Quando si parla di intelligenza artificiale, le citazioni fanno spesso la stessa fine dei biscotti nei corsi: spariscono dal loro contesto. Una frase diventa uno slogan, lo slogan diventa una certezza e qualcuno finisce per attribuire a Einstein anche il prompt engineering.

Ho scelto dieci citazioni sull’intelligenza artificiale generativa e sugli agenti, accompagnandole con il loro contesto e con una conseguenza pratica. Alcune sono domande storiche, altre estratti da studi scientifici o guide tecniche. Il percorso parte dall’intelligenza delle macchine e arriva a una questione molto concreta: che cosa possiamo delegare, con quali strumenti e con quali controlli?

Nota sulle citazioni: i brani in italiano sono mie traduzioni di brevi estratti inglesi. Le omissioni sono indicate con […]. “Attention Is All You Need” è il titolo originale di un paper, riportato come tale. I collegamenti permettono di controllare formulazione e contesto.

1. Alan Turing: prima di discutere di intelligenza, definiamo la domanda

«Le macchine possono pensare?»

Alan M. Turing, 1950. È la domanda che apre Computing Machinery and Intelligence. Turing passa poi a un problema più circoscritto, il gioco dell’imitazione, per ragionare sui comportamenti osservabili.

Questa citazione serve ancora perché ci costringe a chiarire che cosa stiamo chiedendo. “ChatGPT pensa?” può significare: produce risposte sensate, risolve un problema, possiede intenzioni oppure ha esperienza cosciente? Sono questioni diverse. Un testo convincente, da solo, non risolve l’ultima.

Nel lavoro: invece di discutere per un’ora se il chatbot sia intelligente, chiediamoci se sa sintetizzare correttamente quel verbale. Definiamo criteri verificabili: decisioni riportate, responsabilità attribuite, scadenze conservate. La filosofia resta interessante; il verbale deve comunque essere giusto.

2. Dartmouth: simulare una capacità non significa diventare una persona

«[…] una macchina può essere costruita per simularlo.»

John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, 1955. Questo frammento della proposta per il progetto estivo di Dartmouth si riferisce alla congettura secondo cui gli aspetti dell’apprendimento e dell’intelligenza possono essere descritti con precisione sufficiente a simularli.

La parola decisiva è “congettura”: un programma di ricerca, non una dimostrazione già acquisita. Per leggere il presente, io terrei anche “simulare”. Un sistema può svolgere un’attività utile senza avere la biografia, le motivazioni o l’esperienza di chi la svolge normalmente.

Nel lavoro: far preparare una bozza commerciale all’AI può essere sensato. Trattarla come un collega che conosce automaticamente la storia del cliente è un salto ingiustificato. Quella storia va fornita, recuperata e controllata.

3. Vaswani e colleghi: attenzione alle relazioni tra le parole

«Attention Is All You Need»

Ashish Vaswani e coautori, 2017. È il titolo del paper che propone l’architettura Transformer. “Attenzione” indica qui un meccanismo computazionale, non la concentrazione cosciente di una persona.

Il titolo è diventato celebre, ma non significa che basti stare attenti per costruire un’AI. Il lavoro presenta un’architettura basata su meccanismi di attenzione, senza ricorrenza e convoluzioni, e la valuta su compiti di traduzione. Per un lettore non tecnico, il punto utile è che le relazioni nel contesto contano.

Nel lavoro: se chiediamo di spiegare la parola “rete”, un riferimento alla pesca, al calcio o ai computer cambia l’interpretazione richiesta. Inserire il contesto pertinente aiuta a disambiguare il compito; non garantisce automaticamente una risposta corretta.

4. Bender e colleghe: la fluidità del linguaggio può ingannarci

«[…] un pappagallo stocastico.»

Emily M. Bender, Timnit Gebru, Angelina McMillan-Major e Shmargaret Shmitchell, 2021. Il frammento proviene dal paper sui rischi dei grandi modelli linguistici, che Bender riprende e contestualizza nelle sue spiegazioni pubblicate nel 2026.

