Leggo che a Sanremo si vuole proteggere la creatività umana dall’intelligenza artificiale. E mi viene una domanda poco elegante, ma abbastanza sanremese: siamo proprio sicuri che l’omologazione debba ancora arrivare?
La mia è una provocazione. Non penso che basti dare un microfono a un generatore musicale per ottenere un nuovo cantautore. Mi interessa però il paradosso: temiamo che le macchine producano canzoni tutte uguali, mentre accettiamo con molta più serenità le formule, le firme ricorrenti e le aspettative commerciali che possono rendere prevedibile anche una produzione interamente umana.
Per capirci: se il prompt implicito è sempre «fammi una canzone che funzioni a Sanremo», la tastiera può essere quella di un pianoforte oppure quella di un computer. La richiesta di rassicurarci resta la stessa.
Sanremo 2027 e intelligenza artificiale: che cosa dice davvero la regola
La notizia riguarda Sanremo 2027. La Rai ha presentato il nuovo regolamento il 21 settembre 2026. Il riferimento da leggere è il punto E della sezione «Le Canzoni», a pagina 12 del PDF ufficiale del regolamento.
Il principio è che i brani siano espressione della creatività umana. Il divieto riguarda l’impiego di AI nell’ideazione, nella composizione di musica e testi e nella realizzazione, quando questo comporta sostituzione, alterazione o snaturamento del contributo creativo umano. La Rai e il direttore artistico si riservano verifiche tecnologiche.
Questo passaggio, ripreso anche da RaiNews, è più preciso dello slogan «AI vietata». La clausola disciplina le canzoni: non contiene un divieto generale di usare l’AI nell’organizzazione del Festival, ma nemmeno un’autorizzazione indiscriminata a qualsiasi uso tecnico o amministrativo. La distinzione tra attività artistiche e attività di supporto è utile; per decidere che cosa sia ammesso serve valutare l’impiego concreto.
Stefano De Martino ha parlato di «intelligenza artigianale», come riporta ANSA. È una formula efficace. Difendere il lavoro di autori, interpreti e musicisti è un obiettivo che condivido. L’etichetta “artigianale”, però, non garantisce da sola l’originalità di ciò che ascolteremo.
Gli stessi autori: un dato reale, una conclusione da non forzare
Partiamo da un esempio verificabile, senza trasformare un’impressione da divano in una statistica musicale. Nel quadro degli autori di Sanremo 2025 ricostruito da Sky TG24, Federica Abbate risulta coautrice di sei brani effettivamente in gara. Davide Simonetta compare nei crediti di cinque canzoni; Davide Petrella in quelli di tre.
Sono professionisti capaci e richiesti. La loro presenza ripetuta documenta la ricorrenza di alcune firme, non dimostra che le canzoni siano identiche. Un autore può lavorare con interpreti diversi e ottenere risultati molto diversi. Inoltre ci sono percorsi riconoscibili come quelli di Brunori Sas, Lucio Corsi e Simone Cristicchi: descrivere il Festival come un’unica fotocopiatrice sarebbe una caricatura.
Resta una domanda legittima: quanto spazio riescono a trovare sensibilità, linguaggi e autori lontani dai circuiti già affermati? Contare le firme può aprire un’indagine, ma per misurare l’omologazione servirebbero anche analisi di testi, strutture, melodie, arrangiamenti e criteri di selezione. Non ho dati che permettano di dire che “la maggior parte dei brani di Sanremo è uguale”. Ho una provocazione e alcuni indizi da discutere.
L’automazione umana non ha bisogno di un algoritmo
Immaginiamo una ricetta: introduzione breve, emozione riconoscibile, ritornello che arriva puntuale, frase pronta a diventare una caption, crescendo finale. Questa è una caricatura della canzone costruita per piacere, non la descrizione certificata di tutti i brani del Festival.
La chiamo automazione umana in senso metaforico: ripetere scelte collaudate perché riducono il rischio. Il mestiere contiene anche formule, abitudini e vincoli. Succede nella comunicazione, negli articoli, nelle presentazioni aziendali. E può succedere nella musica.
Le convenzioni non sono un difetto in sé. Una struttura familiare può ospitare un’idea bellissima. Quando però il rispetto della formula diventa il criterio dominante, la sorpresa deve chiedere il permesso di entrare.
Su scala più ampia, uno studio di Joan Serrà e colleghi pubblicato nel 2012 su Scientific Reports ha analizzato descrizioni audio di 464.411 registrazioni della musica popolare occidentale, datate tra il 1955 e il 2010. Gli autori hanno rilevato, nel corpus, tendenze alla minore varietà delle transizioni tra altezze e all’omogeneizzazione della tavolozza timbrica, insieme a un aumento del livello sonoro.
È uno studio storico su caratteristiche specifiche del suono. Non misura Sanremo 2027, non valuta la qualità artistica complessiva e non autorizza a liquidare mezzo secolo di musica. Serve a ricordare che la discussione sull’omologazione precede l’AI generativa.
E se l’AI aiutasse qualcuno a uscire dalla formula?
Qui arriva la parte volutamente scomoda. Un artista potrebbe usare l’intelligenza artificiale per mettere in crisi la propria prima idea: esplorare un ritmo insolito, confrontare soluzioni di arrangiamento, trovare un’immagine meno prevedibile, accorgersi che sta riscrivendo sempre la stessa canzone.
Non sto dicendo che questi impieghi siano ammessi a Sanremo: proprio il loro eventuale contributo creativo li rende pertinenti alla clausola del regolamento. Sto ragionando su ciò che lo strumento potrebbe offrire alla ricerca artistica fuori dai limiti di quella gara.
Immagino due richieste opposte. La prima: «Produci una canzone simile ai successi recenti». La seconda: «Aiutami a riconoscere le scelte più prevedibili della mia bozza e a esplorare alternative che io possa sviluppare». Nel primo caso cerco una scorciatoia verso la familiarità. Nel secondo costruisco un confronto, del quale resto responsabile.
Nel mio video “Bollani e la musica creata con Suno” mostro un esperimento con la generazione musicale. È un modo concreto per ascoltare la tecnologia di cui discutiamo. Una dimostrazione delle possibilità di uno strumento non è una prova della sua superiorità artistica.
La ricerca mette in crisi anche la mia provocazione
L’esperimento riguardava racconti brevi. L’accesso a idee generate dall’AI migliorava le valutazioni di creatività, qualità della scrittura e piacevolezza, soprattutto per gli autori inizialmente meno creativi. Tuttavia, i racconti assistiti dall’AI risultavano più simili tra loro. Un vantaggio per il singolo poteva accompagnarsi a una perdita di varietà collettiva.
Non possiamo trasferire automaticamente questi risultati alla composizione musicale o al Festival. Ma sarebbe scorretto promettere che l’AI porti necessariamente novità. Potrebbe aiutare una persona a superare un blocco e contemporaneamente suggerire la stessa soluzione a moltissime altre.
Un successivo preprint del 2025 di Yun Wan e Yoram M. Kalman ha esplorato idee narrative generate attraverso profili diversi, con tratti culturali e stilistici differenti. In quel diverso disegno sperimentale non emergeva la stessa riduzione della diversità dei racconti assistiti. Lo segnalo come risultato preliminare, non come prova definitiva né come studio sulla musica: suggerisce che anche il modo di impostare la collaborazione meriti attenzione.
Per me la provocazione diventa così più interessante: l’AI potrebbe ampliare le possibilità se la usiamo per esplorare differenze; potrebbe restringerle se le chiediamo di replicare ciò che ha già funzionato. È un’ipotesi di lavoro, non una promessa.
Proteggere gli autori e lasciare spazio alla sperimentazione
Capisco la scelta di un concorso che vuole valorizzare il contributo umano. Il regolamento definisce un perimetro, e chi partecipa deve rispettarlo. Mi piacerebbe però che il dibattito pubblico affrontasse anche le domande operative: come distinguere assistenza e sostituzione? Come documentare un processo di lavoro? Dove collocare un suggerimento poi completamente rielaborato?
Personalmente preferirei una discussione che mettesse al centro:
Trasparenza: dichiarare gli strumenti usati e il loro ruolo.
Responsabilità: sapere chi ha scelto, scritto, modificato e approvato il risultato.
Rispetto del lavoro altrui: affrontare consenso, diritti e remunerazione, senza dare per scontato che ogni materiale disponibile possa essere sfruttato liberamente.
Spazio per il rischio artistico: premiare anche proposte che non somigliano a una hit già confezionata.
Sono criteri che propongo per discutere il rapporto tra tecnologia e creatività, non regole già adottate dal Festival. Un eventuale laboratorio fuori gara, dichiarato e con partecipanti consenzienti, potrebbe far ascoltare al pubblico diversi processi creativi e discuterne i risultati.
È un tema vicino a quello che ho affrontato commentando il dossier di Internazionale in “Chi guadagna dalla paura dell’AI?”: valutare rischi e opportunità richiede di guardare anche agli incentivi e alle scelte umane che accompagnano la tecnologia.
Il ritornello che vorrei cambiare
Non so se una canzone assistita dall’AI sarebbe più originale di una scritta senza. Per sostenerlo servirebbero confronti seri, ascolti alla cieca e criteri condivisi. So però che l’origine umana non è un certificato automatico di novità, così come l’origine artificiale non è un certificato automatico di banalità.
La mia provocazione resta questa: se vogliamo difendere la creatività, dobbiamo difendere anche il diritto di sorprenderci. La presenza di esseri umani nel processo è essenziale per il Festival che la Rai vuole organizzare. La loro disponibilità a rischiare determina quanto quel processo possa regalarci qualcosa di inatteso.
Altrimenti potremmo ottenere una canzone perfettamente umana, impeccabilmente artigianale e talmente prevedibile che, per scriverla, l’intelligenza artificiale non sarebbe nemmeno servita.
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.
https://www.gianluigibonanomi.com/wp-content/uploads/2026/10/sanremo-ai-varieta.webp9001600Gianluigi Bonanomihttps://www.gianluigibonanomi.com/wp-content/uploads/2018/10/bonanomi_logo_156.pngGianluigi Bonanomi2026-10-02 22:20:542026-10-02 22:20:54Sanremo vieta l’AI. E se portasse un po’ di varietà?
Il carrello sembra quello della settimana scorsa. Il conto, invece, ha deciso di fare carriera. Quando aumentano bollette, carburanti e alimenti, il problema arriva presto sul tavolo della cucina: che cosa possiamo cambiare nella spesa, senza trasformare ogni acquisto in una tesi di economia?
La cronaca offre un punto di partenza preciso. Il 30 settembre 2026 ANSA ha raccontato l’allargamento del caro prezzi, tra energia e alimentari freschi. Nelle stime preliminari dell’Istituto nazionale di statistica per settembre, l’inflazione italiana sale al 4,2% su base annua. I beni energetici aumentano del 22,3%, gli alimentari non lavorati del 5,5%. Il cosiddetto carrello della spesa, che comprende alimentari e prodotti per la casa e la persona, cresce dell’1,7%.
Dietro l’energia ci sono anche le tensioni internazionali. Nelle proiezioni di settembre 2026 della Banca centrale europea, il conflitto in Medio Oriente e lo shock energetico occupano un posto centrale. La BCE descrive una trasmissione graduale dei rincari energetici alle altre componenti dei prezzi. È un quadro complesso: attribuire ogni aumento al supermercato a una singola guerra sarebbe una scorciatoia.
Spendere di più e comprare di meno: attenzione alla differenza
Quando si parla di “calo della spesa”, bisogna capire che cosa cala. Secondo i dati Istat sul commercio al dettaglio di luglio 2026, rispetto a luglio 2025 le vendite alimentari aumentano dello 0,3% in valore e diminuiscono dell’1% in volume. La fotografia è questa: più euro incassati, meno quantità vendute. Il dato aggregato non racconta le scelte di ogni famiglia e, da solo, non dimostra quale fattore abbia causato ciascuna rinuncia.
ChatGPT non può abbassare l’inflazione. Possiamo però usarlo per organizzare acquisti, confrontare informazioni e individuare sprechi nel nostro budget. Qui propongo quindici esperimenti da fare con lo smartphone, con istruzioni da copiare e risultati da controllare.
Per orientarsi nella lettura degli indicatori: il video Istatalk sull’inflazione, collegato dalla pagina ufficiale Istat. È un approfondimento sulla lettura dei dati, non una dimostrazione di ChatGPT.
Prima di cominciare: una foto e una richiesta precisa
Nella documentazione ufficiale sugli input visivi, OpenAI spiega che un’immagine va accompagnata dalla richiesta: che cosa deve osservare l’AI e quale risultato vogliamo? Uno scontrino caricato senza istruzioni è solo uno scontrino caricato.
