Tag Archivio per: chatbot

Perché i chatbot non dicono «non lo so»? Addestramento, studi e rimedi

,

Chiedi a un chatbot un dato che non conosce davvero. Invece di fermarsi, spesso costruisce una risposta plausibile, la rifinisce con tono sicuro e te la consegna come se avesse appena consultato un’enciclopedia. È un problema che chi usa ChatGPT, Gemini, Claude o Copilot incontra prima o poi. Ma la premessa va corretta: i chatbot a volte dicono «non lo so». Il punto è che non riconoscono sempre in modo affidabile quando dovrebbero dirlo.

La spiegazione non è che l’intelligenza artificiale “mente” con intenzione. Dipende da come vengono addestrati i modelli, da come stimano la propria incertezza e da quali risposte i sistemi di valutazione tendono a premiare.

Un chatbot genera la risposta più probabile, non consulta un archivio di fatti verificati

Un modello linguistico di grandi dimensioni (LLM) viene pre-addestrato, in sintesi, a prevedere quale token abbia più probabilità di venire dopo una sequenza di testo. Impara regolarità linguistiche e associazioni dai dati di addestramento, che possono contenere informazioni corrette, errori, contraddizioni e contenuti ormai superati. Questa capacità produce risposte fluenti, ma la probabilità che una frase suoni coerente non coincide con la probabilità che sia vera.

Nel rapporto tecnico di GPT-4, OpenAI descrive proprio questa differenza: il pre-addestramento insegna a prevedere la continuazione del testo; il post-addestramento, incluso il reinforcement learning from human feedback (RLHF), orienta il modello a seguire meglio le istruzioni e a comportarsi da assistente. Non significa però che il chatbot acquisisca un rilevatore infallibile della verità o un accesso diretto a una banca dati completa e aggiornata.

Cosa succede durante l’addestramento

Dopo il pre-addestramento, una fase di fine-tuning supervisionato può mostrare al modello esempi di conversazioni desiderabili. In seguito, valutatori umani possono confrontare più risposte e indicare quali preferiscono; un modello di ricompensa e tecniche di ottimizzazione come RLHF aiutano a rendere più probabili le risposte giudicate migliori. I dettagli cambiano tra fornitori e modelli, e spesso non sono pubblici: non esiste una ricetta unica per tutti i chatbot.

Qui nasce un compromesso delicato. Una risposta dettagliata, diretta e ben scritta può apparire più utile di un rifiuto o di una dichiarazione d’incertezza. Ma una risposta cauta può essere la scelta giusta se mancano dati. Nel post che presentava ChatGPT, OpenAI indicava esplicitamente tre difficoltà: durante l’RLHF non c’è sempre una fonte di verità con cui confrontare la risposta; addestrare il modello a essere più prudente può indurlo a rifiutare anche domande a cui saprebbe rispondere; e l’esempio scritto da un dimostratore umano può non riflettere ciò che il modello stesso conosce.

In più, un modello non possiede necessariamente una stima ben calibrata della propria competenza. Può avere appreso un fatto ma non sapere di saperlo, oppure produrre una risposta sicura senza basi sufficienti. Il tono è parte della generazione linguistica, non un certificato di accuratezza.

Cosa dicono gli studi sulle risposte sbagliate e sull’incertezza

Nel 2022, Stephanie Lin, Jacob Hilton e Owain Evans hanno presentato TruthfulQA, un benchmark di 817 domande in 38 categorie, progettato per far emergere risposte che ripetono convinzioni errate diffuse. Nei modelli testati allora, il migliore era veritiero nel 58% delle risposte, contro il 94% ottenuto dalle persone. Sono risultati di modelli di quel periodo, non una classifica degli assistenti disponibili oggi; mostrano però perché imitare il testo umano non basta per distinguere un fatto da un luogo comune falso.

La difficoltà di stimare l’incertezza è stata studiata anche da Zhengbao Jiang e colleghi in una ricerca pubblicata su Transactions of the Association for Computational Linguistics. Esaminando T5, BART e GPT-2 in compiti di domanda e risposta, gli autori hanno rilevato che le probabilità dei modelli non erano ben calibrate rispetto alla correttezza. In altre parole, una maggiore sicurezza numerica non corrispondeva in modo affidabile a una maggiore probabilità di avere ragione.

Un lavoro di Anthropic del 2022, “Language models (mostly) know what they know”, ha mostrato che alcuni modelli possono stimare se una risposta proposta sia corretta e che è possibile addestrarli a stimare la probabilità di “sapere” la risposta. Gli autori hanno però rilevato difficoltà di calibrazione quando la stima viene trasferita a compiti nuovi. Quindi la metacognizione artificiale è possibile, ma non si attiva come un interruttore universale.

Nel 2024, un articolo pubblicato agli atti dell’Association for Computational Linguistics ha studiato come identificare le lacune di conoscenza e astenersi dal rispondere. Gli approcci di collaborazione tra modelli hanno migliorato, in alcuni esperimenti, l’accuratezza dell’astensione fino al 19,3% rispetto alla baseline più forte. È una prova che si può insegnare ai sistemi a fermarsi meglio, ma anche che l’autovalutazione del singolo modello non sempre basta.

Un’analisi pubblicata su Nature nel 2026 aggiunge un punto sugli incentivi: se un benchmark premia soprattutto le risposte corrette e penalizza l’astensione, i modelli e i team che li sviluppano ricevono una spinta a indovinare. In uno studio con quattro modelli di frontiera, gli autori mostrano come cambiano le risposte quando la valutazione riconosce il valore del «non lo so». La metrica scelta può dunque influenzare il comportamento che si cerca di migliorare.

Come ottenere risposte più oneste: cinque rimedi pratici

  1. Imposta una regola di astensione. Scrivi: «Se non hai elementi sufficienti, dichiaralo. Non completare i vuoti con ipotesi presentate come fatti».
  2. Fornisci le fonti e delimita il perimetro. Per un documento o una procedura, allega il testo e chiedi di rispondere solo sulla base di quel materiale, indicando il passaggio che sostiene ogni affermazione. Chiedi esplicitamente di segnalare ciò che non è presente nei documenti.
  3. Separa fatti, inferenze e informazioni mancanti. Chiedi tre sezioni distinte: “documentato”, “dedotto” e “non verificabile con i dati disponibili”. Questa struttura rende più visibili i salti logici.
  4. Per i fatti aggiornati, attiva ricerca e fonti primarie. Specifica una data di riferimento e chiedi link a leggi, documentazione ufficiale, paper o pagine istituzionali. Un modello senza ricerca web non può verificare un cambiamento recente solo perché gli viene chiesto di farlo.
  5. Controlla le affermazioni importanti fuori dalla chat. Un secondo modello può aiutare a individuare incongruenze, ma può condividere gli stessi errori. Per decisioni professionali o dati rilevanti, verifica la fonte originale o usa uno strumento deterministico, e chiedi una revisione umana quando il rischio lo giustifica.

Prompt da riutilizzare:

Rispondi usando solo le informazioni supportate dalle fonti che ti fornisco o che puoi verificare. Per ogni affermazione fattuale importante indica la fonte e il passaggio rilevante. Distingui i fatti dalle inferenze. Se i dati non bastano, scrivi chiaramente «non lo so con le informazioni disponibili» e indica quale elemento servirebbe per rispondere. Non inventare citazioni o riferimenti.

