le righe compatibili aggiungendo File_origine e Foglio_origine. Non eliminare duplicati senza una regola concordata. Crea i fogli Dati, Riepilogo, Controlli e Registro_operazioni. Verifica conteggi e totali per ciascuna fonte. Se un file non è leggibile, indicalo esplicitamente e non considerare il lavoro completo.

Controllo: riconcilia il numero delle righe in ingresso con quelle incluse e quelle escluse. Verifica i totali per singola fonte prima del totale generale. Se il lavoro si ripete, conserva le istruzioni approvate come procedura riutilizzabile; un’eventuale esecuzione programmata va configurata a parte, con accessi e disponibilità dei file verificati.

Il criterio di riuscita è concreto: il nuovo file si apre, contiene quello che hai chiesto e rende visibili le eccezioni. «Ho analizzato tutto» scritto in chat non sostituisce questi controlli.

Un prompt di base per lavorare meglio con Excel e l’AI

Nei dieci esempi ricorrono gli stessi ingredienti: obiettivo, dati, regole, formato di consegna e verifica. Puoi riutilizzare questa traccia, sostituendo le parti tra parentesi quadre.

Devo ottenere [risultato operativo] per [destinatario]. Lavora su [file, fogli e colonne]. Il significato dei dati è [definizioni, valute, date e unità di misura]. Applica [regole di calcolo, filtri e chiavi di confronto]. Consegna [file .xlsx, fogli previsti, formule e grafici richiesti]. Mantieni gli originali, segnala dati mancanti e casi ambigui. Verifica [conteggi, totali e casi campione]. Se una funzione o una fonte non è accessibile, dichiaralo prima di presentare il lavoro come concluso.

Il vantaggio di una richiesta così non è letterario. Stai definendo un incarico controllabile. «Analizza questo Excel» lascia aperte quasi tutte le decisioni che contano.

Domande frequenti sull’intelligenza artificiale in Excel

Posso usare ChatGPT direttamente dentro Excel?

Sì. Esiste il componente aggiuntivo ufficiale ChatGPT for Excel. La pagina di OpenAI, aggiornata il 5 maggio 2026, ne annuncia la disponibilità generale su tutti i piani. Questo non implica uso illimitato: controlla le condizioni del tuo account e le eventuali restrizioni aziendali. Usare il componente aggiuntivo è diverso dal caricare una copia del file in chat.

Copilot in Excel funziona gratuitamente?

Non dedurlo dalla disponibilità gratuita della chat Copilot. Le FAQ Microsoft elencano diversi abbonamenti idonei e distinguono le configurazioni di accesso. Per capire cosa puoi fare nel tuo Excel, verifica licenza, versione dell’app e impostazioni della tua organizzazione.

Claude for Excel e Claude Cowork sono la stessa cosa?

No. Claude for Excel opera attraverso l’integrazione con il foglio di calcolo; Claude Cowork è un ambiente per incarichi più articolati sui file e sugli strumenti autorizzati. Puoi scegliere in base al contesto: una modifica a un modello aperto oppure un lavoro che attraversa più documenti.

Work e Cowork mantengono sempre macro e funzioni avanzate?

Non darlo per scontato. Prima di affidare un file complesso a un nuovo flusso, verifica quali componenti vengono letti e conservati: macro, collegamenti esterni, protezioni, query e modelli dati richiedono controlli specifici. Per il primo esercizio userei una copia semplice, senza dipendenze critiche.

Come verifico che l’AI abbia lavorato correttamente?

Apri il risultato in Excel, controlla le formule, confronta conteggi e totali con gli originali e prova alcuni casi conosciuti. Fai attenzione anche alle celle vuote, agli zeri e ai dati esclusi. Una spiegazione convincente e un grafico elegante non sono una verifica.

Il foglio resta tuo, anche quando lo modifica l’AI

Io comincerei con un’attività piccola: una formula, un confronto tra listini, una pivot. Poi allargherei il perimetro quando riesco a valutare il risultato senza affidarmi alla sicurezza con cui viene raccontato.

L’AI può alleggerire il lavoro meccanico e aiutarti a fare domande migliori ai dati. La competenza decisiva resta capire che cosa stai misurando. Perché un foglio sbagliato, con una bella dashboard, rimane un foglio sbagliato. Solo più presentabile in riunione.