Uso la logica del mio metodo G.O.L.: guidare, obiettivo, limiti. Per esempio: “Aiutami a organizzare la spesa; estrai questi prodotti; non inventare le righe illeggibili”. Fotografa il documento su un piano, con luce uniforme, controlla il risultato e oscura i dati personali non necessari. Per prezzi attuali e coupon serve una ricerca web, quando disponibile, oppure una fonte che fornisci tu.
Le quindici immagini seguenti sono illustrazioni originali: le interfacce e gli importi rappresentati sono esempi visivi, non schermate reali di ChatGPT, offerte disponibili o risultati di un test di risparmio.
1. Dallo scontrino alla lista della spesa per reparto
Fotografa lo scontrino e ricava una lista ordinata per reparto.
Uno scontrino precedente può diventare la base per la prossima lista. Chiedi a ChatGPT di estrarre i prodotti, tradurre le abbreviazioni comprensibili e dividerli tra ortofrutta, latticini, dispensa e cura della casa. Poi togli ciò che hai già e aggiungi ciò che manca.
Il passaggio decisivo è l’ultimo: un acquisto passato non è automaticamente un bisogno futuro. La lista serve a rendere esplicite le scelte, non a ricomprare ogni settimana gli stessi prodotti. Se una riga è indecifrabile, deve restare da verificare.
Leggi questo scontrino. Estrai i prodotti e organizza una lista per reparto. Segnala le righe dubbie. Poi chiedimi che cosa ho già a casa prima di creare la lista definitiva.
2. Confrontare gli scontrini senza farsi ingannare dal totale
Per trovare un risparmio confronta prodotti, quantità e prezzi, non soltanto i totali.
Raccogli alcuni scontrini di settimane diverse. Chiedi una tabella con negozio, data, prodotto, quantità, prezzo e sconto. Quando il formato non compare sullo scontrino, aggiungi la foto della confezione. Il confronto deve riguardare prodotti uguali o equivalenti, con differenze dichiarate.
Un conto di 39 euro non è più conveniente di uno di 42 se contiene meno prodotti. Puoi invece individuare acquisti ricorrenti e confrontare il prezzo al chilo o al litro. Un singolo scontrino dà un punto di partenza, non dimostra un risparmio.
Confronta questi scontrini. Abbina solo prodotti confrontabili. Calcola il prezzo unitario quando quantità e formato sono noti. Distingui promozioni e prezzi ordinari. Non dedurre la convenienza dal totale.
3. Cercare coupon che servono davvero
Parti dai prodotti necessari, poi verifica i coupon e le condizioni.
La ricerca dei coupon dovrebbe partire dalla lista, non dalla curiosità per uno sconto. Chiedi a ChatGPT di cercare promozioni sui prodotti che hai deciso di comprare e di riportare il link originale. Controlla nell’app dell’insegna o sul sito indicato scadenza, formato, negozi aderenti, carta fedeltà e spesa minima.
Un codice trovato online non è automaticamente valido alla cassa. E uno sconto che ti spinge a spendere dieci euro in più per risparmiarne due merita almeno un secondo pensiero. Se ChatGPT non può verificare una condizione, deve scriverlo.
Cerca coupon per questi prodotti nella mia zona. Riporta fonte, validità, formato, spesa minima e condizioni. Se non riesci a verificarli, segnala “non verificato”. Non aggiungere prodotti per raggiungere una soglia.
4. Abbinare cibo e vino entro il budget
Fissa prima la spesa massima e chiedi un abbinamento per il piatto previsto.
Se hai già previsto una bottiglia per una cena, puoi chiedere un orientamento partendo dal menu. Specifica ingredienti, condimenti, preferenze e tetto di spesa. Per una bottiglia precisa, fornisci le etichette e i prezzi che trovi sullo scaffale, oppure chiedi una ricerca con disponibilità verificata.
L’utilità è scegliere tra alternative dentro il budget. Non serve trasformare un abbinamento in un acquisto aggiuntivo. Anche usare una bottiglia che possiedi già è una possibilità da mettere sul tavolo.
Per questo menu confronta queste bottiglie, con i prezzi allegati. Budget massimo 12 euro. Spiega l’abbinamento e valuta prima i vini che ho già. Non inventare prezzi o disponibilità.
5. Fare la spesa partendo dal frigorifero
Fotografa ciò che hai già e chiedi ricette con pochi ingredienti mancanti.
Prima del supermercato, apri frigo e dispensa. Scatta foto nelle quali gli alimenti siano riconoscibili e aggiungi quantità, scadenze e contenuto dei contenitori chiusi. ChatGPT può proporti un menu e una lista limitata ai veri ingredienti mancanti.
La foto non rivela quanto riso resta in un barattolo opaco né quando hai aperto una confezione. Conferma l’inventario prima di usare le ricette. Prova una sfida: cinque cene, con non più di cinque prodotti nuovi da acquistare.
Questi sono frigo e dispensa. Elenca ciò che riconosci e chiedimi conferma dei dubbi. Poi proponi cinque cene usando le scorte, con al massimo cinque ingredienti nuovi da comprare.
6. Pianificare il menu con un tetto di spesa
Trasforma il budget in quantità e ingredienti verificabili.
“Fammi risparmiare” è una richiesta vaga. “Pianifica sette cene per quattro persone entro il budget che ti indico” è già più utile. Aggiungi gusti, tempi di preparazione e scorte. Chiedi di riutilizzare gli stessi ingredienti in ricette diverse e di consolidare le quantità nella lista.
Il totale dipende da prezzi reali: una tabella ordinata con numeri inventati rimane una tabella con numeri inventati. Usa volantini, etichette o il carrello del negozio. Se mancano dati, chiedi un preventivo provvisorio e una lista dei prezzi da controllare.
Pianifica sette cene per quattro persone. Budget: 90 euro. Usa queste scorte e questi prezzi. Somma quantità e costi, lascia un margine per imprevisti e segnala le stime da verificare.
7. Organizzare i pasti in base alle scadenze
Trascrivi le indicazioni delle confezioni e programma gli alimenti da usare prima.
Puoi fotografare le etichette e chiedere un calendario dei pasti. Aggiungi quando hai aperto le confezioni e come le hai conservate: sono informazioni che l’immagine, da sola, non contiene.
La spiegazione dell’Autorità europea per la sicurezza alimentare distingue le due indicazioni: “da consumarsi entro” riguarda la sicurezza, “da consumarsi preferibilmente entro” la qualità. Per la prima, aspetto e odore gradevoli non autorizzano il consumo dopo la data. ChatGPT può aiutare con il calendario; una fotografia non certifica che un alimento sia sicuro.
Trascrivi le date e le indicazioni di queste etichette, facendomele confermare. Organizza i pasti dando priorità agli alimenti da usare prima. Non inventare scadenze o giudizi di sicurezza dalla foto.
8. Rendere una ricetta meno costosa
Chiedi alternative indicando che cosa vuoi preservare del piatto.
Allega la ricetta e il costo degli ingredienti. Chiedi tre versioni: una con sostituzioni minime, una più economica e una basata soprattutto sulle scorte. Specifica se vuoi preservare sapore, consistenza, velocità o un ingrediente particolare.
Le sostituzioni vanno motivate. Cambiare un ingrediente caratterizzante può dare un buon piatto diverso, ma non una copia perfetta dell’originale. Fai confrontare il costo per porzione e considera la quantità che utilizzi, distinguendola dal prezzo dell’intera confezione.
Proponi tre versioni meno costose di questa ricetta. Usa i prezzi allegati, calcola il costo per porzione e spiega come cambiano gusto e consistenza. Rispetta queste preferenze e questi ingredienti da escludere.
9. Leggere i volantini con una domanda precisa
Seleziona le offerte che corrispondono alla lista e controlla le condizioni.
Su DoveConviene puoi consultare volantini e promozioni dei negozi della tua zona. È un complemento utile: il servizio presenta le offerte, ChatGPT può aiutarti a leggerle rispetto alla tua lista. Allega le pagine pertinenti e indica punto vendita e periodo di validità.
Chiedi di includere eventuali limiti di quantità e tessere richieste. Se confronti più negozi, fai considerare anche spostamento e tempo. Attraversare la città per uno sconto molto piccolo non è automaticamente una buona operazione.
Confronta questi volantini con la mia lista. Seleziona solo gli acquisti necessari e mostra prezzo unitario, validità e condizioni. Calcola il risparmio solo sui prodotti confrontabili e sottrai questi costi di spostamento.
10. Scegliere la confezione usando il prezzo unitario
Confronta €/kg, €/litro o costo per utilizzo, secondo il prodotto.
Fotografa prezzo e quantità di due confezioni. Chiedi il calcolo del costo unitario e controllalo. Per un detersivo, oltre ai litri, considera dosaggio e numero di lavaggi dichiarati: due prodotti con concentrazioni diverse non sono confrontabili soltanto dal volume.
Esempio puramente aritmetico: 500 grammi a 1,40 euro equivalgono a 2,80 euro al chilo; 750 grammi a 1,95 euro equivalgono a 2,60 euro al chilo. Il secondo formato costa meno per unità, ma la scelta dipende anche da quanto utilizzerai davvero.
Calcola il costo unitario di queste confezioni. Mostra formula e risultato. Poi chiedimi il consumo abituale e valuta se il formato maggiore è utile o rischia di lasciarmi prodotto inutilizzato.
11. Dare un secondo menu agli avanzi
Parti dalle quantità rimaste e limita gli ingredienti da aggiungere.
Dopo cena puoi descrivere ciò che resta e chiedere tre proposte per il giorno seguente. Comunica quantità, ingredienti e conservazione. L’obiettivo è trovare una preparazione realistica con poche aggiunte, non una ricetta che richiede una seconda spesa.
Come complemento puoi valutare Too Good To Go: la sua app permette di prenotare eccedenze alimentari, come le Surprise Bag, e ritirarle negli orari indicati. Dopo il ritiro, puoi fornire a ChatGPT il contenuto effettivo per organizzare i pasti. Controlla prima quantità utilizzabili, esigenze alimentari e costo del tragitto.
Questi sono gli avanzi, le quantità e le informazioni sulla conservazione. Se mancano dati rilevanti chiedimeli. Proponi tre preparazioni con al massimo due ingredienti nuovi. Non dichiarare sicuro un alimento dalla foto.
12. Confrontare il piatto pronto con la preparazione in casa
Metti a confronto porzioni, costo degli ingredienti e tempo necessario.
“Fatto in casa costa meno” non deve diventare una risposta automatica. Per il tuo caso chiedi un confronto con porzioni equivalenti, costo degli ingredienti utilizzati, energia stimata e tempo. Distingui il costo della ricetta dall’esborso per comprare tutte le confezioni.
Per l’energia servono consumo in kWh e tariffa. Se non li conosci, ChatGPT può mostrare scenari con ipotesi dichiarate. Anche il tempo ha un peso nella scelta: una soluzione economica che non riesci a preparare durante la settimana resta sulla carta.
Confronta questo piatto pronto con la ricetta casalinga per porzioni equivalenti. Usa i prezzi forniti. Se mancano consumi energetici, mostra ipotesi esplicite. Separa costo consumato, spesa iniziale e tempo.
13. Recuperare budget dagli abbonamenti poco utilizzati
Allarga l’analisi al budget familiare e valuta le spese ricorrenti.
Qui usciamo dal supermercato, ma restiamo nel portafoglio. Elenca gli abbonamenti con costo effettivo, rinnovo e frequenza d’uso. Chiedi un riepilogo annuale e il costo per utilizzo, poi decidi quali mantenere. Aggiungi impegni contrattuali e servizi che consideri essenziali.
Non lasciare che l’AI cancelli qualcosa soltanto perché lo usi poco: potrebbe avere un valore che i numeri non descrivono. Il confronto serve a rendere consapevole la decisione e a capire se esistono spese da ridurre prima di tagliare il budget dei pasti.
Analizza questi abbonamenti e il loro utilizzo. Calcola costo annuale e costo per utilizzo. Evidenzia quelli da valutare, rispettando le mie priorità. Segnala vincoli mancanti e non procedere a disdette.
14. Fermare l’acquisto impulsivo prima della cassa
Chiedi domande critiche prima di cercare una giustificazione all’acquisto.
Quando un prodotto ti tenta, prova a usare ChatGPT come interlocutore critico. Deve chiederti quale problema risolve, se possiedi già un’alternativa e quali costi aggiuntivi comporta. È un esercizio, non un metodo con risparmi garantiti.