La frase «dimmi quanto sei sicuro» può aiutare a capire dove il chatbot avverte un dubbio, ma non va presa come una misura oggettiva: gli studi sulla calibrazione mostrano che le stime di confidenza possono essere inaffidabili, soprattutto in domini o compiti diversi da quelli su cui sono state valutate.

Per chi progetta un assistente: misurare anche quando si ferma

Un sistema affidabile non dovrebbe essere valutato soltanto sul numero di risposte corrette. Serve misurare anche quante volte risponde quando le prove sono insufficienti, quante volte si astiene a torto e quanto rischio rimane tra le risposte che ha scelto di dare. In letteratura questo compromesso viene spesso descritto come selezione tra copertura e rischio: rispondere a meno domande può abbassare gli errori, ma l’astensione deve essere mirata e utile.

In un assistente aziendale, si può restringere la risposta alle fonti approvate, collegare il sistema a documenti aggiornati, mostrare i riferimenti, impostare soglie di escalation e passare a una persona i casi incerti o ad alto impatto. Il lavoro ACL sulla collaborazione tra modelli e il recente studio su Nature indicano entrambi che astensione ed evidenze vanno progettate e valutate, non affidate a una formula magica nel prompt.

Un video utile per approfondire

Adam Kalai dell’Institute for Advanced Study spiega perché l’addestramento e i criteri di valutazione possono incoraggiare i modelli a indovinare invece di astenersi.

Domande frequenti

I chatbot mentono quando inventano una risposta?

Di norma non nel senso umano di mentire con un’intenzione consapevole. Generano testo plausibile senza garantire che ogni affermazione sia verificata. Per questo si parla di allucinazione o confabulazione.

Chiedere «dimmi se non lo sai» risolve il problema?

Può ridurre alcune risposte inventate, soprattutto se si forniscono fonti e si chiarisce quando astenersi. Non garantisce però che il modello riconosca tutti i propri limiti: le istruzioni migliorano il comportamento, non trasformano la stima di sicurezza in una verifica infallibile.

Qual è il modo più sicuro di usare un chatbot per una ricerca?

Usalo per orientarti, organizzare domande e confrontare ipotesi; chiedi evidenze verificabili; controlla i riferimenti nelle fonti originali. Per informazioni recenti usa ricerca web e indica la data. Per decisioni ad alto impatto, non delegare il controllo finale al chatbot.

La risposta migliore a volte è fermarsi

Un assistente utile non è quello che riempie ogni silenzio. È quello che sa distinguere una risposta sostenuta dai dati da un’ipotesi ben confezionata, e che rende visibile la differenza. Fino a quando questa capacità non sarà abbastanza affidabile, la regola pratica resta semplice: chiedi prove, fornisci contesto e verifica ciò che conta.

Se stai progettando un corso, un assistente AI o un percorso di formazione su questi temi, raccontami il tuo progetto.

    Qualche dettaglio sul corso (facoltativo)

    Qualche dettaglio sull’evento (facoltativo)

    Bastano poche righe. Se hai già una data o un obiettivo, aggiungili.

    I campi con * sono obbligatori.

    /0 Commenti/da

    Empatia algoritmica: perché l’AI sembra capirci

    , , ,

    Apri un chatbot e scrivi: “Oggi è stata una giornata terribile”. La risposta arriva in pochi secondi: riconosce la fatica, non interrompe, non guarda il telefono e magari formula proprio la domanda che avresti voluto sentirti rivolgere da una persona.

    È questa la forza dell’empatia algoritmica: un sistema di intelligenza artificiale può produrre parole che ci fanno sentire ascoltati, pur senza provare emozioni, avere un corpo o condividere davvero la nostra esperienza. La sensazione può essere autentica; l’empatia della macchina, invece, è una simulazione linguistica.

    Il tema è stato rilanciato il 17 luglio 2026 da un intervento pubblicato su Il Fatto Quotidiano: forse, sostiene l’autore, dovremmo preoccuparci non soltanto del lavoro che l’AI trasformerà, ma anche del vuoto relazionale che gli algoritmi stanno riempiendo. È una provocazione utile. Ma per capirla bisogna evitare due scorciatoie: dire che “la macchina ci comprende davvero” e concludere che “la tecnologia ci rende automaticamente soli”.

    Che cos’è davvero l’empatia algoritmica?

    L’empatia umana comprende almeno due dimensioni. C’è una componente cognitiva: capire che cosa può provare un’altra persona. E c’è una componente affettiva: risuonare emotivamente con quell’esperienza. A queste si aggiungono la relazione, la responsabilità e la possibilità di agire nel mondo.

    Un modello linguistico non vive nulla di tutto questo. Analizza le parole e il contesto, riconosce schemi ricorrenti e calcola quale risposta sia più plausibile e appropriata. Se scrivo “non dormo da tre notti e non riesco più a concentrarmi”, può associare il messaggio a stanchezza, stress o preoccupazione e rispondere con tono premuroso. Non significa che senta la mia stanchezza.

    In pratica, l’empatia algoritmica combina tre capacità:

    • riconoscimento: individua segnali emotivi nel linguaggio e, in alcuni sistemi, nella voce o nelle immagini;
    • risposta: genera una frase coerente con lo stato emotivo ipotizzato;
    • personalizzazione: usa il contesto della conversazione e, quando previsto, ricordi e preferenze per rendere la risposta più vicina all’utente.

    È una performance relazionale molto convincente. Ed è proprio per questo che va capita, non demonizzata.

    Perché un chatbot può farci sentire ascoltati

    Le persone non cercano soltanto informazioni. Cercano conferma, attenzione, parole per nominare ciò che provano. Un chatbot offre alcune condizioni che nelle relazioni quotidiane spesso scarseggiano: è disponibile a qualunque ora, non sembra impaziente, non interrompe e non teme il silenzio imbarazzante.

    Uno studio pubblicato nel 2024 su Proceedings of the National Academy of Sciences ha mostrato che messaggi generati dall’AI potevano far sentire i destinatari più ascoltati rispetto a messaggi umani. Ma c’era un paradosso: quando le persone sapevano che la risposta proveniva da una macchina, la valutavano meno positivamente.

    Il risultato non dimostra che l’AI “prova più empatia” delle persone. Suggerisce qualcosa di più concreto: un sistema addestrato a riconoscere emozioni e a formulare risposte di sostegno può essere molto disciplinato nel validare ciò che legge. Noi umani, invece, tendiamo spesso a offrire subito consigli, minimizzare o raccontare la nostra esperienza: “Capita a tutti”, “Vedrai che passa”, “Sai cosa è successo a me?”.

    Il vuoto relazionale esiste, ma l’AI non ne è l’unica causa

    La tesi proposta da Il Fatto Quotidiano coglie un punto importante: quando la risposta più paziente della giornata arriva da un software, dovremmo interrogarci anche sulla qualità delle nostre relazioni, dei luoghi educativi e del lavoro.

    Non abbiamo però prove per ridurre un fenomeno complesso a una sola causa. Solitudine, ansia, precarietà, ritmi di lavoro, isolamento domestico, piattaforme social e indebolimento delle comunità si intrecciano. L’AI può essere contemporaneamente:

    • uno specchio di bisogni già presenti;
    • un ponte che aiuta a preparare una conversazione difficile;
    • un amplificatore dell’isolamento, se sostituisce progressivamente le persone;
    • un prodotto progettato per massimizzare tempo, attenzione e coinvolgimento.