Fonti e criterio di verifica

Ho consultato la documentazione ufficiale di Microsoft, OpenAI e Anthropic, collegata nei passaggi pertinenti: funzioni e FAQ di Copilot in Excel, pulizia e visualizzazione dei dati, ChatGPT for Excel, ChatGPT Work, Claude for Microsoft 365 e Claude Cowork. Gli esempi e i prompt sono proposte didattiche originali; non rappresentano risultati di test comparativi né promesse di funzionamento identico su ogni account.

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.

8 Settembre 2026/0 Commenti/da Gianluigi Bonanomi

Human-in-the-loop e human-on-the-loop: chi controlla gli agenti AI?

Articoli, Guide, Intelligenza artificiale

Un agente AI prepara una risposta a un cliente, aggiorna il CRM, modifica un file, apre una richiesta di rimborso e programma l’invio di un’email. A quale passaggio deve fermarsi e chiedere il permesso? E quando, invece, può continuare mentre una persona controlla dall’alto?

È qui che entra in gioco la differenza tra human-in-the-loop e human-on-the-loop, IN da una parte e ON dall’altra. Nel primo modello l’essere umano è un passaggio obbligatorio del processo: senza la sua approvazione l’azione non parte. Nel secondo l’agente lavora in autonomia entro limiti prestabiliti, mentre una persona osserva indicatori, controlla campioni e può intervenire o fermare il sistema. Non è una scelta ideologica tra controllo e libertà: dipende dal rischio, dalla reversibilità dell’azione e dalla capacità di accorgersi in tempo di un errore.

La distinzione è particolarmente importante nei sistemi agentici usati in azienda. Un chatbot propone parole; un agente può usare strumenti e produrre effetti nel mondo: inviare, acquistare, modificare, pubblicare, cancellare. Più l’AI passa dal “dire” al “fare”, più occorre progettare con precisione il ruolo umano.

Che cosa significa human-in-the-loop

Human-in-the-loop (HITL) significa che una persona è dentro il flusso operativo. L’agente può analizzare dati, formulare una proposta o preparare un’azione, ma incontra un punto di controllo obbligatorio. L’umano approva, corregge o respinge; soltanto dopo il sistema può proseguire.

È il modello adatto quando una decisione può produrre conseguenze economiche, legali, sanitarie, reputazionali o difficili da annullare. Non basta mostrare un pulsante “Approva”: la persona deve ricevere il contesto necessario, avere tempo sufficiente e poter davvero cambiare la decisione.

Un esempio semplice: l’agente legge un reclamo, consulta l’ordine e propone un rimborso di 280 euro. In modalità human-in-the-loop il responsabile vede motivazione, dati usati e importo, poi autorizza o modifica l’operazione. Il sistema non trasferisce denaro da solo.

Che cosa significa human-on-the-loop

Human-on-the-loop (HOTL) significa che una persona supervisiona il processo senza approvare ogni singola azione. L’agente opera entro un perimetro definito; dashboard, registri, avvisi e controlli a campione permettono al supervisore di capire che cosa sta succedendo e intervenire in caso di anomalia.

È adatto ad attività frequenti, a rischio contenuto, misurabili e facilmente reversibili. L’autonomia non elimina il controllo: lo sposta dalla singola operazione alla qualità complessiva del sistema.

Per esempio, un agente classifica ogni notte centinaia di documenti interni. Il responsabile non conferma ogni etichetta, ma controlla un campione, osserva il tasso di errore e riceve un avviso se cresce oltre la soglia. Le classificazioni restano tracciate e correggibili.

Human-in-the-loop vs human-on-the-loop: la differenza in tabella

Aspetto	Human-in-the-loop	Human-on-the-loop
Ruolo umano	Approva o corregge prima dell’azione	Supervisiona il sistema mentre opera
Flusso predefinito	L’agente si ferma	L’agente continua
Controllo	Su ogni caso sensibile	Su metriche, anomalie e campioni
Velocità	Più bassa e legata alla disponibilità umana	Più alta e scalabile
Uso tipico	Decisioni ad alto impatto o poco reversibili	Attività a basso rischio, osservabili e reversibili
Rischio principale	Approvazioni frettolose e “fatica da conferma”	Accorgersi troppo tardi di una deriva
Strumenti necessari	Gate, spiegazioni, confronto e possibilità di rifiuto	Log, soglie, alert, audit e arresto immediato

Attenzione: on-the-loop non significa out-of-the-loop

Esiste una terza condizione: human-out-of-the-loop. L’AI decide e agisce senza approvazione puntuale, senza supervisione operativa efficace o senza una reale possibilità di intervento. Non è un sinonimo di human-on-the-loop.