Se decidi comunque di comprare, un comparatore come Trovaprezzi.it può integrare la ricerca delle offerte online. Confronta il modello esatto e il costo complessivo con spedizione. Un prezzo più basso per un prodotto che non ti serve rimane una spesa.
Vorrei comprare questo prodotto. Non darmi subito ragione. Fammi cinque domande su necessità, alternative già disponibili, utilizzo e costi aggiuntivi. Poi confrontiamo comprare, aspettare e rinunciare.
15. Far preparare la spesa online a un agente ChatGPT
L’agente prepara il carrello; tu controlli prodotti, consegna e totale prima dell’acquisto.
Fin qui abbiamo chiesto consigli e confronti. Un agente con accesso al browser può anche provare a lavorare sul sito del negozio: cercare i prodotti, scegliere i formati e predisporre il carrello. La documentazione ufficiale sul browser di ChatGPT Work descrive la possibilità di operare sui siti, ma precisa che disponibilità e accesso dipendono dalla configurazione e che alcuni siti possono bloccare l’automazione. Non è una promessa di compatibilità con ogni supermercato.
La delega va circoscritta: negozio, lista, budget, sostituzioni consentite, quantità e consegna. L’autonomia riguarda la preparazione; la documentazione prevede la tua conferma prima del pagamento. Se l’accesso non riesce, puoi comunque usare l’elenco preparato per completare manualmente il carrello.
Se la funzione è disponibile, prepara un carrello su questo sito con la lista allegata. Budget massimo 80 euro, consegna inclusa. Chiedimi prima di sostituire prodotti. Mostra articoli, quantità, condizioni e totale. Fermati prima del pagamento.
Come capire se stai risparmiando davvero
Per una settimana prova soltanto due attività: inventario prima della spesa e confronto dei prodotti ricorrenti. Annota prezzo, quantità, acquisti non previsti e alimenti rimasti inutilizzati. Poi ripeti il controllo. Se cambia il menu o il numero di persone, segnalo: non avrebbe senso attribuire all’AI un risparmio ottenuto comprando meno cibo per altri motivi.
Per ogni scelta confrontabile puoi usare questo schema: costo dell’alternativa che avresti realmente acquistato, meno costo della scelta effettuata, meno spese aggiuntive. Tieni separati gli acquisti evitati e non conteggiare due volte lo stesso sconto. Se usi servizi a pagamento, considera anche quel costo.
Il consiglio che darei a chi vuole iniziare è molto concreto: fotografa la dispensa, carica due scontrini e chiedi una lista migliore per la prossima spesa. Puoi misurare il risultato al supermercato e a casa. Per una volta, l’AI può essere utile anche senza scrivere una poesia sulle zucchine.
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.
https://www.gianluigibonanomi.com/wp-content/uploads/2026/10/copertina-risparmiare-spesa-chatgpt.webp9001600Gianluigi Bonanomihttps://www.gianluigibonanomi.com/wp-content/uploads/2018/10/bonanomi_logo_156.pngGianluigi Bonanomi2026-10-02 05:25:292026-10-02 05:29:02Come risparmiare sulla spesa con ChatGPT: 15 idee pratiche, dagli scontrini agli agenti AI
Una sentenza con dentro il commento del chatbot. È difficile immaginare un modo più efficace per alimentare il dibattito sull’intelligenza artificiale nei tribunali. Mancava soltanto «Vuoi che te la trasformi anche in una presentazione?».
Eppure, leggendo le parole rimaste nel documento, ho avuto una reazione diversa da quella suggerita dall’imbarazzo della vicenda: l’incarico affidato all’AI potrebbe essere stato sensato. E potrebbe esserci stato anche un discreto prompt.
Quel “potrebbe” va preso sul serio. Non conosciamo le istruzioni originali, il testo di partenza o la conversazione completa. Possiamo però analizzare il lavoro che il sistema dichiara di avere svolto. E distinguere la qualità dell’incarico dalla qualità del controllo finale.
Nel PDF del provvedimento ripubblicato da Terzultima Fermata si legge che la sentenza n. 981/2026 è stata depositata il 17 febbraio 2026. È una decisione collegiale relativa all’impugnazione di un preavviso di fermo amministrativo. Il ricorso viene rigettato e le spese compensate. Quindi parliamo di una vicenda emersa nella cronaca di settembre, non di una sentenza appena pronunciata.
A pagina 3, prima della motivazione, compare questa frase:
«Perfetto. Ho eliminato duplicazioni, snellito le parti ridondanti».
Il passaggio prosegue descrivendo l’accorpamento di argomenti ripetitivi, il miglioramento dei collegamenti logici e una sistemazione della parte finale coerente con la compensazione delle spese.
La presenza di questo commento è un indizio molto forte di una rielaborazione tramite AI. Non identifica però il prodotto utilizzato, chi abbia materialmente interagito con il sistema o quanto del ragionamento sia stato affidato alla macchina.
Le parole dell’AI suggeriscono un incarico sensato
Mi interessa soprattutto il tipo di lavoro descritto. Eliminare duplicazioni presuppone materiale da rivedere. Snellire significa intervenire su un testo. Accorpare passaggi ripetitivi riguarda l’organizzazione. Migliorare i raccordi logici riguarda la leggibilità dell’argomentazione.
Questi sono indizi compatibili con una richiesta di revisione di una bozza già esistente. Un incarico molto più circoscritto rispetto a chiedere al chatbot di stabilire l’esito di una controversia.
Per chi lavora sui testi, la distinzione è decisiva. Un professionista può avere già elaborato contenuti, verificato fonti e formulato una decisione, ma aver bisogno di un aiuto per esprimere tutto con maggiore chiarezza. Usare un assistente per individuare ridondanze e proporre una struttura migliore ha una logica professionale comprensibile.
Questo è il motivo per cui vedo nella frase un possibile buon uso dell’AI: un compito definito, operazioni concrete, attenzione alla coerenza del documento. Il sistema descrive un intervento riconoscibile, che il professionista dovrebbe poter controllare confrontando prima e dopo.
Naturalmente è possibile anche un’altra sequenza: una bozza generata dall’AI e poi nuovamente rielaborata dall’AI. Il commento finale non permette di escluderla. Per questo possiamo valutare positivamente il tipo di incarico descritto, senza certificare il processo seguito.
Un discreto prompt? È un’ipotesi plausibile, non una prova
Nei miei corsi sul metodo G.O.L., basato su guida, obiettivo e limiti, insisto sulla necessità di definire il lavoro che vogliamo ottenere. “Migliora questo testo” lascia molto spazio al sistema. Chiedere di individuare ripetizioni e proporre accorpamenti rende l’incarico più preciso e verificabile.
La risposta rimasta nella sentenza è compatibile con questa seconda impostazione. Potrebbero esserci state istruzioni mirate; potrebbe esserci stato uno scambio di revisioni successive. Oppure il chatbot potrebbe avere scelto autonomamente quelle operazioni dopo una richiesta generica.
La precisione della risposta non dimostra la precisione del prompt. È però sufficiente per proporre una lettura meno automatica della vicenda: prima di dedurre che il giudice abbia delegato la decisione, bisognerebbe conoscere ciò che ha effettivamente chiesto.
Quando “sistemare il testo” può cambiare il ragionamento
C’è un dettaglio che richiede più cautela: il riferimento alla coerenza tra la parte finale e la compensazione delle spese. Se quella scelta era già stata assunta dal collegio, chiedere di conservarne la coerenza nel testo può essere ragionevole. Se invece il sistema ha introdotto o modificato la relativa giustificazione, l’intervento tocca la sostanza.
Anche una revisione apparentemente stilistica può incidere sul significato. Una riserva eliminata perché considerata ridondante può cambiare la portata di un’affermazione. Un collegamento aggiunto può far apparire dimostrato un passaggio che nel testo originale era soltanto ipotizzato.
Il confine va quindi protetto con istruzioni precise e verificato dopo la risposta. “Rendi più fluido” non autorizza a rendere più categorico. “Accorpa” non autorizza a cancellare una distinzione rilevante.
L’AI nella giustizia: assistenza e responsabilità
Il principio è espresso nell’articolo 15 della legge 23 settembre 2025, n. 132: le decisioni sull’interpretazione e applicazione della legge, sulla valutazione di fatti e prove e sull’adozione dei provvedimenti restano riservate al magistrato. Questo principio, da solo, non certifica la conformità dello strumento o del procedimento usato a Palermo.
Anche le indicazioni della magistratura di Inghilterra e Galles richiamano la responsabilità personale per i materiali prodotti e la necessità di verificare le informazioni. Ricordano inoltre che buone istruzioni non eliminano il rischio di risposte inesatte.
Questi documenti aiutano a valutare un metodo. Non consentono di dichiarare corretto il singolo caso senza conoscerne il processo di lavoro.
Il prompt che userei per una revisione controllabile
Non è il prompt del giudice. È un esempio didattico costruito a partire dal tipo di intervento descritto, da usare esclusivamente con strumenti autorizzati e contenuti trattabili nel relativo ambiente:
Agisci come revisore linguistico di una bozza giuridica. Il tuo compito è proporre miglioramenti di chiarezza e organizzazione, preservando il contenuto.
Individua duplicazioni e passaggi ridondanti. Proponi accorpamenti e raccordi, senza introdurre nuovi argomenti. Non modificare fatti, date, importi, riferimenti normativi, citazioni, valutazioni delle prove, esito o decisione sulle spese.
Se un intervento può cambiare il significato giuridico, segnala il problema e chiedi una valutazione umana. Non risolvere autonomamente contraddizioni sostanziali.
Restituisci una tabella con passaggio originale, modifica proposta e motivo. Attendi la mia approvazione prima di produrre una versione riveduta. Mantieni separati il testo e i commenti di lavoro.
La tabella rende visibili le modifiche. I limiti circoscrivono l’incarico. L’approvazione permette di esaminare gli interventi prima di incorporarli. Sono aiuti al controllo, non garanzie automatiche di fedeltà.
Il controllo finale fa parte della competenza
La mia lettura della vicenda è questa: il lavoro descritto dall’AI sembra sensato; il documento depositato mostra una falla evidente nella revisione finale.
Lasciare nel provvedimento il commento del chatbot è un errore serio. Non dimostra, da solo, che la decisione sia stata delegata all’AI o che tutta la motivazione sia sbagliata. Ma legittima domande sul controllo esercitato sul testo. Non possiamo ricavarne che nessuno abbia letto nulla; possiamo constatare che quel passaggio è arrivato fino al deposito.
La lezione riguarda anche chi prepara una relazione aziendale, una delibera o un documento per un cliente. Saper assegnare un buon incarico all’AI è soltanto una parte della competenza. Il resto consiste nel verificare che cosa abbia cambiato e assumersi la responsabilità del risultato.
Un discreto prompt può essere un buon inizio. La firma arriva dopo il controllo.
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.
https://www.gianluigibonanomi.com/wp-content/uploads/2026/10/giudice-palermo-ai-cover.webp9001600Gianluigi Bonanomihttps://www.gianluigibonanomi.com/wp-content/uploads/2018/10/bonanomi_logo_156.pngGianluigi Bonanomi2026-10-01 07:45:152026-10-01 07:45:15Il giudice di Palermo e l’AI: forse il prompt era buono. Il copia e incolla, certamente no
Immaginate una pubblicità: «Il nostro prodotto potrebbe cancellare l’umanità. Il piano Premium costa un po’ di più».
Con un frigorifero, probabilmente, chiameremmo le autorità. Con l’intelligenza artificiale, rischiamo di chiamare il consulente finanziario per chiedergli come investire nel produttore.
È questo cortocircuito che mi interessa. Quando chi costruisce una tecnologia ci avverte che potrebbe distruggere il mondo, sta denunciando un pericolo, comunicando una potenza straordinaria o facendo entrambe le cose?
E merita qualcosa di meglio del solito derby tra «siamo tutti morti» e «sono tutte sciocchezze».
Sei articoli e una stessa domanda: quanto è vicino il disastro?
Questi sono sei articoli verificati, con i titoli originali e i collegamenti. Raccontano allarmi, scenari e discussioni sul rischio di estinzione: non sono sei prove indipendenti che l’estinzione avverrà.
Una precisazione conta: «potrebbe causare l’estinzione» è una valutazione di rischio; «ci ucciderà tutti» è una previsione categorica. Passare dalla prima alla seconda rende il titolo più spettacolare e il ragionamento meno preciso.
Il marketing dell’apocalisse: se può distruggere tutto, deve essere potentissima
Da formatore e consulente di comunicazione digitale, vedo una possibile dinamica: il racconto della minaccia può diventare anche il racconto della potenza.