    La domanda utile non è quindi “chatbot sì o chatbot no?”, ma: questa interazione mi sta riportando verso il mondo oppure mi sta chiudendo in una relazione senza reciprocità?

    Cosa ci dice la ricerca più recente

    1. La qualità della risposta può essere utile

    Lo studio PNAS citato sopra conferma che un testo generato dall’AI può usare tecniche comunicative efficaci: riconoscere l’emozione, validarla e non saltare subito alla soluzione. È un promemoria interessante anche per noi: ascoltare meglio non richiede effetti speciali, ma attenzione e metodo.

    2. Più uso non significa automaticamente più benessere

    Nel 2025 OpenAI e MIT Media Lab hanno avviato uno studio longitudinale controllato sull’uso dei chatbot. La ricerca, aggiornata e resa disponibile come preprint, ha coinvolto 981 persone per quattro settimane e analizzato oltre 300.000 messaggi. Le condizioni sperimentali non hanno prodotto da sole effetti significativi; le persone che usavano volontariamente di più il chatbot mostravano però risultati peggiori su indicatori come dipendenza emotiva e uso problematico. Anche una maggiore fiducia e attrazione sociale verso l’AI erano associate a rischi più elevati.

    È importante dirlo bene: un’associazione non prova che sia stato il chatbot a causare il malessere. È possibile che chi si sentiva già più solo cercasse più spesso il sistema. Proprio per questo servono studi più lunghi e prudenza nelle conclusioni.

    3. Un sistema clinico non è un chatbot generalista

    Nel 2025 un trial randomizzato pubblicato su NEJM AI ha valutato un chatbot generativo progettato specificamente per il trattamento della salute mentale. È un filone promettente, ma non autorizza a considerare ChatGPT, Gemini o un “AI companion” equivalenti a uno psicologo.

    Un prodotto clinico viene costruito per uno scopo preciso, testato, monitorato e inserito in protocolli di sicurezza. Un assistente generalista può sbagliare, assecondare un’interpretazione distorta o rispondere con sicurezza anche quando dovrebbe fermarsi. Ho approfondito questo confine nell’articolo “L’AI come psicologo: una rivoluzione silenziosa che non possiamo ignorare”.

    Quando il supporto diventa sostituzione

    Un chatbot può aiutarmi a riordinare i pensieri prima di parlare con un collega, chiedere scusa a un familiare o preparare le domande per un professionista. In questi casi l’AI funziona come una palestra.

    Il problema nasce quando la palestra diventa l’unico luogo in cui entro. Alcuni segnali meritano attenzione:

    • preferisco sistematicamente il chatbot alle persone, anche quando una relazione umana è disponibile;
    • provo ansia o irritazione se il servizio non risponde o cambia personalità;
    • condivido informazioni intime senza considerare privacy, conservazione dei dati e possibili usi commerciali;
    • lascio che il sistema confermi decisioni importanti senza cercare un confronto esterno;
    • nascondo ad amici e familiari quanto tempo trascorro con l’AI;
    • uso la conversazione per evitare, anziché preparare, un incontro reale.

    Un altro rischio è la compiacenza. Il chatbot impara rapidamente il tono che preferiamo e può restituirci una versione elegante delle nostre convinzioni. È la stessa dinamica che è chiamata “epistemia”: confondere una risposta convincente con una conoscenza verificata. In campo emotivo l’errore può diventare ancora più subdolo: confondere la conferma con la comprensione.

    Ragazzi e AI companion: vietare non basta

    Per un adolescente un chatbot può essere meno minaccioso di un adulto: non arrossisce, non punisce e usa lo stesso linguaggio delle piattaforme digitali. Questa accessibilità può facilitare una prima richiesta di aiuto, ma aumenta anche il rischio di attribuire al sistema autorevolezza, intenzioni e riservatezza che non possiede.

    Genitori e insegnanti dovrebbero evitare sia l’allarmismo sia l’indifferenza. Servono domande concrete:

    • Quale applicazione stai usando e chi la gestisce?
    • Ricorda le conversazioni? Come usa i dati?
    • Ti invita a parlare con persone reali quando la situazione è seria?
    • Ti senti meglio anche dopo aver chiuso l’app, oppure vuoi tornarci subito?
    • La useresti per prepararti a chiedere aiuto a un adulto di fiducia?

    L’educazione digitale dovrebbe includere anche l’alfabetizzazione relazionale: capire perché una macchina ci appare premurosa, quali leve usa e dove finisce la sua competenza. È lo stesso approccio che propongo nei percorsi per famiglie, come il corso sull’intelligenza artificiale per genitori, e nei progetti di uso consapevole dei chatbot a scuola.

    Empatia algoritmica ed emotion recognition non sono la stessa cosa

    C’è poi una distinzione spesso ignorata. Un chatbot che risponde a una frase triste non è necessariamente un sistema che misura in modo affidabile lo stato emotivo di una persona. Deduciamo le emozioni da parole, voce, volto e comportamento, ma questi segnali cambiano tra culture, individui e situazioni.

    Non a caso l’AI Act europeo include tra le pratiche vietate, salvo eccezioni limitate, il riconoscimento delle emozioni nei luoghi di lavoro e nelle istituzioni educative. I divieti sono applicabili da febbraio 2025. Il principio è semplice: non possiamo trasformare un’inferenza incerta in una diagnosi automatica della persona, soprattutto quando c’è uno squilibrio di potere.

    Come usare l’AI senza delegarle le relazioni

    Propongo un controllo in cinque domande. Prima o dopo una conversazione emotivamente importante con un chatbot, chiediamoci:

    1. Scopo: sto cercando parole, informazioni, conforto o una decisione?
    2. Limite: che cosa il sistema non può sapere della situazione, del mio corpo e delle altre persone coinvolte?
    3. Verifica: quali affermazioni devo controllare con una fonte o un professionista?
    4. Ponte: questa conversazione mi aiuta a fare un passo verso qualcuno?
    5. Privacy: sarei tranquillo se il contenuto venisse conservato o rivisto?

    Un prompt utile potrebbe essere:

    “Aiutami a mettere ordine in ciò che provo. Non fare diagnosi e non darmi automaticamente ragione. Fammi tre domande, indicami quali informazioni ti mancano e aiutami a preparare una conversazione con una persona reale.”

    È un piccolo cambio di prospettiva: l’AI non come destinazione della relazione, ma come strumento per rientrare meglio nelle relazioni.

    La vera sfida è tornare a essere disponibili

    L’empatia algoritmica non è empatia umana. Ma il fatto che funzioni, almeno in parte, ci offre una lezione scomoda: molte persone non chiedono una risposta perfetta; chiedono di non essere interrotte, giudicate o liquidate in trenta secondi.

    Possiamo imparare qualcosa dalla disciplina comunicativa dei chatbot senza attribuire loro una coscienza. Fare domande prima di consigliare. Riconoscere un’emozione senza appropriarsene. Dire “non lo so”. Restare presenti anche quando non abbiamo una soluzione.

    Il rischio non è soltanto che le macchine diventino troppo umane. È che noi accettiamo di diventare meno disponibili perché una macchina può occuparsi dell’ascolto al posto nostro.

    Domande frequenti sull’empatia algoritmica

    Che cos’è l’empatia algoritmica?

    È la capacità di un sistema di AI di riconoscere segnali emotivi e generare risposte percepite come comprensive. Non implica che la macchina provi emozioni o possieda coscienza.