“Stocastico” rimanda alla probabilità. La metafora invita a non attribuire automaticamente intenzioni umane a un testo fluente. Va però trattata come una lente interpretativa, non come una formula che esaurisce ogni capacità di ogni sistema attuale. Bender stessa distingue il modello linguistico dai prodotti che lo integrano con altri componenti.

Nel lavoro: una risposta elegante può contenere un riferimento inventato. Quando un chatbot cita un paper, aprire il collegamento e confrontare ciò che sostiene con il documento è parte del compito. Il tono sicuro non è una certificazione di qualità.

5. Ouyang e colleghi: più grande non equivale automaticamente a più utile

«Rendere più grandi i modelli linguistici non li rende, di per sé, migliori nel seguire l’intento dell’utente.»

Long Ouyang e coautori, 2022. È l’apertura dell’abstract di Training language models to follow instructions with human feedback. Il lavoro studia come usare esempi e valutazioni umane per migliorare l’aderenza alle intenzioni dell’utente.

Qui si capisce perché un modello capace di continuare testi e un assistente utile non siano la stessa cosa. Nel lavoro descritto, alle dimostrazioni del comportamento desiderato seguono confronti tra risposte e un ulteriore addestramento basato sul feedback umano. Non ne deriva che ogni assistente sia infallibile o che tutti i sistemi seguano la stessa procedura.

Nel lavoro: scegliere un modello soltanto perché “è il più potente” è un criterio incompleto. Proviamolo su attività rappresentative: rispetta i vincoli? Mantiene il tono? Segnala ciò che manca? Quanto dobbiamo correggere?

6. La ricerca sulle allucinazioni: dobbiamo premiare anche il dubbio

«[…] premiano il tentare una risposta rispetto al riconoscere l’incertezza.»

OpenAI, 2025. La frase compare nella presentazione della ricerca Why Language Models Hallucinate. Lo studio di Adam Tauman Kalai, Ofir Nachum, Santosh S. Vempala ed Edwin Zhang analizza il ruolo degli incentivi nell’addestramento e nella valutazione.

Se un test assegna zero punti sia a una risposta sbagliata sia a un’ammissione di ignoranza, indovinare può diventare conveniente. Questo aiuta a spiegare perché la sicurezza espressiva non coincida con l’affidabilità. Non è una spiegazione unica di tutti gli errori, né una prova che basti aggiungere “non inventare” per eliminarli.

Nel lavoro: quando valutiamo un assistente, inseriamo casi con informazioni mancanti. Una risposta utile può identificare la lacuna e chiedere il dato necessario. Se premiamo soltanto chi completa ogni casella, rischiamo di addestrare anche noi una macchina delle risposte plausibili.

7. ReAct: il passaggio agli agenti comincia dall’alternare ragionamento e azione

«[…] tracce di ragionamento e azioni specifiche del compito in modo alternato.»

Shunyu Yao e coautori, 2022. Il paper ReAct: Synergizing Reasoning and Acting in Language Models esplora un approccio che alterna passaggi di ragionamento e azioni, anche per raccogliere informazioni esterne.

È un ponte utile tra la conversazione e il lavoro operativo. Il sistema non deve limitarsi a generare la descrizione di una ricerca: può interrogare una fonte, ricevere un risultato e adattare il passo successivo. Le tracce generate non vanno però confuse con una lettura trasparente della mente del modello.

Nel lavoro: per confrontare fornitori, un agente potrebbe cercare schede, estrarre condizioni, accorgersi che manca una specifica e cercarla. Il risultato va valutato sui documenti effettivamente recuperati. Scrivere “ho verificato” e aver verificato sono due cose diverse.

8. Anthropic: un agente decide come usare gli strumenti

«[…] gli LLM dirigono dinamicamente i propri processi e l’uso degli strumenti.»

Anthropic, Building effective agents, 2024. La guida di Anthropic distingue i workflow con percorsi predefiniti dagli agenti in cui il modello determina dinamicamente i passaggi.