La differenza sembra sottile finché non arriva un incidente. Se il supervisore riceve un report il giorno dopo, quando l’agente ha già inviato mille comunicazioni sbagliate, non era davvero “sopra il circuito”: era fuori dal circuito.

Il tema è noto da molto prima dell’AI generativa. Nel paper “Ironies of automation” del 1983, Lisanne Bainbridge osservava un paradosso ancora attuale: più il sistema automatizza il lavoro ordinario, più alla persona restano i casi rari e difficili, proprio quelli per cui è complicato mantenere allenamento e consapevolezza. Mica Endsley ha poi analizzato il problema nel lavoro “From Here to Autonomy”, collegandolo alla perdita di consapevolezza situazionale quando l’essere umano viene allontanato troppo dal processo.

La matrice pratica: rischio, reversibilità, osservabilità e tempo

L’articolo di Bajara Notes da cui nasce questa riflessione propone un criterio molto concreto per i team di sviluppo: guardare il costo dell’errore e la reversibilità dell’azione. È una buona base, che possiamo estendere a qualsiasi progetto agentico con quattro domande.

Quanto è grave un errore? Una bozza imperfetta non equivale a un bonifico errato.
L’azione è reversibile? Rinominare un file con cronologia è diverso dal cancellare dati o inviare una comunicazione pubblica.
L’errore è osservabile? Possiamo accorgercene con test, metriche o controlli automatici?
Quanto tempo abbiamo per intervenire? Un alert utile dopo un’ora può essere inutile in un processo che produce danni in pochi secondi.

Rischio e reversibilità	Modello consigliato	Esempio
Basso rischio, facile annullamento	Human-on-the-loop	Ordinare documenti interni con cronologia delle modifiche
Rischio medio, errore rilevabile prima dell’impatto	On-the-loop con soglie ed escalation	Aggiornare campi non critici del CRM e isolare i casi incerti
Rischio alto o annullamento costoso	Human-in-the-loop	Concedere un rimborso, pubblicare un listino, inviare un contratto
Impatto critico o irreversibile	Più controlli umani e separazione dei ruoli	Pagamento, terapia, rilascio in produzione o decisione sul personale

Otto esempi concreti di human-in-the-loop

1. Email a clienti e comunicazioni pubbliche

L’agente raccoglie i dati, prepara il testo e suggerisce i destinatari. Una persona verifica tono, fatti, allegati e lista di invio. È un controllo necessario soprattutto per crisi, reclami, variazioni di prezzo e comunicazioni legali.

2. Rimborsi, pagamenti e ordini

L’AI può controllare policy e documenti, ma l’azione che muove denaro richiede autorizzazione. Si può introdurre una soglia: piccoli rimborsi standardizzati vengono gestiti automaticamente; quelli anomali o sopra un importo definito arrivano a un responsabile.

3. Selezione del personale

Un agente può riordinare candidature e mettere in evidenza competenze dichiarate. Non dovrebbe trasformare un punteggio opaco in un rifiuto automatico. Il recruiter deve poter vedere i dati usati, correggere il risultato e valutare elementi che il sistema non conosce.

4. Sanità e percorsi di cura

L’AI può segnalare una possibile anomalia o preparare un riepilogo clinico; diagnosi e terapia richiedono giudizio professionale. Nel mio approfondimento su AI e ruolo del medico il punto centrale è proprio questo: supporto e sostituzione non sono la stessa cosa.

5. Contratti e pareri legali

L’agente confronta clausole, segnala differenze e propone una bozza. Un professionista controlla interpretazione, giurisdizione e rischio prima che il documento venga condiviso o firmato.

6. Deploy e modifiche a database di produzione

L’agente può scrivere codice, test e documentazione in un ambiente isolato. Il passaggio in produzione, una migrazione di dati o la modifica di credenziali richiedono un gate umano, spesso con una seconda approvazione.

7. Decisioni su credito, assicurazioni e frodi

Il sistema può ordinare i casi per rischio. Se blocca un conto, rifiuta una pratica o modifica un premio, serve un riesame effettivo: non una firma automatica su un punteggio incomprensibile.

8. Pubblica amministrazione e servizi essenziali

Un agente può verificare la completezza di una domanda e preparare l’istruttoria. La decisione che incide su diritti, benefici o accesso a un servizio deve restare contestabile e attribuita a un responsabile. È un’applicazione concreta del tema affrontato nell’articolo sull’intelligenza artificiale nella Pubblica Amministrazione.