    ChatGPT prova empatia?

    No. Può simulare molto bene il linguaggio dell’ascolto e del sostegno, ma non vive l’esperienza dell’utente e non prova sentimenti.

    Un chatbot può ridurre la solitudine?

    Può offrire conforto momentaneo o aiutare a preparare una conversazione. Gli effetti dipendono dalla persona e dal tipo d’uso; se sostituisce stabilmente le relazioni, può aumentare dipendenza e isolamento.

    Un chatbot può sostituire uno psicologo?

    No. Esistono sistemi clinici sperimentali progettati e valutati per scopi specifici, ma un chatbot generalista non offre diagnosi, responsabilità professionale, continuità terapeutica e gestione sicura delle emergenze.

    Qual è il principale rischio degli AI companion?

    L’eccessiva fiducia: attribuire al sistema comprensione, riservatezza e competenza che non possiede, fino a preferirlo alle persone o delegargli decisioni importanti.

    Come possono intervenire genitori e insegnanti?

    Chiedendo quali servizi vengono usati, spiegando come funzionano memoria e personalizzazione, concordando limiti e trasformando il chatbot in un ponte verso adulti e professionisti affidabili.

    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.

    Invia un’email

    /0 Commenti/da

    I 10 termini dell’intelligenza artificiale che devi conoscere per usare meglio i chatbot al lavoro

    , , , ,

    Quando si parla di intelligenza artificiale, il dibattito gira spesso intorno alle solite parole: machine learning, prompt, chatbot, LLM, algoritmi.

    Parole importanti, certo. Ma se usi ChatGPT, Copilot, Gemini, Claude o altri strumenti di AI generativa nel lavoro quotidiano, ci sono altri termini meno popolari che vale la pena conoscere.

    Non per fare bella figura in riunione. Anche se, diciamolo, ogni tanto aiuta.

    Conoscere questi concetti serve a capire perché un chatbot risponde in un certo modo, perché a volte sbaglia, perché alcuni strumenti sono più adatti di altri e perché caricare un documento non significa automaticamente “addestrare” un modello.

    Ecco dieci termini dell’intelligenza artificiale che dovrebbero entrare nel vocabolario di chi usa i chatbot in azienda.

    Risposta breve: quali termini AI servono davvero nel lavoro?

    Per usare meglio i chatbot al lavoro conviene conoscere almeno dieci concetti: context window, grounding, temperature, tokenization, embedding, RAG, hallucination, fine-tuning, inference e AI Agent. Sono parole tecniche, ma hanno conseguenze molto pratiche: aiutano a scrivere prompt migliori, scegliere strumenti più adatti, ridurre errori e capire i limiti dell’intelligenza artificiale.

    1. Context window: quanta memoria ha davvero il chatbot?

    La context window, o finestra di contesto, è la quantità di informazioni che un modello riesce a prendere in considerazione in una conversazione.

    Più è ampia, più il chatbot può lavorare su testi lunghi, documenti complessi, conversazioni estese e molti dati forniti dall’utente. Per chi lavora significa poter analizzare contratti, manuali, verbali, report o procedure senza doverli spezzettare in mille pezzi.

    Attenzione però: finestra di contesto non significa memoria perfetta. Il modello può comunque perdere sfumature, dare più peso ad alcune parti o confondere elementi simili.

    In pratica: quando chiedi a un chatbot di analizzare un documento lungo, non limitarti a caricarlo e dire “fammi un riassunto”. Spiega che cosa vuoi ottenere, quali sezioni sono più importanti e quale uso farai del risultato.

    2. Grounding: collegare l’AI a fonti affidabili

    Il grounding consiste nel collegare il modello a fonti di dati affidabili, invece di lasciarlo rispondere solo sulla base di ciò che ha appreso durante l’addestramento.

    Quando un chatbot consulta documenti aziendali, un database interno, una knowledge base o un archivio di procedure prima di rispondere, sta usando una forma di grounding.

    Questo approccio riduce il rischio di risposte inventate e rende l’AI molto più utile nel lavoro. Non perché diventa infallibile, ma perché lavora su materiale verificabile.

    È lo stesso principio che ho raccontato parlando di second brain, metodo LLM Wiki e Obsidian: l’AI funziona meglio quando ha buone fonti su cui appoggiarsi.

    3. Temperature: quanto deve essere creativa l’AI?

    La temperature è un parametro che controlla il livello di variabilità delle risposte generate da un modello.

    Con valori bassi, il modello tende a produrre risposte più prevedibili, coerenti e ripetibili. Con valori più alti aumenta la varietà delle formulazioni e delle idee.

    Nella documentazione OpenAI sul prompt engineering, la temperature viene spiegata proprio come una leva che rende l’output più o meno casuale. Per attività fattuali, estrazioni di dati o documentazione tecnica è meglio tenerla bassa. Per brainstorming, naming o idee creative può avere senso alzarla.

    In pratica: se devi scrivere una procedura HR, non vuoi troppa fantasia. Se devi trovare dieci titoli per una campagna interna, un po’ di varietà può aiutare.

    4. Tokenization: perché il testo viene fatto a pezzetti

    I modelli linguistici non leggono il testo esattamente come lo leggiamo noi. Lo suddividono in unità chiamate token.

    Un token può essere una parola, una parte di parola, un numero, un simbolo o un segno di punteggiatura. Questo spiega perché esistono limiti di lunghezza nelle conversazioni e perché certi documenti molto estesi devono essere gestiti con metodo.

    Quando un sistema dice che un modello può gestire un certo numero di token, non sta parlando semplicemente di parole. Sta parlando della quantità di testo codificato che può essere elaborata.

    In pratica: se lavori con documenti lunghi, chiedi all’AI di analizzarli per sezioni, creare una mappa iniziale e poi approfondire i punti più rilevanti.

    5. Embedding: il significato trasformato in numeri

    Gli embedding sono rappresentazioni numeriche del significato di parole, frasi o documenti.

    Detta così sembra una cosa da matematici con molto caffè a disposizione. In realtà il concetto è molto pratico: grazie agli embedding, un sistema può capire che due testi sono simili anche se usano parole diverse.

    È il principio che permette la ricerca semantica nei documenti aziendali. Non devi conoscere la frase esatta presente in una procedura: puoi cercare per concetto e recuperare informazioni pertinenti.

    La guida OpenAI sugli embedding li descrive come un modo per trasformare il testo in numeri e abilitare casi d’uso come ricerca, clustering e analisi di similarità.

    In pratica: gli embedding sono una delle basi tecniche dietro chatbot aziendali, motori di ricerca interni, sistemi di knowledge management e assistenti documentali.

    6. RAG: quando il chatbot cerca prima di rispondere

    RAG significa Retrieval-Augmented Generation. In italiano potremmo tradurlo, con poca poesia ma molta precisione, come generazione aumentata dal recupero di informazioni.

    Prima di generare una risposta, il sistema cerca dati rilevanti in una base documentale e li usa come riferimento. In questo modo il chatbot non si limita alla “memoria” del modello, ma lavora su fonti specifiche.

    Secondo Google Cloud, il RAG combina modelli linguistici e basi di conoscenza esterne per migliorare gli output. È una delle tecniche più importanti per usare l’AI in azienda senza affidarsi solo a risposte generiche.

    Strumenti come Gemini Notebook (ex NotebookLM) lavorano proprio in questa direzione: prima le fonti, poi le risposte. Per questo ho raccolto anche una pagina con i miei video YouTube su Gemini Notebook.