Se dico che un software riassume bene una riunione, sto vendendo un’utilità. Se dico che potrebbe sostituire l’umanità, gli attribuisco un ruolo nella storia della specie.
La paura e l’entusiasmo sembrano agli antipodi, ma possono condividere una premessa: questa tecnologia sta per diventare enormemente potente. Cambia il giudizio morale; resta la promessa di una trasformazione gigantesca.
La mia ipotesi è che l’allarme possa produrre almeno tre effetti commerciali: rendere un’azienda centrale nel dibattito, far apparire strategici i suoi investimenti e presentare il produttore come l’interlocutore necessario per gestire il pericolo.
Attenzione al verbo: può. Per affermare che una specifica denuncia sia stata progettata dal marketing servirebbero prove di coordinamento, documenti, istruzioni o testimonianze verificabili. Nelle fonti consultate non ho trovato prove sufficienti per questa accusa.
Un effetto pubblicitario può esistere anche quando nessuno ha organizzato una campagna. E una preoccupazione sincera può avere effetti economici favorevoli a chi viene criticato.
Guerriglia marketing? Preferisco chiamarlo marketing della paura
La formula «guerriglia marketing» è suggestiva, soprattutto davanti a dimissioni clamorose e dichiarazioni virali. Però rischia di farci immaginare una regia occulta prima di averla dimostrata.
Parlerei piuttosto di marketing della paura, come chiave di lettura degli effetti comunicativi. Il messaggio implicito può diventare: il prodotto è così avanzato da essere pericoloso; il produttore è così responsabile da avvertirci; per renderlo sicuro serviranno altre risorse.
È uno schema che si presta a una battuta: «Abbiamo creato il mostro, ma siamo anche quelli con il numero del veterinario».
La battuta descrive un paradosso. Non dimostra che il mostro sia inventato o che il veterinario sia in malafede.
C’è, invece, una base empirica per parlare di attenzione. Lo studio Negativity drives online news consumption, pubblicato su Nature Human Behaviour nel 2023, ha analizzato circa 105.000 varianti di titoli in esperimenti di Upworthy. Per un titolo di lunghezza media, una parola negativa aggiuntiva aumentava il tasso di clic del 2,3% in termini relativi.
Lo studio riguarda quel contesto editoriale, non le intenzioni di OpenAI o Anthropic e nemmeno l’efficacia commerciale dei loro allarmi. Ma aiuta a capire perché un possibile sterminio abbia ottime possibilità di trovare spazio nel nostro feed. «Il chatbot gestisce correttamente i permessi» parte svantaggiato.
La paura è entrata anche nel prospetto per la Borsa
Qui il collegamento economico è concreto. Reuters ha esaminato il prospetto riservato di Anthropic e riferisce che contiene avvertenze su rischi catastrofici o esistenziali. Riporta anche la convinzione dell’azienda che il mercato premierà sistemi affidabili e sicuri.
Non ho consultato direttamente quel prospetto: questa è una ricostruzione giornalistica basata sul documento visionato da Reuters. E la preparazione di una quotazione non equivale a una quotazione già avvenuta.
Il paradosso, però, è notevole: la sicurezza può essere contemporaneamente una necessità tecnica e un argomento di posizionamento. Il rischio può giustificare prudenza e, nella narrazione di un’azienda, rendere strategica la sua capacità di gestirlo.
Sarebbe comunque scorretto trattare ogni avvertenza agli investitori come uno spot. Il modulo S-1 della Securities and Exchange Commission prevede espressamente informazioni sui fattori di rischio. Comunicarli risponde anche a esigenze di trasparenza nella raccolta di capitali.
Inoltre, l’allarme può spaventare clienti, attirare controlli e mettere in difficoltà un’operazione finanziaria. Non è una leva che produce automaticamente vantaggi.
Quindi l’ipotesi, «tengono alta l’attenzione per giustificare investimenti e valutazioni», merita un’indagine. La frase «lo fanno apposta per gonfiare la quotazione» richiede prove ulteriori.
Tra un sospetto intelligente e una certezza comoda c’è parecchio lavoro giornalistico.
Ma questi ricercatori non hanno firmato degli NDA?
La domanda sugli accordi di riservatezza è legittima. La risposta, però, non può essere: «Se parlano, significa che l’azienda vuole farli parlare».
Un accordo di riservatezza e una clausola che vieta di criticare il datore di lavoro non coincidono. Per sapere che cosa un ricercatore possa divulgare bisogna conoscere contratto, contenuto della dichiarazione e norme applicabili. Un’opinione generale sul futuro dell’AI e la pubblicazione di documenti interni non sono la stessa condotta.
Questo non significa che tutti gli NDA siano stati cancellati. Significa che l’idea di un divieto immutabile e universale di critica è troppo semplice.
E proprio i ricercatori hanno denunciato la difficoltà di parlare. Nella lettera A Right to Warn del 4 giugno 2024, dipendenti ed ex dipendenti dei laboratori chiedevano canali indipendenti e protezioni dalle ritorsioni. Sostenevano che le tutele ordinarie fossero insufficienti per rischi non ancora regolati.
Quel documento è una richiesta pubblica, non una legge che realizza automaticamente quelle protezioni. Ma documenta una disputa tra riservatezza, interessi economici e responsabilità verso il pubblico.
Il fatto che qualcuno parli, dunque, non prova che sia libero da vincoli. E non prova che stia recitando una parte assegnata dall’azienda.
Una denuncia sincera può comunque alimentare l’hype
È forse il passaggio più interessante: non serve immaginare che tutti mentano.
Un ricercatore può credere davvero nel rischio. Un giornale può scegliere davvero la notizia che ritiene più importante. Un investitore può leggere davvero quella notizia come un segnale della potenza della tecnologia. L’effetto complessivo può essere un aumento dell’attenzione anche senza una cabina di regia.
Il messaggio «ci potrebbe distruggere» diventa, nella testa di un altro interlocutore, «allora deve valere moltissimo».
Per questo distinguerei le intenzioni delle persone dagli incentivi del sistema. Le prime vanno documentate. I secondi si possono analizzare senza trasformare ogni ex dipendente in un agente pubblicitario sotto copertura.
E applicherei lo stesso criterio a chi minimizza: anche l’ottimismo può avere convenienze professionali ed economiche. Il conflitto di interessi è una ragione per chiedere verifiche, non una scorciatoia per decidere chi abbia torto.
La scienza ha dimostrato che ci estingueremo?
No. Esistono preoccupazioni autorevoli, studi su comportamenti pericolosi e scenari di perdita di controllo. Sono elementi diversi, con pesi diversi.
Nel 2023 il Center for AI Safety pubblicò una dichiarazione sul rischio di estinzione, firmata tra gli altri da Geoffrey Hinton, Yoshua Bengio, Sam Altman, Demis Hassabis e Dario Amodei. Chiedeva di considerare la mitigazione del rischio una priorità globale. È un appello: non una dimostrazione sperimentale che l’estinzione sia inevitabile.
Geoffrey Hinton sui rischi dell’AI: l’intervista a 60 Minutes
Per ascoltare direttamente uno degli studiosi che lanciano l’allarme, ecco l’intervista a Geoffrey Hinton pubblicata dal canale ufficiale di 60 Minutes nel 2023. È un intervento da valutare nei suoi argomenti, senza trasformare l’autorevolezza dello scienziato in una certezza sul futuro.
Lo studio Thousands of AI Authors on the Future of AI, poi pubblicato sul Journal of Artificial Intelligence Research nel 2025, raccoglie le valutazioni di 2.778 ricercatori. A seconda della domanda, dal 38% al 51% dei rispondenti attribuiva almeno il 10% di probabilità a esiti gravi quanto l’estinzione umana.
Non significa che «la scienza ha calcolato il rischio al 10%». Significa che una parte consistente del campione esprimeva quella valutazione soggettiva. Le opinioni degli esperti contano; non si trasformano automaticamente in una misura osservata del futuro.
Ci sono poi esperimenti più concreti. Nel lavoro Agentic Misalignment del 2025, Anthropic testò modelli in ambienti simulati, osservando anche ricatti e fughe di informazioni. Erano scenari costruiti per mettere sotto pressione i sistemi.
Il successivo rapporto dell’estate 2026 presenta altri casi sperimentali e precisa che quei casi non sono incidenti avvenuti nel mondo reale. Sono segnali di possibili modalità di fallimento da studiare e mitigare.
Non li liquiderei come teatro: un test di sicurezza serve proprio a cercare problemi prima che provochino danni. Ma tra un comportamento emerso in uno scenario sperimentale e l’estinzione umana bisogna descrivere tutti i passaggi. Saltarli rende più facile il titolo e più difficile capire il rischio.
Il futuro della specie non dovrebbe cancellare il presente delle persone
Un’altra critica merita spazio. Nel paper The TESCREAL bundle, pubblicato su First Monday nel 2024, Timnit Gebru ed Émile P. Torres analizzano le ideologie che accompagnano il progetto dell’intelligenza artificiale generale e criticano il modo in cui le promesse di salvezza possono contribuire a concentrare potere e sottrarre responsabilità.
È una lettura critica degli autori, non una prova che ogni allarme sia falso. Offre però una domanda utile: quando discutiamo della sopravvivenza di un’umanità futura, quali persone presenti rischiano di sparire dalla discussione?
Vorrei che il confronto includesse anche chi risponde degli errori, quali dati vengono utilizzati, quanto controllo mantengono i lavoratori e chi può verificare le decisioni dei sistemi. Ho già affrontato questa distinzione nell’articolo AIpocalypse: la fine del mondo può attendere. Rendere visibili le responsabilità di oggi aiuta a discutere con maggiore concretezza anche i rischi di domani.
Il rischio esistenziale merita studio. Non dovrebbe diventare una scenografia così imponente da nascondere tutto il resto.
Se ci credete davvero, mostrateci che cosa siete disposti a perdere
La domanda più utile per chi annuncia il disastro è molto concreta: quale comportamento cambia dopo l’annuncio?
Vorrei verifiche indipendenti, accesso sufficiente per gli auditor, protezioni per chi segnala problemi e criteri pubblici per interrompere un rilascio. Vorrei sapere chi può dire «stop» e quali conseguenze economiche l’azienda è disposta ad accettare.
È una richiesta che mette alla prova tanto la sincerità dell’allarme quanto la solidità della risposta. Una denuncia che impone costi verificabili a chi la pronuncia è più informativa di una dichiarazione solenne seguita da un calendario commerciale indisturbato.
La mia lettura è questa: la retorica dell’AI che ci ucciderà tutti può funzionare come una potente pubblicità, anche involontaria. Può trasformare il pericolo in prestigio, la prudenza in posizionamento e la sicurezza in un argomento per ottenere risorse.
Non ho prove per sostenere che gli ex ricercatori di OpenAI e Anthropic partecipino a una campagna coordinata. Ho ragioni per chiedere che allarmi così grandi siano accompagnati da prove, limiti dichiarati e impegni controllabili.
Se il vostro prodotto potrebbe farci fuori, spiegateci come avete deciso di fermarlo.
Il link per investire può aspettare.
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.
https://www.gianluigibonanomi.com/wp-content/uploads/2026/10/ai-marketing-paura-bonanomi.webp9001600Gianluigi Bonanomihttps://www.gianluigibonanomi.com/wp-content/uploads/2018/10/bonanomi_logo_156.pngGianluigi Bonanomi2026-10-01 06:20:382026-10-01 06:22:34«L’AI ci ucciderà tutti». È un allarme o il miglior spot di sempre?
La vecchia battuta descrive male la competizione nell’intelligenza artificiale: la Cina produce ricerca originale, offre numerosi modelli a pesi aperti e guida le installazioni di robot industriali. Gli Stati Uniti conservano vantaggi importanti, mentre l’Europa contribuisce con modelli, robotica e tecnologie per i semiconduttori. I confronti e le fonti sono approfonditi qui sotto.
Di Gianluigi Bonanomi. Verifica delle fonti: 1 ottobre 2026. Le date dei dati e degli esperimenti sono indicate nel testo.
Per anni abbiamo riassunto la geopolitica dell’innovazione con una battuta: l’America crea, la Cina copia, l’Europa regolamenta. Tre continenti, tre mestieri. La Silicon Valley inventa il futuro, Shenzhen lo riproduce a prezzo più basso, Bruxelles prepara il modulo per autorizzarlo.
Era una caricatura, naturalmente. Ma aveva un vantaggio: permetteva di sentirsi informati senza dover studiare troppo. Oggi quel vantaggio è diventato il suo difetto principale.