Otto esempi concreti di human-on-the-loop

1. Classificazione di documenti interni

L’agente assegna cartelle e metadati. Il supervisore controlla campioni settimanali e riceve un alert se aumenta la percentuale di documenti classificati con bassa confidenza.

2. Arricchimento del CRM in modalità reversibile

L’agente completa settore, dimensione e informazioni pubbliche sulle aziende, senza modificare campi critici. Ogni variazione è registrata e può essere annullata; i conflitti vengono inviati a una persona.

3. Preparazione di report ricorrenti

L’AI raccoglie dati da più fonti e genera una sintesi interna. Il responsabile non approva ogni report, ma controlla indicatori di qualità, citazioni e anomalie. Se il documento deve uscire dall’azienda, si aggiunge un gate.

4. Ricerca documentale con escalation

L’agente cerca informazioni, confronta fonti e produce una risposta con link verificabili. Se le fonti sono insufficienti o in conflitto, non improvvisa: chiede aiuto.

5. Sviluppo software in ambienti isolati

L’agente crea test, documentazione o componenti standard su un branch separato. La pipeline automatica controlla il codice e il team esamina le eccezioni. I permessi non includono il rilascio autonomo in produzione.

6. Assistenza clienti per domande standard

Il sistema risponde usando una base di conoscenza approvata, ma passa a un operatore reclami, minacce, richieste economiche, dati sensibili e casi con bassa confidenza. Il supervisore osserva tasso di escalation e correzioni.

7. Gestione di file e fogli di calcolo

Un agente riordina righe, normalizza formati e compila campi derivabili, lavorando su una copia o con cronologia attiva. La persona controlla il risultato complessivo e può ripristinare la versione precedente.

Nel blog trovi anche cinque esempi pratici dell’agente Genspark e una prova di Claude Cowork in tre attività concrete.

8. Monitoraggio tecnico e manutenzione

L’agente individua pattern insoliti, apre ticket e applica correzioni già approvate su sistemi non critici. Se supera una soglia di costo, tocca un servizio sensibile o incontra un evento mai visto, si ferma e chiama il tecnico.

Il modello migliore è spesso ibrido e dinamico

In-the-loop e on-the-loop non devono essere due etichette assegnate una volta per tutte. Lo stesso agente può cambiare modalità a seconda del caso.

Una risposta informativa standard può partire in modalità on-the-loop; un reclamo passa in-the-loop.
Un rimborso entro 20 euro e conforme alla policy può essere automatico; un importo maggiore richiede approvazione.
Una modifica su un ambiente di test può essere sorvegliata; il deploy in produzione richiede un gate.
Una ricerca con fonti concordanti può proseguire; fonti in conflitto attivano l’escalation.
Dopo una serie di anomalie, il sistema può retrocedere automaticamente da on-the-loop a in-the-loop.

Questa è la vera maturità agentica: non concedere autonomia in blocco, ma costruire una scala di autonomia legata a condizioni osservabili.

Che cosa dice la ricerca sull’interazione tra persone e automazione

Il paper di Parasuraman, Sheridan e Wickens “A model for types and levels of human interaction with automation” propone di non considerare l’automazione come un interruttore acceso o spento. Un sistema può automatizzare in misura diversa raccolta delle informazioni, analisi, scelta e azione. È esattamente ciò che serve per progettare un agente: possiamo lasciargli cercare e confrontare, ma mantenere umana la decisione finale.

Le “Guidelines for Human-AI Interaction” di Amershi e colleghi, presentate alla conferenza CHI 2019 dell’ACM, ricordano che un buon sistema deve rendere chiaro che cosa sa fare, mostrare informazioni contestuali, permettere correzioni e sostenere un controllo umano coerente nel tempo.

Ben Shneiderman, nel lavoro “Human-Centered Artificial Intelligence: Reliable, Safe & Trustworthy”, contesta l’idea che molta automazione implichi necessariamente poco controllo umano. Si possono progettare sistemi con alta automazione e alto controllo: l’agente svolge molto lavoro, ma le persone mantengono comprensione, responsabilità e capacità d’intervento.

Anche l’AI Risk Management Framework 1.0 del NIST insiste su governance, mappatura del contesto, misurazione e gestione del rischio. Non prescrive un unico livello di autonomia: chiede di collegare controlli e responsabilità all’impatto concreto del sistema.

AI Act e supervisione umana: che cosa cambia

Il Regolamento europeo sull’intelligenza artificiale, Regolamento (UE) 2024/1689, dedica l’articolo 14 alla supervisione umana dei sistemi ad alto rischio. È importante non generalizzare: la disposizione riguarda quella specifica categoria di sistemi, non qualunque chatbot o agente.