    7. Hallucination: quando l’AI inventa con grande sicurezza

    Le hallucination, o allucinazioni, sono risposte apparentemente corrette ma in realtà inventate.

    Il chatbot può creare dati inesistenti, attribuire citazioni mai pronunciate, inventare fonti, sbagliare date o mescolare informazioni vere e false. Il problema è che spesso lo fa con un tono molto convincente.

    Non è un piccolo bug occasionale: è un rischio legato al modo in cui funzionano i modelli linguistici, che generano testo probabile, non verità certificata.

    In pratica: mai usare una risposta AI in un documento importante senza verifica. Soprattutto se contiene numeri, fonti, norme, citazioni, dati economici, informazioni legali o sanitarie.

    Su questo punto torno spesso nei miei corsi su AI generativa per aziende e professionisti: l’AI aumenta la produttività, ma non elimina la responsabilità.

    8. Fine-tuning: non è caricare un PDF

    Il fine-tuning consiste nell’addestrare ulteriormente un modello già esistente su un insieme specifico di dati.

    Un’azienda può, per esempio, adattare un modello al proprio linguaggio, ai propri prodotti, alle proprie procedure o a un certo stile di risposta. È una modifica più profonda rispetto al semplice caricamento di documenti in una chat.

    Qui nasce una confusione frequente: “Ho caricato il manuale, quindi ho addestrato il modello”. No. In molti casi hai solo dato al chatbot un contesto o una fonte da consultare. Il fine-tuning è un’altra cosa.

    In pratica: prima di pensare al fine-tuning, molte aziende dovrebbero sistemare documenti, FAQ, procedure, dati e knowledge base. Spesso il problema non è il modello. È il materiale di partenza.

    9. Inference: il momento in cui l’AI risponde

    L’inference è il momento in cui il modello produce concretamente una risposta.

    L’addestramento può richiedere mesi, enormi quantità di dati e infrastrutture molto costose. L’inference è ciò che accade ogni volta che scrivi una domanda a un chatbot e aspetti la risposta.

    Capire questa distinzione aiuta anche a leggere meglio il mercato: alcuni servizi costano di più perché usano modelli più potenti, gestiscono più contesto, rispondono più velocemente o includono strumenti aggiuntivi.

    In pratica: quando usi ChatGPT o Copilot non stai “addestrando” il modello ogni volta. Stai chiedendo al modello di generare una risposta sulla base del contesto disponibile.

    10. AI Agent: quando il chatbot inizia ad agire

    Un AI Agent non si limita a rispondere alle domande. Può pianificare attività, usare strumenti esterni, consultare database, eseguire azioni e verificare risultati prima di proseguire.

    Nel mondo del lavoro rappresenta un passaggio importante rispetto al chatbot tradizionale. Un agente può, per esempio, recuperare informazioni dal CRM, preparare una bozza di email, compilare un report, aggiornare un gestionale o coordinare più passaggi di un flusso operativo.

    La documentazione OpenAI sugli Agents mostra proprio questa evoluzione: modelli collegati a istruzioni, strumenti e comportamenti eseguibili.

    In pratica: gli agenti AI sono promettenti, ma richiedono governance. Più un sistema può agire, più bisogna definire limiti, autorizzazioni, controlli e responsabilità.

    Il vero vantaggio: meno magia, più metodo

    Conoscere questi termini non serve a trasformarsi in ingegneri del machine learning.

    Serve a usare meglio gli strumenti che ormai entrano in molte attività quotidiane: scrivere, riassumere, cercare, analizzare, confrontare, classificare, generare idee, preparare documenti, supportare clienti e colleghi.

    La differenza tra chi usa un chatbot “a caso” e chi lo usa con metodo spesso sta proprio qui: capire che cosa può fare, che cosa non può fare, quali dati gli servono e quali controlli sono necessari.

    In un mercato del lavoro in cui l’AI diventa una competenza trasversale, il vantaggio competitivo non sarà solo “saper usare ChatGPT”. Sarà comprenderne abbastanza il funzionamento da ottenere risultati migliori, più affidabili e più utili.

    Meno magia, quindi. Più metodo.

    FAQ

    Quali sono i termini AI più utili da conoscere al lavoro?

    Tra i più utili ci sono context window, grounding, temperature, token, embedding, RAG, hallucination, fine-tuning, inference e AI Agent. Sono concetti tecnici, ma hanno conseguenze molto pratiche nell’uso dei chatbot.

    Che cos’è il RAG nell’intelligenza artificiale?

    Il RAG, Retrieval-Augmented Generation, è una tecnica che permette a un chatbot di recuperare informazioni da fonti esterne prima di generare una risposta. Serve a rendere l’output più pertinente e collegato a dati specifici.

    Che differenza c’è tra grounding e fine-tuning?

    Il grounding collega il modello a fonti affidabili da consultare. Il fine-tuning modifica più profondamente il comportamento del modello tramite un ulteriore addestramento su dati specifici.

    Perché i chatbot inventano risposte?

    Perché i modelli linguistici generano testo probabile, non verità garantite. Le risposte inventate ma plausibili vengono chiamate hallucination, o allucinazioni.

    Un AI Agent è diverso da un chatbot?

    Sì. Un chatbot risponde soprattutto a domande e istruzioni. Un AI Agent può anche usare strumenti, pianificare azioni, consultare sistemi esterni e completare attività più complesse.

     

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

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

    Inviaci email

    /0 Commenti/da

    Perché Emma, il chatbot italiano di Egomnia, pare ubriaco

    ,

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

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

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

    Che cos’è Emma di Egomnia?

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

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

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

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

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

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

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

    Perché Emma è finita nei meme?

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

    Questo uno dei test che ho fatto io:

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

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

    Risposta breve: Emma non sa quando non sa

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

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

    Il problema tecnico: non basta dire “transformer”

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

    In un LLM contano almeno cinque cose:

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

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

    Perché i modelli piccoli sbagliano di più?

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

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

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

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

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

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

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

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

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

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

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

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

    Che cosa ci insegna il caso Emma

    Emma ci insegna almeno cinque cose utili.

    1. Un LLM piccolo non è un ChatGPT in miniatura

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

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

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

    3. I benchmark interni non bastano

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

    4. L’allineamento è fondamentale

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

    5. Gli utenti testeranno sempre il caso peggiore

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

    Emma è da buttare?

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

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

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

    La lezione per aziende e comunicatori

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

    Per comunicare bene un progetto AI servono tre ingredienti:

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

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

    Emma non è ubriaca, è fuori contesto

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

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

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

    FAQ su Emma di Egomnia

    Che cos’è Emma di Egomnia?

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

    Perché Emma è finita nei meme?

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

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

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

    Perché Emma sbaglia così tanto?

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

    Un modello piccolo è sempre inutile?

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

    Che cosa sono le allucinazioni AI?

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

     

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

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

    Inviaci email

    /0 Commenti/da

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

    ,

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

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

    Dal motore di ricerca al venditore invisibile

    Per anni abbiamo vissuto dentro una logica semplice.

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

    Con l’AI conversazionale cambia tutto.

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

    Sembra un dettaglio di interfaccia. Non lo è.

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

    E può farlo molto bene.

    Il dato che dovrebbe far riflettere aziende e consumatori

    I ricercatori hanno coinvolto 2.012 partecipanti in due esperimenti controllati.