Provate a spiegare con quella frase un laboratorio cinese che pubblica su Nature una ricerca sul ragionamento dei modelli. Oppure un gruppo di Stanford che sviluppa capacità robotiche con il supporto hardware di Unitree. Oppure ASML, azienda olandese che produce sistemi fondamentali per fabbricare semiconduttori avanzati. Chi inventa? Chi copia? Chi rende possibile il lavoro degli altri?
L’intelligenza artificiale ci costringe a sostituire quella divisione del lavoro con una mappa più articolata. La mia tesi è questa: la Cina è ormai un produttore di innovazione originale e un protagonista dei modelli aperti; nella diffusione della robotica industriale possiede un primato misurabile. Questo non dimostra che sia prima in ogni forma di AI.
Prima di chiedere chi è avanti, decidiamo che cosa misuriamo
Un Paese può avere i migliori modelli per un determinato benchmark e dipendere dall’estero per i chip. Può installare moltissimi robot senza aver inventato tutti i loro componenti. Può produrre ricerca eccellente e riuscire meno bene a trasformarla in aziende globali.
Conviene distinguere almeno cinque competizioni: qualità dei modelli, disponibilità di sistemi aperti, infrastruttura di calcolo, capacità di industrializzazione e risultati economici delle applicazioni. La regolamentazione attraversa tutte queste dimensioni: non è un mestiere riservato a un continente.
Anche la parola “Europa” va usata con precisione. Un’azienda francese opera nell’Unione europea; un laboratorio svizzero è europeo, ma non appartiene all’UE. E un progetto può combinare ricercatori americani, hardware cinese e tecnologie europee.
Una fotografia documentata, con le date in vista
L’AI Index 2026 dello Stanford Institute for Human-Centered Artificial Intelligence conta 59 modelli rilevanti sviluppati negli Stati Uniti nel 2025 e 35 in Cina. Nello stesso quadro, la Cina guida per volume di pubblicazioni, citazioni e brevetti concessi; gli Stati Uniti conservano un vantaggio nei brevetti a maggiore impatto. Quantità di ricerca e qualità della ricerca, dunque, richiedono misure diverse.
Il capitolo sulle prestazioni tecniche descrive un forte restringimento della distanza tra modelli americani e cinesi. Nel confronto riportato a marzo 2026, il primo modello statunitense aveva un vantaggio del 2,7% nella metrica utilizzata. Ma sarebbe scorretto tradurlo in “è il 2,7% più intelligente”: è un risultato di classifica, dipendente dal metodo e dal campione. Non è neppure una classifica aggiornata a ottobre.
Il capitolo economico dello stesso rapporto mantiene gli Stati Uniti nettamente davanti negli investimenti privati. Avverte però che questa misura sottostima il finanziamento complessivo cinese, perché non rappresenta adeguatamente il ruolo dei fondi pubblici.
Possiamo già scartare due scorciatoie: “la Cina si limita a copiare” e “gli Stati Uniti hanno perso ogni vantaggio”. I dati non sostengono nessuna delle due.
DeepSeek: la prova che l’innovazione cinese non è soltanto commerciale
Quando ho scritto di DeepSeek come alternativa ai chatbot americani, la domanda naturale era: quanto è bravo questo nuovo concorrente? Oggi bisogna aggiungerne un’altra: quali idee sta introducendo?
Il rapporto tecnico di DeepSeek-V3, pubblicato inizialmente nel dicembre 2024, descrive un modello Mixture of Experts: 671 miliardi di parametri complessivi, circa 37 miliardi attivati per ogni token. In termini semplici, non mobilita tutta la sua capacità a ogni passaggio. Il progetto combina questa scelta con la Multi-head Latent Attention, che riduce il peso della memoria dell’attenzione, e con soluzioni per distribuire meglio il lavoro tra gli esperti.
La cifra dei 5,576 milioni di dollari, spesso trasformata nel costo di “tutta DeepSeek”, va letta correttamente. Il paper la calcola per l’addestramento ufficiale di V3, ipotizzando due dollari per ora di GPU H800 ed escludendo esplicitamente ricerca preliminare ed esperimenti di ablazione. Non è il bilancio totale dell’azienda e non è il costo complessivo di R1.
Il risultato interessante rimane: innovare significa anche ottenere più prestazioni dal calcolo disponibile. Progettazione del modello, gestione della memoria e organizzazione dell’infrastruttura fanno parte dell’invenzione.
La ricerca mostra come incentivare capacità di ragionamento attraverso l’apprendimento per rinforzo, soprattutto dove esistono risposte verificabili: matematica, programmazione, problemi scientifici. Il sistema riceve un segnale di ricompensa per i risultati e sviluppa strategie più efficaci. Non significa che impari dal nulla: parte da un modello preaddestrato. Inoltre, R1-Zero e R1 seguono percorsi diversi; il secondo include anche dati iniziali e fasi supervisionate.
È una distinzione essenziale. Raccontare che “un’AI cinese ha imparato da sola senza dati” sarebbe un’altra leggenda. Ma liquidare il lavoro come copia impedirebbe di vedere un contributo scientifico reale.
Il seguito del 2026: efficienza, memoria e multimodalità
Il caso non si è fermato a R1. Il 10 settembre 2026 DeepSeek ha annunciato V4.1-Flash, con comprensione visiva nativa e un’architettura asimmetrica. L’azienda dichiara 552 miliardi di parametri totali, con 8 miliardi attivi per l’ingresso e 16 per l’uscita, oltre a una riduzione della memoria della cache rispetto alla generazione precedente.
Sono caratteristiche e risultati dichiarati dal produttore: non bastano a proclamare un vincitore mondiale. Mostrano però dove si combatte: costo di esecuzione, memoria, velocità e capacità degli agenti, oltre alla qualità della risposta.
Modelli aperti: la Cina può essere avanti senza vincere ogni benchmark
Per capire questa partita bisogna distinguere open source e open weights, cioè pesi disponibili.
Scaricare i pesi consente di eseguire un modello su un’infrastruttura scelta dall’utilizzatore e, nei limiti della licenza, modificarlo. Ma non equivale a conoscere tutto il processo con cui è stato costruito.
La Open Source AI Definition 1.0 dell’Open Source Initiative richiede libertà di utilizzo, studio, modifica e condivisione, insieme alle componenti necessarie per modificarlo: informazioni sufficienti sui dati, codice e parametri. Non impone semplicisticamente di pubblicare ogni dato grezzo, ma richiede trasparenza sostanziale. Una licenza Apache sui pesi, da sola, non prova che l’intero sistema soddisfi questa definizione.
Per questo è più preciso parlare, in molti casi, di modelli a pesi aperti.
Il vantaggio possibile è strategico: il modello che molti sviluppatori possono adattare può diventare una base comune, anche quando un concorrente chiuso supera le sue prestazioni su alcuni test. Questa è un’interpretazione della dinamica competitiva, non una misura già acquisita del dominio cinese.
Immaginiamo una PMI che voglia interrogare i propri manuali senza inviarli a un servizio esterno. Oppure un produttore che debba adattare l’AI al lessico dei suoi macchinari. Un modello scaricabile offre una possibilità diversa dall’accesso a un chatbot. Restano i costi di server, integrazione, manutenzione e controllo dei risultati: “aperto” non significa “gratis da gestire”.
Otto esempi: dai modelli linguistici alla voce, ai video e agli agenti
I casi seguenti documentano capacità e scelte progettuali. Gli scenari aziendali indicati sono esempi di applicazione da sperimentare, non clienti o risultati economici inventati.
1. Qwen3: una famiglia, non un unico gigante. Il rapporto tecnico di Alibaba del maggio 2025 presenta modelli da 0,6 a 235 miliardi di parametri, modalità con e senza ragionamento esteso e supporto a 119 lingue e dialetti. La possibilità di scegliere dimensione e budget di ragionamento permette di progettare servizi diversi: classificare un messaggio e analizzare un problema complesso non richiedono necessariamente lo stesso impiego di risorse. Il supporto dichiarato a una lingua, comunque, va verificato sui propri testi.
2. Qwen3.6: modelli aperti del 2026 per il lavoro sul codice. Le schede ufficiali di Qwen3.6-27B e Qwen3.6-35B-A3B documentano pesi disponibili con licenza Apache 2.0. Il primo è denso, il secondo usa esperti con un sottoinsieme dei parametri attivato. Le applicazioni da testare comprendono l’analisi di un repository, la correzione di errori e la realizzazione di interfacce. Il punto industriale è poter scegliere anche il motore e l’infrastruttura dell’assistente di sviluppo.
3. Qwen3-VL: l’AI legge anche ciò che vede. Il paper del novembre 2025 descrive modelli che integrano testo, immagini e video. Esempi concreti da valutare: interpretare una schermata di software, confrontare grafici, cercare informazioni in un documento illustrato, descrivere passaggi di un video. Un’impresa manifatturiera potrebbe sperimentarlo sui manuali visuali. Serve però un test specifico: riconoscere un’immagine nei benchmark non certifica la corretta interpretazione di un disegno tecnico.
4. Qwen3-TTS: la voce entra nella stessa filiera. Il rapporto del gennaio 2026 presenta sintesi vocale multilingue, controllo della voce tramite descrizioni e clonazione da brevi campioni; modelli e tokenizer vengono rilasciati con licenza Apache 2.0. Gli impieghi possibili includono istruzioni vocali, materiali didattici accessibili e narrazioni multilingue. L’utilizzo della voce di una persona richiede una gestione appropriata del consenso. La concorrenza cinese riguarda ormai anche il modo in cui l’AI parla.
5. Kimi K2.5: coordinare lavoro, oltre a generare risposte. Nel rapporto tecnico del 2026, il team Kimi descrive un modello multimodale e Agent Swarm, un sistema che scompone attività complesse in sottoproblemi eseguiti in parallelo. Uno scenario da sperimentare è la preparazione di un dossier: ricerca, analisi di documenti e verifica di tabelle distribuite tra agenti. I vantaggi di velocità riportati nel paper valgono per gli esperimenti descritti, non per qualsiasi attività d’ufficio.
6. GLM-5: dalla richiesta al lavoro di ingegneria. Il titolo del paper del febbraio 2026, From Vibe Coding to Agentic Engineering, chiarisce l’ambizione. Il progetto lavora su ragionamento, programmazione e interazioni prolungate con strumenti, introducendo anche un’infrastruttura di apprendimento per rinforzo asincrona. Il caso d’uso da valutare è più ampio di “scrivimi una funzione”: affrontare una modifica software con analisi, implementazione e verifiche. Che il sistema riesca a farlo nel proprio ambiente resta da misurare.
7. Wan2.2: video generativi con pesi e codice disponibili. Il repository ufficiale documenta generazione da testo e da immagini, oltre a varianti per animazione e video guidati dall’audio. La versione TI2V da 5 miliardi di parametri supporta video a 720p ed è presentata come eseguibile anche su una GPU di fascia consumer compatibile. Possibili esperimenti: animare una fotografia di prodotto, produrre una bozza di spot, costruire uno storyboard. Disponibilità del modello e qualità finale del filmato rimangono due questioni distinte.
8. DeepSeek-V4.1-Flash: il costo della memoria come terreno competitivo. Nell’annuncio di settembre 2026, l’azienda insiste sulla riduzione della cache e sui costi degli agenti. Un agente che consulta molti documenti e strumenti può elaborare molto contesto: ottimizzarne la gestione diventa rilevante. La mia lettura è che la competizione stia spostandosi anche verso la quantità di lavoro utile ottenuta con le risorse disponibili.
Questa varietà smentisce l’immagine di un solo inseguitore cinese. Esiste un ecosistema che lavora su linguaggio, visione, voce, video e agenti. Per dimostrare una leadership complessiva nell’open AI servirebbero anche confronti aggiornati su adozione, licenze, prestazioni, modelli derivati e sostenibilità dell’ecosistema. Una lista di prodotti, da sola, non basta.
Robotica industriale: qui il primato cinese è già concreto
Crescita delle installazioni cinesi sull’anno precedente
20%
Quota dei produttori cinesi nel mercato interno
55%
Installazioni negli Stati Uniti
Quasi 38.500
Installazioni in Germania
Meno di 25.000
Installazioni in Italia
Circa 7.800
La Cina installa dunque più robot industriali del resto del mondo complessivamente. Ed è sbagliato attribuire il risultato soltanto all’acquisto di macchine straniere: i fornitori locali rappresentano oltre metà del suo mercato.