Il principio, però, è utile a ogni progetto serio. La supervisione deve consentire alle persone di comprendere capacità e limiti, riconoscere anomalie, evitare un affidamento automatico eccessivo, interpretare correttamente l’output, ignorarlo o annullarlo e fermare il sistema. Una casella da spuntare non soddisfa questo obiettivo se l’operatore non ha informazioni, autorità o tempo per agire.

Per approfondire il contesto organizzativo, rimando anche alla guida sulla formazione AI in azienda e AI Act e all’articolo sulle decisioni artificiali che possono aiutare o distorcere le scelte.

Come progettare una supervisione che funzioni davvero

Definire le azioni consentite. Leggere, proporre, scrivere, inviare, acquistare e cancellare non devono avere gli stessi permessi.
Stabilire i gate. Importi, categorie di dati, destinatari, strumenti e condizioni che richiedono approvazione.
Mostrare il contesto. Il supervisore deve vedere fonti, passaggi, incertezze e conseguenze dell’azione.
Costruire escalation reali. L’agente deve saper dire “non lo so” e passare il caso alla persona giusta.
Registrare tutto. Prompt, strumenti usati, dati consultati, output, approvazioni, modifiche e identità di chi interviene.
Preparare l’arresto. Un pulsante, una regola automatica o un limite di spesa devono fermare il processo prima che l’anomalia si moltiplichi.
Testare anche i casi brutti. Dati mancanti, istruzioni in conflitto, prompt injection, servizi non disponibili e richieste fuori policy.
Misurare gli esiti. Non soltanto quante attività sono state completate, ma errori, danni evitati, correzioni, escalation e tempo umano recuperato.

I due fallimenti opposti da evitare

Il primo è mettere una persona dentro ogni passaggio. Dopo cento conferme al giorno, l’approvazione diventa un riflesso. L’agente sembra controllato, ma l’essere umano fa soltanto clic. È la cosiddetta automation bias: tendiamo ad accettare il suggerimento della macchina, soprattutto quando arriva spesso e sembra plausibile.

Il secondo fallimento è mettere una persona “sopra” un processo che non può davvero vedere o fermare. Una dashboard piena di numeri non è supervisione se gli indicatori non mostrano il rischio, gli avvisi arrivano tardi o l’operatore non ha l’autorità per intervenire.

La domanda giusta non è quindi “c’è un umano?”. È: quale decisione può prendere, con quali informazioni e prima di quale conseguenza?

Una checklist per decidere domani mattina

Prima di attivare un agente, classifica ogni azione con queste domande:

può causare un danno economico, legale, fisico o reputazionale?
coinvolge dati personali, credenziali o categorie sensibili?
l’azione è visibile all’esterno?
possiamo annullarla in pochi minuti?
esiste una metrica capace di rivelare un errore?
il supervisore può intervenire prima che il danno si propaghi?
l’agente sa riconoscere l’incertezza ed effettuare un’escalation?
chi risponde del risultato è chiaramente identificato?

Se il danno potenziale è alto, l’azione poco reversibile o il tempo d’intervento breve, scegli human-in-the-loop. Se rischio e impatto sono contenuti, l’errore è osservabile e il ripristino semplice, puoi valutare human-on-the-loop. Se non puoi rispondere alle domande, non aumentare l’autonomia: prima rendi il processo comprensibile.

Il ruolo umano non sparisce: cambia livello

Con gli agenti AI l’umano non deve necessariamente controllare ogni riga, ogni file o ogni messaggio. Deve progettare il perimetro, definire le eccezioni, osservare gli effetti e assumersi la responsabilità delle decisioni importanti.

Il modello corretto non è “AI libera” contro “AI al guinzaglio”. È un sistema in cui l’autonomia cresce soltanto quando aumentano test, tracciabilità, reversibilità e capacità di intervento.

In altre parole: human-in-the-loop quando serve consenso; human-on-the-loop quando serve supervisione; mai human-out-of-the-loop per distrazione.

Domande frequenti

Qual è la differenza tra human-in-the-loop e human-on-the-loop?

Nel modello human-in-the-loop una persona deve approvare o correggere prima che l’agente compia un’azione sensibile. Nel modello human-on-the-loop l’agente opera entro limiti stabiliti, mentre una persona monitora risultati e anomalie e può intervenire.

Human-on-the-loop significa che l’AI lavora senza controllo?