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

    Risultato:

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

    Tradotto: quasi il triplo.

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

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

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

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

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

    Perché l’AI persuade meglio

    Il paper mostra che i modelli usano leve molto umane:

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

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

    Capolavoro retorico.

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

    Cosa cambia per marketing, SEO e GEO

    Chi si occupa di business dovrebbe capire subito il punto.

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

    Significa:

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

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

    Il rischio vero non è tecnologico, bensì cognitivo

    Il problema non è che un chatbot consigli un prodotto.

    Il problema nasce quando l’utente confonde:

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

    In quel momento deleghi il giudizio.

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

    Cosa fare da subito

    Tre antidoti pratici.

    1. Chiedi alternative

    “Dammi tre opzioni e i limiti di ciascuna.”

    2. Chiedi criteri

    “Perché consigli proprio questo?”

    3. Chiedi conflitti di interesse

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

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

    La mia sintesi brutale

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

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

    E intanto venderà.

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

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

    Inviaci email

    /0 Commenti/da

    Gemini Notebook (ex NotebookLM): perché è l’intelligenza artificiale da tenere d’occhio nel 2026

    ,

    Ho voluto condividere con Gario e gli ascoltatori di «Yugen Podcast» un augurio speciale, a fine 2025, per questo inizio di 2026: invece di suggerire una Serie TV oppure l’ultimo libro di successo (come mi è capitato di fare in passato, vedi Fiori per Algernon), ho preferito puntare su uno strumento che sta letteralmente cambiando le regole del gioco digitale. Si chiama Gemini Notebook (ex NotebookLM) ed è, senza troppi giri di parole, l’assistente AI di Google che ha registrato la crescita più interessante negli ultimi mesi.

    Perché dovresti provarlo subito

    In un mercato saturo di chatbot che promettono miracoli, Gemini Notebook si distingue per un approccio pragmatico e, oserei dire, quasi umile. Ecco i tre punti di forza che ho sottolineato nel mio intervento:

    • accessibilità totale: è praticamente gratuito, con un limite di 50 interrogazioni giornaliere già incluse nel pacchetto Gmail o Google.

    • addio allucinazioni: a differenza di ChatGPT, Gemini Notebook non risponde se non trova riscontri nelle fonti che gli hai fornito. Se non sa, tace.

    • citazioni puntuali: ogni risposta è accompagnata dal riferimento esatto ai tuoi documenti. La trasparenza prima di tutto.

    La metamorfosi dei contenuti

    La vera svolta è arrivata con le ultime funzioni introdotte nelle scorse settimane. Partendo dai tuoi file, lo strumento è ora in grado di generare presentazioni multimediali, infografiche e, soprattutto, podcast automatici. Immagina di caricare i tuoi appunti e ascoltare due voci (un uomo e una donna) che discutono amabilmente dei tuoi contenuti: è la frontiera della fruizione passiva di informazioni complesse.

    Qui puoi risentire il mio intervento:

    Il mio intervento per CEM Ambiente

    Avevo parlato dello stesso tema anche per una platea di studenti per CEM Ambiente:

     

    Visualizza questo post su Instagram

     

    Un post condiviso da CEM Ambiente (@cem_ambiente)

    /0 Commenti/da

    “L’AI tra i banchi”: l’evento del Corriere della Sera (2/2/26)

    , , ,

    Il 2 febbraio 2026 sono stato invitato dalla Fondazione Corriere della Sera a un evento per le scuole presso la sala Buzzati: collegati 12.000 studenti da tutta Italia, per sentirci parlare di #AI in classe. Con me l’amico Vincenzo Cosenza.

    Ho caricato su YouTube alcuni passaggi dell’evento.

    3 esempi d’uso dell’AI in classe

    Hai presente quando gli studenti usano ChatGPT per farsi fare i compiti? Ecco, quello è il modo peggiore per approcciare l’intelligenza artificiale. In questo video esploriamo come trasformare l’IA da scorciatoia a vero e proprio alleato didattico. Parliamo di «role prompting»: far diventare il chatbot il tuo prof di italiano per simulare un’interrogazione su Dante, oppure un generale che ti racconta Waterloo. Non è magia, è collaborazione creativa. Nel video passo in rassegna alcuni casi reali: – Simulazione di interrogazioni: caricare testi e chiedere all’IA di metterci alla prova. – Dialogo con la storia: intervistare Napoleone per capire le sue scelte strategiche. – Role-play linguistico: gestire un cliente difficile in tedesco per allenare le soft skill. L’obiettivo non è delegare il pensiero, ma potenziarlo. Perché se l’IA imita l’intelligenza umana, noi dobbiamo imparare a usarla per non diventare “pigri” ma più brillanti.

    Alla scoperta di Gemini Notebook (ex NotebookLM)

    Dimentica ChatGPT per un attimo: se cerchi uno strumento che rivoluzioni davvero il modo di studiare e lavorare con i documenti, devi conoscere Gemini Notebook. È il “taccuino intelligente” di Google che non risponde pescando a caso dal web, ma si basa esclusivamente sulle fonti che carichi tu. Niente più allucinazioni: se gli chiedi la ricetta della pizza mentre stai studiando fisica quantistica, ti dirà chiaramente che nei tuoi testi non c’è traccia di margherite.

    Ecco perché Gemini Notebook è una marcia in avanti:

    • Verifica immediata delle fonti: ogni risposta include citazioni cliccabili che ti portano esattamente al paragrafo del documento originale.

    • Multimedialità totale: legge PDF, appunti scritti a mano (anche in corsivo!) e persino schemi elettrici o immagini.

    • Creazione di contenuti: trasforma i tuoi materiali in infografiche, slide, podcast con voci umane che discutono i temi o video esplicativi con voice-over.

    • Ecosistema Google: se hai una Gmail, hai già Gemini Notebook; è gratuito, integrato e generoso (fino a 50 domande al giorno nella versione free).

    È lo strumento perfetto per chi ha bisogno di rigore, precisione e una mano per trasformare la teoria in pratica multimediale.

    Farsi intervistare dai chatbot

    Perché dobbiamo essere sempre noi a spremere le meningi per interrogare ChatGPT o Gemini? In questo estratto del mio intervento a «Insieme per capire», ribalto completamente la prospettiva: il segreto per ottenere risultati davvero utili non è fare domande migliori, ma farsi intervistare dall’intelligenza artificiale.

    Che tu debba scrivere una tesina, preparare una ricerca o un’interrogazione, prova a dire all’IA: «questo è il mio obiettivo, fammi tu tutte le domande che ritieni opportune per inquadrare il contesto». È qui che avviene il vero salto di qualità: lo scambio diventa profondo, l’IA capisce chi sei, cosa ti serve e in quale materia ti stai muovendo.

    In questo video ti spiego come questo ribaltamento dei ruoli possa trasformare uno strumento passivo in un partner di lavoro incredibilmente efficace.

    Siamo passati dai chatbot che rispondono a comando a veri e propri agenti intelligenti capaci di pianificare ed eseguire task complessi in autonomia. Ma cosa significa davvero per il nostro lavoro e la nostra quotidianità?

    In questo estratto, esploriamo il salto evolutivo dell’intelligenza artificiale:

    • Chatbot vs Agenti: la differenza tra uno strumento reattivo e uno proattivo che «va avanti come un treno».

    • Esperimenti sul campo: dall’organizzazione di un viaggio in Giappone alla spesa online fatta partendo da una semplice foto di una pizza.