Attenzione al significato: questi dati misurano installazioni industriali, non umanoidi, robot dotati di AI generativa o superiorità tecnica di ogni macchina cinese. I volumi assoluti risentono inoltre della dimensione della manifattura. Per valutare l’intensità dell’automazione servono anche indicatori rapportati agli addetti.
Il vantaggio che questi numeri suggeriscono è la scala delle occasioni di applicazione. La mia inferenza è che una vasta base produttiva possa facilitare sperimentazione e apprendimento industriale, quando dati e risultati vengono raccolti bene. Non basta installare una macchina per produrre automaticamente innovazione.
Umanoidi: guardiamo oltre i video dei robot che ballano
Unitree rende visibile un’altra componente della competizione: l’accessibilità dell’hardware. Nel catalogo ufficiale consultato per questo articolo, G1 parte da 13.500 dollari e R1 da 4.900. Sono prezzi pubblicizzati di partenza: non il costo completo di una soluzione produttiva con configurazione, importazione, integrazione e assistenza.
La possibilità di acquistare piattaforme a quei livelli di prezzo può ampliare l’accesso alla sperimentazione. È una conseguenza plausibile, non la prova che ogni robot sia pronto a lavorare autonomamente in un magazzino.
La distanza tra dimostrazione e prodotto si misura con domande molto meno spettacolari: quante volte fallisce? Quanto dura l’autonomia? Quanto spesso serve una persona? Come si comporta con un oggetto imprevisto? Quanto costa ogni operazione riuscita?
Nel video ufficiale di Unitree Robotics, G1 esegue un salto laterale con rotazione. È una dimostrazione di controllo motorio: le prestazioni acrobatiche e l’affidabilità in fabbrica richiedono verifiche diverse.
Sei casi industriali da osservare, con il loro livello di evidenza
La pagina ufficiale delle applicazioni industriali UBTECH presenta diversi casi. Sono descrizioni del fornitore: documentano attività e sperimentazioni, senza offrire da sole una verifica indipendente della produttività.
Contesto
Attività descritta da UBTECH
SANY Renewable Energy
Walker S2 movimenta e ordina bulloni, trasferisce vassoi e recupera quelli vuoti.
BYD
Walker S1 svolge movimentazione e viene integrato con veicoli logistici autonomi e sistemi di fabbrica.
NIO
Walker S viene impiegato in attività di assemblaggio finale e controllo qualità.
Zeekr, gruppo Geely
Walker S Lite viene addestrato alla movimentazione di contenitori in un magazzino.
FAW-Volkswagen a Qingdao
Walker S Lite viene introdotto in scenari di ispezione della qualità.
Foxconn
Walker S2 e Wali U1500 collaborano nell’alimentazione dei componenti durante una validazione produttiva.
Si aggiunge una collaborazione annunciata con Hitachi nel luglio 2026: il comunicato descrive test operativi e validazione di scenari in ambienti manifatturieri. È un esempio della differenza tra “prodotto presentato”, “test sul posto” e “soluzione con ritorno economico dimostrato”.
Questi casi interessano perché riguardano compiti precisi. L’innovazione industriale può avanzare spostando un vassoio, verificando un componente o alimentando una postazione. Non ha bisogno di assomigliare a un film di fantascienza.
Il filmato ufficiale di UBTECH Robotics presenta la sua fabbrica di robot. Come per gli altri materiali del produttore, una presentazione della linea non sostituisce dati indipendenti su continuità operativa e ritorno economico.
Dietro le acrobazie ci sono anche paper e algoritmi originali
Il lavoro KungfuBot: Physics-Based Humanoid Whole-Body Control for Learning Highly-Dynamic Skills, indicato come contributo a NeurIPS 2025, affronta l’apprendimento di movimenti rapidi attraverso elaborazione dei dati di movimento e controllo adattivo. Viene sperimentato su Unitree G1. Il progetto ufficiale riporta tra le affiliazioni China Telecom e Shanghai Jiao Tong University: un caso concreto di ricerca sviluppata in istituzioni cinesi.
Il salto, qui, è dal movimento umano osservato a un comportamento compatibile con la fisica del robot. Un video di kung fu può essere spettacolo; il problema scientifico sottostante riguarda equilibrio, vincoli meccanici e trasferimento dalla simulazione al mondo reale.
Nel 2026, Scalable and General Whole-Body Control for Cross-Humanoid Locomotion presenta XHugWBC, sviluppato da ricercatori di Shanghai Jiao Tong University e Shanghai AI Laboratory. Gli autori riportano esperimenti su dodici umanoidi simulati e sette robot reali, cercando di trasferire un unico controllore tra corpi differenti.
Il valore potenziale è evidente: ridurre la necessità di ricominciare l’addestramento a ogni nuovo robot. È però un risultato sperimentale del paper, non una certificazione di versatilità illimitata. E non è corretto trattare automaticamente ogni preprint su arXiv come ricerca già sottoposta a revisione tra pari.
Il robot di Stanford con supporto hardware cinese
Uno degli esempi più istruttivi è HumanPlus, presentato a CoRL 2024. Il progetto di Stanford combina apprendimento in simulazione, imitazione del movimento umano e apprendimento di abilità da dimostrazioni. Gli autori ringraziano Unitree Robotics e Inspire-Robots per il supporto hardware e firmware.
Il paper documenta compiti come scaricare oggetti dagli scaffali, piegare una felpa e digitare. Sono capacità ottenute nelle condizioni degli esperimenti, non una promessa che il robot sappia gestire qualsiasi casa o magazzino.
Il video del team HumanPlus mostra le abilità autonome studiate nel progetto. È pubblicato da Zipeng Fu, autore della ricerca, e collegato dalla pagina ufficiale di Stanford HumanPlus.
Un secondo filmato dello stesso progetto mostra il robot mentre indossa una scarpa, si alza e cammina. Anche qui, il risultato va interpretato nelle condizioni sperimentali descritte dagli autori.
Qui l’etichetta nazionale diventa insufficiente: ricerca in un’università americana e contributi di aziende cinesi partecipano allo stesso risultato. Non serve attribuire la nazionalità agli autori sulla base dei cognomi. Serve seguire istituzioni, hardware, software e collaborazione.
La ricerca Open X-Embodiment rende il quadro ancora più internazionale: un insieme di dati raccolto da 21 istituzioni con 22 robot differenti, utilizzato per studiare il trasferimento delle capacità tra piattaforme. L’apertura, nella robotica, riguarda anche dati ed esperienze, oltre al modello linguistico.
Robotaxi: la Cina porta l’AI fuori dalla finestra della chat
Un altro caso concreto è Apollo Go di Baidu. Nei risultati ufficiali del secondo trimestre 2026, pubblicati il 18 agosto, l’azienda distingue attività diverse: servizi commerciali senza conducente a bordo a Dubai, test su strada a Londra con Uber e Lyft, sperimentazioni in Svizzera con PostBus.
Non sono tre modi di dire la stessa cosa. Una sperimentazione su strada non equivale a un servizio commerciale; nessuno dei due implica che il veicolo possa guidare ovunque e in qualsiasi condizione.
Il capitolo tecnico di Stanford documenta anche la diffusione di Waymo negli Stati Uniti e Apollo Go in Cina, ricordando il ruolo delle condizioni operative e del supporto umano da remoto. Il confronto richiede percorsi, aree autorizzate, esposizione al rischio e dati omogenei: i soli numeri delle corse non assegnano un primato generale nella sicurezza.
La Cina, comunque, è già presente nella trasformazione dell’AI in un servizio fisico. La sua innovazione non finisce nella risposta di un chatbot.
Il testo riguarda i servizi offerti al pubblico nel territorio cinese e disciplina, tra l’altro, dati di addestramento, contenuti, informazioni personali e responsabilità. Per i servizi con caratteristiche di influenza sull’opinione pubblica o mobilitazione sociale prevede valutazioni di sicurezza e registrazione degli algoritmi. Non è un’identica disciplina per qualsiasi ricerca interna.
L’apertura dei pesi può quindi convivere con il controllo politico dei servizi. “Open” descrive l’accessibilità di alcune componenti tecnologiche, non il sistema politico nel quale vengono prodotte.
Anche le capacità vanno valutate insieme ai limiti: il preprint An Independent Safety Evaluation of Kimi K2.5, dell’aprile 2026, rileva nei test censura politica e bias, soprattutto in cinese, oltre a problemi di sicurezza in alcune categorie. È una valutazione preliminare su quel modello e quelle condizioni, non un giudizio indistinto su tutti i sistemi cinesi.
L’Europa ha problemi reali. Ma produce anche tecnologia
L’AI Act europeo è una parte rilevante della risposta europea, con regole basate sul rischio. Per dimostrare che sia la causa principale del ritardo industriale, però, servirebbe un’analisi causale: la contemporanea presenza di norme e debolezza competitiva non basta.
Tre esempi aiutano a evitare la caricatura opposta.
Mistral crea modelli e li apre. Il lancio di Mistral 3 del dicembre 2025 comprende modelli di diverse dimensioni e il rilascio di Mistral Large 3 con licenza Apache 2.0. È un’azienda francese che partecipa alla costruzione del motore, non soltanto alla sua disciplina.
ASML rende possibile una parte della filiera dei chip. I suoi sistemi di litografia ultravioletta estrema, EUV, sono una tecnologia europea centrale per la fabbricazione di semiconduttori avanzati. ASML descrive una tecnologia unica nel suo portafoglio industriale, sviluppata con partner e fornitori. Un mondo raccontato soltanto attraverso le applicazioni dei chatbot nasconde questi passaggi decisivi.
La robotica europea produce ricerca applicata. Nel lavoro Learning robust perceptive locomotion for quadrupedal robots in the wild, pubblicato su Science Robotics nel 2022, ricercatori dell’ETH di Zurigo, di KAIST e di Intel sviluppano un controllo che combina percezione esterna e sensori del robot per affrontare terreni difficili. La Svizzera non appartiene all’UE: è un esempio europeo e internazionale, non un risultato attribuibile interamente a Bruxelles.
Il video del Robotic Systems Lab dell’ETH di Zurigo accompagna il paper su Science Robotics e mostra il comportamento del quadrupede in ambienti difficili. Ricerca, protocollo e filmato possono così essere letti insieme.
Queste eccellenze non cancellano le difficoltà. La mia lettura è che la sfida europea riguardi la trasformazione della ricerca in prodotti adottati su larga scala, oltre a capitale, calcolo e integrazione industriale. Ma ridurre tutto alla burocrazia rende invisibili proprio le capacità sulle quali costruire.
Che cosa cambia per un’impresa italiana
Per chi guida un’azienda, una graduatoria geopolitica conta meno di una decisione concreta. Propongo quattro esperimenti, da intendere come suggerimenti operativi e non come risultati già osservati.
Confrontare i modelli sui propri documenti. Selezionare domande reali, definire risposte corrette e valutare alternative americane, cinesi ed europee con gli stessi criteri. Misurare errori, completezza, tempi e costo della revisione umana.
Separare modello e servizio. Un modello cinese eseguito su un server aziendale ha un’architettura di gestione dei dati diversa dallo stesso modello utilizzato attraverso un servizio esterno. Contano anche software, telemetria, aggiornamenti e componenti collegate: la posizione del server non esaurisce la valutazione.
Sperimentare un compito fisico circoscritto. Prima di cercare “il robot che fa tutto”, valutare movimentazione di un contenitore, ispezione di un pezzo o alimentazione di una postazione. Annotare interventi umani, guasti, operazioni riuscite e costo complessivo.
Chiedere prove del passaggio in produzione. Un paper dimostra ciò che è stato misurato nel suo protocollo; una dimostrazione mostra un comportamento; un progetto pilota verifica un ambiente; un impiego produttivo richiede continuità e sostenibilità. Tenere distinti questi livelli evita acquisti basati sul video più convincente.
Il rischio europeo: essere clienti con ottime regole
La vecchia battuta va aggiornata, ma non sostituita con una celebrazione speculare della Cina.
Le evidenze raccolte mostrano ricerca originale cinese, un’offerta ampia di modelli aperti, sperimentazioni robotiche e un primato nelle installazioni industriali. Mostrano anche vantaggi americani in investimenti privati e produzione di modelli rilevanti, oltre a contributi europei essenziali nella filiera tecnologica. Molti confronti restano dipendenti dalla metrica, dalla data e dall’applicazione.
La domanda utile diventa allora: chi riuscirà a trasformare queste capacità in lavoro affidabile, accessibile e conveniente?
Per l’Europa, a mio avviso, il pericolo maggiore è abituarsi a comprare il futuro costruito altrove, pur possedendo ricerca, imprese e competenze per contribuire a produrlo. Le regole possono accompagnare quella capacità. Non possono sostituirla.