No. Servono log, metriche, controlli a campione, alert, soglie ed efficaci meccanismi di arresto. Senza questi strumenti il sistema rischia di essere human-out-of-the-loop.

Quando è obbligatoria l’approvazione umana?

È prudente renderla obbligatoria per azioni ad alto impatto o difficili da annullare: pagamenti, decisioni sul personale, salute, contratti, sicurezza, servizi essenziali, pubblicazione esterna e modifiche critiche in produzione.

Si può cambiare livello di autonomia in base al caso?

Sì. È spesso la soluzione migliore: casi standard e reversibili procedono sotto supervisione; importi elevati, bassa confidenza, anomalie o dati sensibili attivano un gate umano.

Quali strumenti servono per supervisionare un agente AI?

Permessi minimi, audit log, dashboard, alert, soglie di costo e rischio, versionamento, rollback, escalation e un arresto immediato. Il supervisore deve anche ricevere contesto sufficiente per valutare le azioni.

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.

18 Luglio 2026/0 Commenti/da Gianluigi Bonanomi

Tag Archivio per: automazione

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

Il fact checking: quali affermazioni reggono?

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

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

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

Il ricambio nella pubblica amministrazione è già cominciato

Quanta parte dei processi della PA può sostituire l’AI?

L’84% delle transazioni studiate: un potenziale, non una lista di esuberi

Circa il 40% del tempo: attività che l’AI può supportare

26 minuti al giorno: un’esperienza sul campo, con un limite metodologico

I processi burocratici da cui partire

Oltre la burocrazia: cosa può fare l’AI nei servizi pubblici

Un esempio numerico: quanto ricambio potrebbe compensare?

L’AI può aiutare a conservare l’esperienza di chi va in pensione

La supervisione umana deve essere un lavoro vero

Un video per approfondire l’adozione dell’AI nella PA

Prima di sostituire un pensionando, riprogettare il suo lavoro

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

Invia un'email

L’AI nei trasporti comincia dalla scrivania

Multe, verbali, preventivi: partire da un compito preciso

RAG: far lavorare l’AI sui documenti giusti

Un agente utile deve avere confini chiari

Che cosa succede nel video: ChatGPT vocale prepara mail e preventivo

Come collegare Gmail a ChatGPT

La skill per preparare e controllare il preventivo

Il controllo prima dell’invio

Jarvis è arrivato?

Fonti

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

Inviaci email

AI per l’amministratore di condominio: da dove partire

Tre usi dell’AI che servono davvero subito

1. Preparare comunicazioni chiare e mirate

2. Cercare nei regolamenti e nei documenti dello studio

3. Ridurre il tempo perso tra Gmail e Drive

La sincronizzazione Danea, Drive e WhatsApp: attenzione alla versione

Privacy: che cosa non caricare alla cieca

Un piano di avvio in quattro settimane

FAQ sull’AI per l’amministratore di condominio

Si può usare subito ChatGPT o Gemini per rispondere ai condòmini?

NotebookLM può dare risposte corrette sui regolamenti?

Posso sincronizzare automaticamente Danea con WhatsApp?

Serve un server fisico in studio?

Fonti e approfondimenti

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

Inviaci email

1 Dark factory

2 Guida autonoma di livello 5

3 Human machine interface

4 Digital twin

5 Edge AI

6 Embodied AI

7 Agentic AI

8 Software defined everything

9 Reti 6G e sensing integrato

10 Human on the loop

Il futuro sarà autonomo ma non automatico

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

Inviaci email

Agenti di intelligenza artificiale: che cosa sono davvero?

1. Un agente non è soltanto un chatbot

2. Gli agenti lavorano per obiettivi, non per singoli comandi

3. Pianificano, agiscono, osservano e correggono

4. Il vero salto avviene quando usano strumenti reali

5. La memoria è utile, ma deve essere progettata

6. Un solo agente spesso è meglio di una squadra di agenti

7. L’autonomia deve essere proporzionata al rischio

8. Sicurezza e dati non possono essere aggiunti alla fine

9. Il valore si misura sul processo, non sulla spettacolarità della demo

10. Il vero valore non è sostituire le persone, ma ridisegnare il lavoro

Come introdurre un agente AI in azienda

Domande frequenti sugli agenti AI

Qual è la differenza tra chatbot e agente AI?

Gli agenti AI lavorano completamente da soli?

Serve saper programmare per usare un agente?

Quali attività conviene affidare per prime a un agente AI?

Qual è il rischio più sottovalutato?

In conclusione