    • Il futuro delle aziende: lo scenario di società miliardarie gestite da una sola persona supportata da una flotta di agenti specializzati (marketing, R&S, logistica).

    • Integrazione fisica: l’arrivo dei robot umanoidi e l’impatto sulla gestione delle attività domestiche e industriali.

    L’IA non è più solo uno strumento per studiare o scrivere meglio, ma un ecosistema che impara a collaborare con sé stesso e con noi. Quale sarà il peso del contributo umano in questo nuovo equilibrio?

    I problemi dell’AI

    L’intelligenza artificiale non è più una novità da laboratorio, ma un compagno silenzioso che sta riscrivendo le regole del gioco. In questo estratto dell’evento «Insieme per capire», analizzo i rischi che corriamo delegando le nostre scelte agli algoritmi.

    Siamo pronti a gestire un “sistema zero” che decide per noi?

    Cosa troverai in questo video:

    • Il paradosso del secondo cervello: quanto potere stiamo dando a strumenti come ChatGPT? Dalle scelte editoriali ai consigli medici, il confine tra supporto e condizionamento è sempre più sottile.

    • Pregiudizi e bias: se l’IA impara dagli umani, eredita anche i nostri errori. Come correggere una “scatola nera” che discrimina basandosi sulle statistiche?

    • Privacy e gestione dati: ogni nostra interazione alimenta i modelli. Sai come disattivare l’uso dei tuoi dati nelle impostazioni?

    • Proprietà intellettuale: il tema spinoso del copyright e di come i contenuti protetti finiscano nel calderone dell’addestramento senza alcuna remunerazione per gli autori.

    La registrazione completa dell’evento

    Ecco l’intera registrazione dell’evento:

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

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

    Inviaci email

    /0 Commenti/da

    “Intelligenza artificiale per i personal trainer”: il mio intervento a Rimini Wellness 2025 [video + slide]

    , ,

    Diciamolo subito: no, l’intelligenza artificiale non manderà in pensione i personal trainer. Al massimo li costringerà a una formazione accelerata. A RiminiWellness 2025, durante il mio intervento per Confartigianato Sport, ho cercato di rispondere alla domanda che tutti si pongono: “Ma l’AI ci ruba il lavoro?”.

    Il video del mio intervento a Rimini Wellness 2025

    Durante il mio intervento di oltre un’ora, ho dedicato un quarto d’ora a cinque idee concrete d’uso dell’AI per i personal trainer:

    • Assistenza: dal journaling al tracking del sonno. E sì, ChatGPT può anche creare playlist su misura o motivarti come un coach.

    • Studio: aggiornamenti professionali e trend di settore (es: Exploding Topics).

    • Ricerche: confronto preventivi, analisi dei competitor, strumenti di deep research.

    • Burocrazia: l’AI può aiutare anche con le scaroffie.
    • Comunicazione: un piano editoriale su misura grazie ai prompt personalizzati. E se proprio non sai da dove partire… chiedi a ChatGPT!

    Puoi rivedere quella parte di speech qui:

    Le app che ho citato nel mio intervento

    Reflectly

    Un diario digitale per il benessere emotivo. Utile per aiutare i clienti a tracciare l’umore, la motivazione e i progressi mentali, in ottica di fitness olistico.

    BMI Visualizer

    Un semplice ma impattante strumento per visualizzare il corpo sulla base dell’indice di massa corporea. Ideale per aiutare i clienti a percepire i propri obiettivi.

    Sleep Cycle

    Il sonno è fondamentale per il recupero muscolare. Sleep Cycle analizza la qualità del sonno e consente al trainer di integrare consigli personalizzati nella programmazione.

    HeyGen

    Vuoi creare video motivazionali o tutorial personalizzati con il tuo avatar? HeyGen usa l’AI per generare contenuti video professionali, anche in più lingue.

    Zapier

    Automatizza tutto: appuntamenti, email di follow-up, reminder pre-allenamento. Zapier collega le tue app e ti fa risparmiare ore ogni settimana. In particolare Motivational Coach AI Chatbot Template è un template AI pronto all’uso per creare chatbot motivazionali: risponde 24/7 ai dubbi dei clienti, offre frasi d’ispirazione e suggerimenti personalizzati.

    PlaylistAI

    La colonna sonora perfetta per ogni workout. Questa app crea playlist su misura in base al tipo di allenamento e all’umore del giorno.

    Consensus

    Per chi vuole restare aggiornato con basi scientifiche: questa AI cerca nei paper accademici e fornisce risposte basate su evidenze. Perfetto per comunicare con autorevolezza.

    Exploding Topics

    Vuoi capire i nuovi trend in ambito fitness, alimentazione e tecnologia? Questo strumento analizza i topic emergenti prima che diventino mainstream.

    GenSpark

    Un AI agent per creare contenuti personalizzati: dai post motivazionali ai programmi di allenamento.

    Le slide del mio intervento

    Qui puoi vedere o scaricare la mia presentazione.

    AI_personal_trainer_Bonanomi_Rimini_Wellness_2025

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

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

    Inviaci email

    /0 Commenti/da

    “Patti educativi digitali” al Badoni di Lecco: come i ragazzi hanno creato un chatbot per supportare i compagni per l’uso consapevole della tecnologia

    ,

    Tra il marzo e l’aprile del 2025 sono stato coinvolto dal Comune di Lecco e dall’Istituto Badoni per guidare i ragazzi della prima CIT nella realizzazione di un chatbot sull’uso consapevole della tecnologia, nell’ambito del progetto “Patti educativi digitali”.

    Dopo una sessione di formazione iniziale sui temi dell’uso consapevole di smartphone e Internet, i ragazzi si sono divisi in cinque gruppi:

    • social
    • cyberbullismo
    • gaming
    • fake news
    • genitoritilità e tecnologia

    I ragazzi, accompagnati dai genitori presenti, hanno creato la knowledge base, ovvero i contenuti da dare in pasto all’intelligenza artificiale: cinque documenti con FAQ (le domande poste di frequente) sui vari argomenti. Ecco qualche esempio di domanda, alla quale hanno associato la risposta trovata su siti autorevoli (per esempio pattidigitali.it):

    • Cos’è il cyberbullismo e come si può fermare?
    • Da quale età si può creare un account di Instagram?
    • Cos’è il PEGI?

    Un buon sistema di intelligenza artificiale deve riconoscere le domande, imparare i testi scritti dai ragazzi, rispondere anche in caso di domande simili ma soprattutto non rispondere a domande non pertinenti (per esempio “Come posso vincere a Call of Duty?”).

    Alla fine dei lavori, due incontri da otto ore, ho guidato i ragazzi nella creazione di un GPT (versione personalizzata di ChatGPT) che rispondesse alle domande dei ragazzi delle altre classi o delle altre scuole, secondarie di primo grado comprese.

    Il GPT, che si chiama CIT-GPT – Risposte sull’uso della tecnologia, è liberamente accessibile per chiunque abbia un account gratis di ChatGPT (www.chatpt.com) a questo indirizzo:

    https://chatgpt.com/g/g-67f0f100c65481919efdd32e79c575e2-cit-gpt-risposte-sull-uso-della-tecnologia

    Si può raggiungere il chatbot anche tramite questo link accorciato: https://bit.ly/gptbadoni.

    Per la cronaca, decine di persone hanno usato il chatbot sin dalle prime ore di vita.