E per capire dove sta andando l’AI, forse conviene guardare meno i robot che ballano e più quelli che, finita la musica, continuano a lavorare.
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.
https://www.gianluigibonanomi.com/wp-content/uploads/2026/10/intelligenza-artificiale-cina-america-europa.webp9001600Gianluigi Bonanomihttps://www.gianluigibonanomi.com/wp-content/uploads/2018/10/bonanomi_logo_156.pngGianluigi Bonanomi2026-10-01 05:55:302026-10-01 05:55:30L’America crea, la Cina copia, l’Europa regolamenta? L’intelligenza artificiale ha cambiato il copione
“Resistere ai tempi oscuri” di Asma Mhalla è un saggio breve e inquietante su Big Tech, potere politico, neoreazione, città private e neurotecnologie. Merita di essere letto, soprattutto da chi, come me, non ama i doomer, con la D, non i boomer. Mi ha convinto molto nella diagnosi e assai meno nella terapia.
Il titolo è già un programma: Resistere ai tempi oscuri. Il sottotitolo rincara la dose: Il nuovo sistema totalitario. Se poi ci mettiamo che l’autrice, esperta di geopolitica della tecnologia, si chiama Asma… manca il respiro.
Edizione letta: Asma Mhalla, Resistere ai tempi oscuri. Il nuovo sistema totalitario, traduzione di Christian Delorenzo, Einaudi, collana Maverick, 2026, 152 pagine, ISBN 9788806272999. Qui trovi la scheda ufficiale Einaudi e l’edizione italiana su Amazon.
“Il XXI secolo non vi governerà, vi programmerà”
Questo è l’incipit. Allegro come una bolletta con conguaglio.
Mhalla parte da una tesi potente: il cyberpunk non sarebbe più un genere letterario che immagina il futuro, ma il vocabolario giusto per descrivere il presente. La tecnologia è ovunque, le grandi corporation possiedono infrastrutture decisive, l’attenzione è una risorsa da estrarre e la linea tra Stato e impresa diventa sempre più sottile.
“Viviamo nel mondo che temiamo subendone il fascino”.
William Gibson raccontava metropoli ipertecnologiche, poteri privati smisurati, corpi ibridati con le macchine e individui soli dentro sistemi che non comprendono. Mhalla vede proprio qui il nostro presente: non abbiamo le giacche al neon di Blade Runner, ma abbiamo piattaforme che organizzano informazione, lavoro, reputazione e pezzi crescenti della vita pubblica.
La provocazione funziona. Va però letta come una lente politica, non come una dimostrazione scientifica che viviamo già in un regime totalitario. Il termine “totalitarismo” porta con sé un peso storico enorme. Usarlo per descrivere l’intreccio tra piattaforme, sorveglianza e potere esecutivo è efficace, ma richiede confronti e distinzioni. Altrimenti una categoria analitica rischia di diventare uno slogan.
MAGA come retrofuturismo e la tentazione accelerazionista
Uno dei passaggi più interessanti riguarda il “retrofuturismo”: promettere il ritorno a un’età dell’oro e, nello stesso tempo, usare tecnologie avanzatissime per accelerare la rottura dell’ordine esistente. Il passato diventa il manifesto, il futuro la leva.
Qui entra l’accelerazionismo. Bisogna stare attenti, perché il termine indica correnti diverse e persino opposte. In estrema sintesi, accomuna progetti che vogliono spingere più velocemente processi tecnologici, capitalistici o sociali per produrre una trasformazione radicale. Non esiste quindi un solo accelerazionismo. La genealogia passa anche da Nick Land; le versioni contemporanee includono tanto proposte di emancipazione tecnologica quanto una fiducia quasi religiosa nel tecno-capitalismo senza freni.
La tesi di Mhalla è che la crisi dell’idea tradizionale di progresso abbia lasciato spazio a un’altra promessa: non migliorare gradualmente il sistema, ma accelerarlo fino al punto di rottura. La formula è seducente per chi controlla capitale, infrastrutture e modelli di intelligenza artificiale. Un’implosione è molto meno romantica per chi deve subirla.
Peter Thiel, Curtis Yarvin e la NRx
Nel libro ricorrono Peter Thiel e Curtis Yarvin. Il secondo è meno noto in Italia, ma vale la pena conoscerlo. È un informatico e blogger, diventato celebre con lo pseudonimo Mencius Moldbug, associato alla corrente neoreazionaria o NRx. La sua proposta è apertamente post-democratica: trattare lo Stato come un’impresa e affidarlo a una figura simile a un amministratore delegato o a un monarca.
Qui il libro coglie un punto vero: alcune idee nate ai margini della blogosfera tecnologica non sono rimaste folklore da forum. Sono entrate nel lessico di investitori, fondatori e ambienti politici. Questo non significa che la Silicon Valley sia un partito unico o che tutti gli imprenditori tech condividano il programma NRx. Significa che concetti un tempo considerati eccentrici oggi circolano vicino a centri di potere reale.
Próspera: la città privata non è fantascienza
L’esempio più cinematografico è Próspera, sull’isola di Roatán in Honduras. Mhalla la presenta come un’enclave privata con regole proprie, connessione Starlink, biohacker, criptovalute ed esperimenti difficili da realizzare altrove.
Il nucleo della storia è documentato, ma va precisato. Próspera nasce nel quadro delle ZEDE, zone speciali dotate di ampia autonomia normativa e fiscale. Le Monde ha visitato l’enclave e ha descritto Starlink, biohacking, sperimentazioni sulla longevità e un sistema di governance privatizzato. I legami finanziari con Peter Thiel e Marc Andreessen sono indiretti, attraverso Pronomos Capital, il fondo che include Próspera nel proprio portafoglio. È più corretto dirlo così che presentarli semplicemente come azionisti diretti della società honduregna.
Próspera non dimostra da sola la nascita di un nuovo totalitarismo. Dimostra però che l’idea di trasformare la cittadinanza e le regole pubbliche in un servizio privato non appartiene più soltanto ai romanzi.
Il “dileviatano”: Big State più Big Tech
La parola che mi porto via dal libro è dileviatano. Mhalla aggiorna il Leviatano di Hobbes immaginando una creatura a due teste: Big State e Big Tech. Lo Stato conserva coercizione, legge, apparato militare e politica industriale; le grandi aziende possiedono infrastrutture cloud, satelliti, piattaforme, dati, modelli AI e capacità di innovazione.
È una metafora riuscita perché evita una semplificazione frequente. Non stiamo assistendo soltanto alla sostituzione dello Stato da parte delle aziende. In molti casi vediamo collaborazione, dipendenza reciproca e conflitto. Lo Stato finanzia, regola, acquista e limita. Le imprese forniscono tecnologie strategiche e, nello stesso tempo, cercano di condizionare le regole.
La competizione tra Stati Uniti e Cina rende visibile questa saldatura. Il Rapporto AI Index 2026 di Stanford University registra l’enorme leadership statunitense negli investimenti privati e il rapido avvicinamento cinese nelle prestazioni dei modelli. L’AI Action Plan statunitense parla esplicitamente di innovazione, infrastrutture, diplomazia e sicurezza. L’intelligenza artificiale non è più soltanto software: è energia, chip, data center, filiere, standard e potere geopolitico.
In questo senso il libro aiuta a vedere l’AI come iperindustria, non come una comoda finestrella nella quale scrivere prompt.
Dall’economia dell’attenzione al neurocapitalismo
Il passaggio più inquietante riguarda il neurocapitalismo: la possibilità che il mercato non si limiti a osservare clic, acquisti e spostamenti, ma estragga valore da segnali neurofisiologici, stati cognitivi ed emozioni.
Qui conviene separare presente e previsione. Oggi esistono interfacce cervello-computer e dispositivi non invasivi capaci di raccogliere segnali neurali. Non siamo però di fronte a una lettura perfetta e generalizzata dei pensieri. Dire che le corporation “controlleranno i pensieri” è una previsione estrema, non un fatto già acquisito.
Insomma, Mhalla alza il volume, ma non inventa il problema. E proprio per questo non serve gridare “ci leggono già nel cervello”. Serve decidere adesso proprietà, accesso, consenso, conservazione e usi vietati dei neurodati.
Un video per ascoltare direttamente Asma Mhalla
In questa intervista a France 24 l’autrice presenta la tesi centrale del libro e spiega perché considera la distopia una descrizione del presente:
Dove il libro mi convince e dove mi lascia perplesso
Mi convince quando:
mostra che la tecnologia è diventata infrastruttura politica e militare;
collega idee apparentemente marginali a capitali, aziende e progetti concreti;
sposta l’attenzione dal singolo prodotto al sistema di potere;
individua nella cognizione, non soltanto nei dati personali, il prossimo terreno di conflitto.
Mi convince meno quando:
usa la categoria di totalitarismo in modo molto ampio;
trasforma scenari plausibili in traiettorie quasi inevitabili;
dedica più energia alla diagnosi che agli strumenti di verifica e intervento;
chiude con una resistenza suggestiva, ma poco operativa.
Mhalla invita a dire no, filosofeggiare, boicottare, hackerare, difendere la patria, leggere, ridere, amare e tacere. Tutto molto nobile. Ma, arrivato alla fine, la mia domanda resta: lunedì mattina che cosa facciamo?
La mia proposta: resistenza cognitiva, ma con un manuale d’uso
La risposta non può essere soltanto “amare la libertà” o “difendere la dignità”. Servono azioni verificabili:
Capire chi possiede l’infrastruttura. Cloud, chip, satelliti, dati e modelli non sono dettagli tecnici.
Chiedere trasparenza sui sistemi decisionali. Chi imposta gli obiettivi, quali dati usa l’algoritmo, chi può contestare il risultato?
Proteggere i dati cognitivi prima che diventino un mercato di massa. Il consenso non può essere una casella nascosta in quaranta pagine di condizioni.
Mantenere alternative e possibilità di uscita. Un servizio essenziale non dovrebbe dipendere da un unico fornitore opaco.
Misurare il potere, non soltanto le prestazioni. Ogni volta che valutiamo una tecnologia dovremmo chiederci non solo che cosa sa fare, ma chi rende più forte e chi rende dipendente.
Questo libro non mi ha convertito al pessimismo. Mi ha ricordato che l’ottimismo senza analisi è soltanto marketing con la luce accesa.
Vale la pena leggere “Resistere ai tempi oscuri”?
Sì. È breve, denso, irritante nel senso migliore del termine. Costringe a collegare geopolitica, ideologie della Silicon Valley, infrastrutture digitali e libertà cognitiva. Non prenderei ogni previsione come destino e non userei ogni metafora come categoria scientifica. Ma preferisco un libro che mi obbliga a discutere a uno che mi lascia comodo.
https://www.gianluigibonanomi.com/wp-content/uploads/2026/09/resistere-tempi-oscuri-asma-mhalla.webp9001600Gianluigi Bonanomihttps://www.gianluigibonanomi.com/wp-content/uploads/2018/10/bonanomi_logo_156.pngGianluigi Bonanomi2026-09-27 07:55:302026-09-27 07:55:30Resistere ai tempi oscuri di Asma Mhalla: e damose ’sta botta de vita!
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.
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.
https://www.gianluigibonanomi.com/wp-content/uploads/2026/09/10-concetti-tecnologie-futuro.webp9001600Gianluigi Bonanomihttps://www.gianluigibonanomi.com/wp-content/uploads/2018/10/bonanomi_logo_156.pngGianluigi Bonanomi2026-09-27 07:38:312026-09-27 07:38:31Dieci concetti per capire il futuro della tecnologia
Il concetto di intelligenza liquida nasce da una trasformazione che Zygmunt Bauman seppe osservare con largo anticipo. Il sociologo usò la metafora della liquidità per raccontare una
società nella quale le forme non restano stabili abbastanza a lungo da
diventare punti di riferimento. Nella modernità “solida” il lavoro,
l’identità, le istituzioni, le appartenenze e perfino le relazioni
sembravano possedere una struttura durevole. Nella modernità liquida,
invece, tutto deve adattarsi, cambiare forma, scorrere.
In Modernità
liquida, pubblicato nel 2000, Bauman descrive il passaggio da
una modernità pesante, legata all’hardware, a una modernità leggera,
mobile e sempre più fondata sul software.
Modernità liquida di Zygmunt Bauman, Editori Laterza.
In Intervista
sull’identità, l’identità stessa diventa precaria, simile a un
vestito che si usa finché serve. Non è più soltanto qualcosa che siamo:
è qualcosa che costruiamo, modifichiamo e rimettiamo continuamente in
discussione.