È una distinzione architetturale utile, non l’unica definizione possibile di agente. Una sequenza fissa che prende un file, lo riassume e lo archivia può essere un’ottima automazione. Diventa più propriamente agentica quando il modello sceglie il percorso in base a ciò che incontra.

Nel lavoro: se ogni venerdì devi copiare lo stesso report nella stessa cartella, comincia da un automatismo. Se devi indagare un’anomalia e decidere quali documenti esaminare, una componente agentica può avere senso. La complessità va giustificata dal problema, non dal fascino della parola “agente”.

9. Context engineering: il contesto non è un ripostiglio infinito

«Il contesto […] deve essere trattato come una risorsa finita con rendimenti marginali decrescenti.»

Anthropic, 2025. È un passaggio di Effective context engineering for AI agents. La guida porta l’attenzione dalle sole istruzioni all’insieme delle informazioni disponibili durante il lavoro.

Il prompt è una parte del contesto. Contano anche documenti, cronologia, descrizioni degli strumenti e risultati delle loro azioni. Aggiungere materiale può aiutare, ma può anche introdurre rumore, contraddizioni e versioni superate. La conseguenza operativa è selezionare ciò che serve e mantenerlo aggiornato.

Nel lavoro: per preparare un’offerta, meglio un listino valido, un brief chiaro e due esempi pertinenti che l’intero archivio di proposte degli ultimi anni. Quando manca una condizione, l’agente dovrebbe recuperarla dalla fonte appropriata. Il second brain è utile quando aiuta a trovare, non soltanto ad accumulare.

10. OpenAI: l’intervento umano è una parte del progetto

«L’intervento umano è una salvaguardia fondamentale […].»

OpenAI, A practical guide to building agents, 2025. Nella sezione dedicata all’intervento umano, la guida pratica di OpenAI, sezione sull’intervento umano tratta il passaggio di controllo quando l’agente incontra problemi e le verifiche per azioni ad alto impatto.

La supervisione non dovrebbe essere un’aggiunta improvvisata dopo un incidente. Va progettata insieme ai permessi, ai limiti di esecuzione e alle condizioni di arresto. Autonomia significa delegare un perimetro di lavoro, con responsabilità e confini espliciti.

Nel lavoro: un agente può predisporre una risposta a un cliente e raccogliere gli allegati. Possiamo richiedere approvazione prima dell’invio di un’offerta vincolante, fissare un numero massimo di tentativi e consentire accesso solo ai documenti necessari. Così la delega diventa una procedura valutabile.

Un video per collegare i concetti

Per approfondire i modelli linguistici, propongo Intro to Large Language Models di Andrej Karpathy. È una lezione in inglese pubblicata nel 2023: utile per i fondamenti, mentre i riferimenti ai prodotti vanno letti come una fotografia di quel periodo.

Dalle citazioni a una delega concreta

La mia lettura di queste dieci frasi è molto pratica: definire il compito, distinguere la fluidità dalla correttezza, dare informazioni pertinenti, collegare strumenti e osservare i risultati. Infine, decidere dove la macchina deve fermarsi.

Nel mio metodo 4A e nei corsi sugli agenti AI distinguo automatismi, azioni programmate, assistenti e agenti. È una griglia didattica per scegliere quanta delega serve. Un’attività programmata non diventa automaticamente un agente, e un agente non è la soluzione migliore per qualsiasi attività.

Per mettere alla prova queste idee, scegli un compito reale e scrivi cinque cose: risultato atteso, informazioni necessarie, strumenti consentiti, criteri di verifica e punto di approvazione. Poi confronta il tempo risparmiato con il tempo speso a controllare e correggere. È un esperimento più utile di cento slogan sul futuro.

Vuoi portare AI generativa e agenti nel tuo team?

Progetto corsi e laboratori per aziende, enti e professionisti, partendo da attività concrete e dai controlli necessari. Raccontami il tuo obiettivo attraverso il modulo nella pagina contatti: possiamo costruire un percorso su misura.