    A mio avviso questo progetto è stato importante per tre motivi:

    • il lavoro di condivisione genitori e figli è importante per evitare che la tecnologia sia solo un argomento di disputa in famiglia (ecco il perché dei “patti educativi digitali”);
    • i ragazzi sono ormai saturi di informazioni sull’uso consapevole della tecnologia, non fanno altro che incontrare forze dell’ordine e psicologi: un approccio esperienziale, il sentirsi parte del progetto di costruzione del chatbot su questo tema, li responsabilizza e li coinvolge maggiormente;
    • l’intelligenza artificiale è considerata un problema della scuola, dove viene vista solo come minaccia (da “i ragazzi non fanno più i compiti” a “non useranno più il cervello”): invece abbiamo dimostrato che può rivelarsi un’opportunità: il chatbot può aiutare tutti e intercettare chi ha remore a rivolgersi a pari e adulti.

    Il mio invito è quello di provare il chatbot costruito dalla prima CIT del Badoni (bravi ragazzi!).

    La discussione in Consiglio Comunale

    Durante una seduta della Commissione IV del Comune di Lecco, una rappresentanza degli studenti coinvolti del Badoni e del Bertacchi hanno raccontato il progetto. Ecco la diretta sulla pagina dell’assessore Durante.

    La mia intervista per Lecco Online

    Il 10 giugno il quotidiano online di Lecco ha dedicato un articolo al progetto. Riportando anche una mia intervista:

    “I ragazzi – racconta Bonanomi, giornalista professionista specializzato in hi-tech, autore di oltre 20 libri, content manager in agenzie di comunicazione e formatore sulla comunicazione online e sull’AI generativa – accompagnati dai genitori, hanno creato la knowledge base, ovvero i contenuti da dare in pasto all’intelligenza artificiale: cinque documenti con FAQ (le domande poste di frequente) sui vari argomenti”. Hanno pensato a domande come Cos’è il cyberbullismo e come si può fermare? Da quale età si può creare un account di Instagram? Cos’è il PEGI? Associandovi poi le relative risposte, traendo le informazioni necessari di siti attendibili.
    “Un buon sistema di intelligenza artificiale deve riconoscere le domande, imparare i testi scritti dai ragazzi, rispondere anche in caso di domande simili ma soprattutto non rispondere a domande non pertinenti (per esempio “Come posso vincere a Call of Duty?”). Alla fine dei lavori, due incontri da otto ore, ho guidato i ragazzi nella creazione di un GPT (versione personalizzata di ChatGPT) che rispondesse alle domande dei ragazzi delle altre classi o delle altre scuole, secondarie di primo grado comprese” racconta ancora l’esperto che ha guidato gli studenti arrivando così a presentare il GPT “made al Badoni” ovvero CIT-GPT – Risposte sull’uso della tecnologia, strumento liberamente accessibile per chiunque abbia un account gratis di ChatGPT (www.chatpt.com) CLICCANDO QUI.
    Come accennato, già diverse decine sono stati gli utilizzi.

    “A mio avviso – argomenta ancora Bonanomi – questo progetto è stato significativo per tre motivi: il lavoro di condivisione genitori e figli è importante per evitare che la tecnologia sia solo un argomento di disputa in famiglia (ecco il perché dei “patti educativi digitali”); i ragazzi sono ormai saturi di informazioni sull’uso consapevole della tecnologia, non fanno altro che incontrare forze dell’ordine e psicologi: un approccio esperienziale, il sentirsi parte del progetto di costruzione del chatbot su questo tema, li responsabilizza e li coinvolge maggiormente; l’intelligenza artificiale è considerata un problema della scuola, dove viene vista solo come minaccia (da “i ragazzi non fanno più i compiti” a “non useranno più il cervello”): invece abbiamo dimostrato che può rivelarsi un’opportunità: il chatbot può aiutare tutti e intercettare chi ha remore a rivolgersi a pari e adulti”.
    Ecco dunque l’invito a “provare il chatbot costruito dalla prima CIT del Badoni”. E, immancabili visto l’impegno dimostrato e il risultato, i complimenti: “bravi ragazzi!”.

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

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

    Inviaci email

    /0 Commenti/da

    Corso sulla creazione di chatbot personalizzati

    Durata
    6 ore

    Descrizione

    Dopo il corso sull’introduzione all’AI e quello sul prompt engineering, il livello successivo è costituito da un corso avanzato, pratico, per imparare a progettare e sviluppare chatbot personalizzati. Durante le sei ore del workshop, vedremo come definire obiettivi, target e tone of voice, raccogliere e preparare i dati, configurare il bot e analizzare le sue performance.

    Obiettivi

    • Acquisire le competenze fondamentali per la creazione di chatbot personalizzati.
    • Sviluppare una knowledge base efficace per rispondere alle esigenze degli utenti.
    • Configurare e testare il chatbot per massimizzare l’efficacia delle interazioni.
    • Pubblicare e ottimizzare il chatbot per utilizzi pubblici o privati.

    Destinatari

    Professionisti, imprenditori e consulenti che desiderano integrare chatbot personalizzati nella loro strategia di comunicazione o servizio clienti.

    Struttura del Corso

    1. Introduzione alla creazione di chatbot (30 min)
      • Cosa sono i chatbot e come funzionano.
      • Panoramica sugli strumenti disponibili (Chatbase, You.com, Zapier).
    2. Definizione del progetto (30 min)
      • Definizione dell’obiettivo del chatbot.
      • Identificazione del target di riferimento.
      • Impostazione del tone of voice.
    3. Preparazione della Knowledge Base (2 ore)
      • Raccolta e standardizzazione dei documenti (es. FAQ, manuali, dati aziendali).
      • Anonimizzazione e organizzazione dei dati.
      • Creazione di domande trigger.
    4. Configurazione del Chatbot (1 ora)
      • Personalizzazione delle istruzioni e dell’aspetto del chatbot.
      • Caricamento della knowledge base.
      • Settaggio delle interazioni (es. caricamento documenti, navigazione).
    5. Testing e Ottimizzazione (1 ora)
      • Esecuzione di test interni.
      • Ottimizzazione del chatbot in base ai feedback.
    6. Pubblicazione e Analisi (1 ora)
      • Scelta del canale di pubblicazione (privato o pubblico).
      • Monitoraggio delle performance attraverso gli analytics.
      • Esportazione delle conversazioni per analisi successive.

    Materiali Forniti

    • Slide del corso.

    Il progetto chatbot all’istituto Badoni di Lecco

     

    Tra il marzo e l’aprile del 2025 sono stato coinvolto dal Comune di Lecco e dall’Istituto Badoni per guidare i ragazzi della prima CIT nella realizzazione di un chatbot sull’uso consapevole della tecnologia. Dopo una sessione di formazione iniziale sui temi dell’uso consapevole di smartphone e Internet, i ragazzi si sono divisi in gruppi (social, cyberbullismo, gaming, fake news e genitoritilità) e hanno creato la knoledge base, cinque documenti con FAQ sui vari argomenti. Alla fine dei lavori, abbiamo montato un GPT che servisse di supporto ai ragazzi delle altre classi o delle altre scuole, secondarie di primo grado comprese. Il GPT, che si chiama CIT-GPT – Risposte sull’uso della tecnologia, è liberamente accessibile per chiunque abbia un account gratis di ChatGPT. Puoi accedervi anche facendo clic sull’immagine qui sotto:

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

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

    Inviaci email

    /0 Commenti/da