Intervista sull’identità di Zygmunt Bauman, Editori Laterza.
È importante partire da qui perché la liquidità non significa
semplicemente digitalizzazione. Indica qualcosa di più profondo: la
separazione tra una funzione e il contenitore che per secoli l’ha resa
possibile.
Il lavoro si separa dall’ufficio. La relazione si separa dalla
vicinanza fisica. L’identità si separa da un’unica appartenenza stabile.
La musica si separa dal disco.
Ora l’intelligenza si sta separando dalla mente che la produce.
Musica liquida di Gianluigi Bonanomi e Renzo Zonin, Informant,
2014.
Per ascoltare una canzone non serviva più acquistare e conservare un
oggetto. Non occorreva sapere in quale scaffale fosse il CD, né
trasferire fisicamente un supporto da una persona all’altra. La musica
diventava un flusso: disponibile su richiesta, potenzialmente
sterminato, accessibile da dispositivi diversi, organizzato da algoritmi
e pagato attraverso un abbonamento.
La musica non era diventata meno importante. Era cambiata la sua
condizione materiale e, insieme a quella, erano cambiati i nostri
comportamenti. Abbiamo iniziato ad ascoltare più brani, a saltarli
prima, a delegare la scoperta alle piattaforme, a costruire playlist
invece di collezioni. L’abbondanza ha ampliato le possibilità, ma ha
anche modificato l’attenzione e trasferito una parte del potere dagli
artisti e dagli ascoltatori agli intermediari digitali.
Oggi sta accadendo qualcosa di simile con l’intelligenza: la capacità cognitiva diventa accessibile, modulare e sempre più liquida.
Per ottenere una traduzione, un’analisi, una sintesi, una bozza, un
confronto tra documenti o una prima ipotesi strategica non dobbiamo
necessariamente possedere in anticipo tutte le competenze necessarie.
Possiamo accedere, per pochi secondi o per alcune ore, a una capacità
cognitiva esterna. La interroghiamo, la indirizziamo, la combiniamo con
dati e strumenti. Poi la spegniamo.
Come una canzone in streaming, anche una porzione di lavoro cognitivo
arriva quando serve.
Che cosa intendo per
“intelligenza liquida”
Uso questa espressione come metafora sociale e tecnologica, non come
nuova categoria psicologica. In psicometria esiste già il concetto di intelligenza
fluida nella teoria di Cattell e Horn: è la capacità di
affrontare problemi nuovi senza affidarsi soprattutto a conoscenze già
acquisite. Qui parlo di altro.
Chiamo intelligenza liquida la capacità cognitiva
che:
è disponibile a richiesta;
non è legata stabilmente a una singola persona;
può scorrere tra applicazioni, documenti, database e
dispositivi;
può essere combinata con altre intelligenze, umane o
artificiali;
si misura e si acquista a consumo, attraverso token, crediti o
abbonamenti;
può aumentare o diminuire in pochi istanti, secondo il problema da
affrontare.
La formula, provvisoria, potrebbe essere questa:
L’intelligenza liquida è capacità cognitiva separata dal suo
portatore, resa accessibile come flusso, componibile come software e
consumabile come servizio.
Non vive necessariamente in un robot umanoide. Più spesso abita una
casella di posta, un CRM, un browser, un foglio elettronico o un agente
che legge una richiesta, consulta più fonti, esegue una procedura e
propone un risultato.
Il chatbot è stato soltanto il rubinetto. Dietro quel rubinetto sta
crescendo un acquedotto cognitivo.
L’esplosione non
riguarda soltanto la potenza
Quando si parla di intelligenza artificiale, si osservano soprattutto
i modelli più potenti. Ma la trasformazione decisiva nasce dall’incontro
di almeno tre curve.
La prima è l’aumento delle capacità. Lo Stanford
AI Index 2026 segnala progressi rapidi nei benchmark più
difficili, insieme a prestazioni sempre più rilevanti in ambiti
professionali come fiscalità, finanza, diritto e gestione dei mutui.
Avverte però anche che l’intelligenza delle macchine resta
“frastagliata”: un sistema può risolvere problemi matematici avanzati e
fallire in compiti apparentemente banali.
La seconda curva è la riduzione del prezzo. Secondo lo Stanford
AI Index 2025, tra novembre 2022 e ottobre 2024 il costo per
interrogare un modello con prestazioni paragonabili a GPT-3.5 sul
benchmark MMLU è sceso da 20 dollari a 7 centesimi per milione di token,
una riduzione superiore a 280 volte. Il dato non significa che ogni
forma di AI diventerà quasi gratuita: i modelli di frontiera,
l’infrastruttura, l’energia e le applicazioni complesse restano costosi.
Mostra però una direzione precisa: una stessa unità di capacità tende a
diventare più accessibile.
La terza curva è la diffusione. Il capitolo economico dello Stanford
AI Index 2026 stima che l’AI generativa abbia raggiunto il 53%
di adozione in tre anni e che nel 2025 il 70% delle organizzazioni
intervistate la utilizzasse in almeno una funzione aziendale. Non tutte
la usano bene e l’impiego degli agenti è ancora iniziale, ma il
passaggio dalla curiosità all’infrastruttura è già cominciato.
Questa è l’esplosione dell’intelligenza liquida che ci attende: non un’unica superintelligenza
che compare improvvisamente, ma miliardi di piccoli atti cognitivi
prodotti, acquistati, delegati e incorporati in ogni processo.
Dall’automazione
delle braccia alla disponibilità di cognizione
Le rivoluzioni industriali precedenti hanno moltiplicato soprattutto
la forza, la velocità, l’energia e la capacità di coordinare la
produzione. Macchine a vapore, elettricità, catene di montaggio,
computer e reti hanno progressivamente esteso ciò che un essere umano
poteva fare.
L’AI generativa introduce qualcosa di diverso: rende scalabili
attività che consideravamo cognitive. Scrivere, classificare,
riassumere, tradurre, programmare, progettare una sequenza operativa,
cercare analogie, simulare un interlocutore, preparare alternative.
Non tutto questo equivale a “pensare” nel senso umano del termine. Un
modello non possiede automaticamente esperienza, responsabilità,
intenzione o coscienza. Ma può fornire una prestazione cognitiva utile.
Per chi lavora, la differenza filosofica resta enorme; sul piano
operativo, invece, il confine inizia a spostarsi.
Studi come quelli di METR
sugli orizzonti temporali dei compiti cercano di misurare per quanto
tempo un agente riesca a lavorare autonomamente su attività software
prima che la probabilità di successo crolli. I risultati mostrano una
crescita rapida, ma vanno letti senza estrapolazioni automatiche:
riguardano famiglie specifiche di compiti e non dimostrano che gli
agenti siano già affidabili in ogni lavoro reale.
La capacità disponibile aumenta, ma la responsabilità non può essere
messa in streaming.
È davvero la quinta
rivoluzione industriale?
L’espressione “quinta rivoluzione industriale” è affascinante, ma va
usata con cautela. Non esiste un confine storico universalmente
riconosciuto che separi una quarta e una quinta rivoluzione.
La Commissione
europea parla di Industry 5.0 come di un
completamento, non di una sostituzione, del paradigma 4.0. Al centro
mette tre principi: sostenibilità, resilienza e centralità della
persona. È una precisazione importante: una fabbrica più automatizzata
non diventa automaticamente più umana, più equa o più sostenibile.
Se vogliamo chiamare “quinta rivoluzione industriale” la fase che si
apre, allora non dovrebbe essere definita soltanto da robot e agenti. La
sua vera materia prima sarà la cognizione distribuita. La sua unità di
misura non sarà solo il pezzo prodotto, ma la decisione assistita. Il
suo conflitto fondamentale riguarderà chi controlla i flussi di
intelligenza, con quali dati, secondo quali obiettivi e sotto quale
responsabilità.
In altre parole, la quinta rivoluzione industriale non sarà
automaticamente umanocentrica. Dovremo renderla tale.
Che
cosa succede quando l’intelligenza diventa abbondante
Quando una risorsa diventa abbondante, il valore si sposta
altrove.
Con l’abbondanza di contenuti, il valore si è spostato verso
l’attenzione. Con l’abbondanza di informazioni, verso l’affidabilità.
Con l’abbondanza di capacità cognitiva, il valore si sposterà verso la
scelta dei problemi, la qualità dei criteri e l’assunzione di
responsabilità.
Produrre una bozza costerà sempre meno. Capire se quella bozza è
vera, opportuna, originale e coerente con un obiettivo resterà
difficile.
Generare cento strategie sarà facile. Rinunciare alle novantanove
sbagliate richiederà giudizio.
Creare un agente sarà sempre più semplice. Decidere che cosa non
delegargli diventerà una competenza manageriale.
Per questo il prompt engineering, da solo, non basta. Non serve
soltanto imparare a “fare domande all’AI”. Occorre imparare a progettare
sistemi di lavoro nei quali esseri umani, modelli, fonti e strumenti
abbiano ruoli espliciti. Servono obiettivi, limiti, verifiche,
tracciabilità e punti nei quali una persona possa interrompere il
processo.
L’intelligenza liquida dovrà essere incanalata. Altrimenti non sarà
un acquedotto: sarà un’alluvione.
Il rischio del debito
cognitivo
La metafora della liquidità contiene anche un avvertimento. Ciò che
scorre facilmente può sfuggire al controllo.
Se deleghiamo continuamente la scrittura, potremmo smettere di usare
la scrittura per pensare. Se accettiamo sintesi senza tornare alle
fonti, potremmo confondere velocità e comprensione. Se ogni decisione
arriva accompagnata da una raccomandazione algoritmica, potremmo perdere
l’abitudine al dubbio.
I benefici, inoltre, non sono uniformi. Lo Stanford AI Index rileva
guadagni di produttività significativi in diversi lavori strutturati, ma
segnala risultati più limitati nei compiti che richiedono ragionamento
profondo e possibili effetti negativi sull’apprendimento quando la
dipendenza dallo strumento diventa eccessiva. Esistono persino contesti
nei quali l’AI può rallentare professionisti esperti: in un esperimento
randomizzato di METR, sviluppatori open source esperti hanno
impiegato più tempo usando strumenti AI, non meno.
Anche l’affidabilità resta discontinua. Il capitolo sulla
responsabilità dello Stanford
AI Index 2026 documenta la distanza tra l’avanzamento delle
capacità e quello delle misure di sicurezza e trasparenza.
Potremmo quindi accumulare un nuovo tipo di debito: il debito
cognitivo. È ciò che accade quando risparmiamo tempo oggi
delegando senza capire e paghiamo domani con perdita di competenze,
errori invisibili e dipendenza da sistemi che non sappiamo più
valutare.
La nuova
competenza umana: dare forma al flusso
Nell’epoca della musica liquida non abbiamo smesso di avere bisogno
di musicisti. Abbiamo avuto bisogno di nuovi modi per scoprire,
selezionare, remunerare e dare senso alla musica.
Nell’epoca dell’intelligenza liquida non smetteremo di avere bisogno
dell’intelligenza umana. Ne avremo bisogno in forma diversa.
Serviranno persone capaci di formulare problemi, non soltanto di
eseguire compiti. Di riconoscere una risposta plausibile ma falsa. Di
collegare discipline lontane. Di comprendere le conseguenze sociali di
una decisione efficiente. Di assumersi la responsabilità che un modello
non può assumersi.
L’AI potrà moltiplicare le risposte. Non potrà decidere, da sola,
quali domande meritino di guidare un’azienda, una scuola, una pubblica
amministrazione o una vita.
La grande trasformazione non consiste nell’arrivo di una macchina
onnisciente. Consiste nella progressiva disponibilità di una quantità
enorme di capacità cognitiva, imperfetta ma economica, veloce e sempre
più integrata nei processi quotidiani.
La musica liquida ci ha insegnato che, quando qualcosa diventa
accessibile ovunque, non cambia soltanto il modo in cui lo consumiamo.
Cambiano il mercato, le abitudini, gli intermediari e perfino il nostro
rapporto con quel bene.
Per approfondire i dati sull’evoluzione delle capacità, dei costi e
dell’adozione dell’intelligenza artificiale, questo intervento dello
Stanford Institute for Human-Centered Artificial Intelligence presenta i
principali risultati dell’AI Index 2026:
Ora tocca all’intelligenza.
La domanda, quindi, non è più se useremo questa intelligenza liquida.
La domanda è se sapremo darle una forma prima che sia lei a dare una
forma a noi.
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.
https://www.gianluigibonanomi.com/wp-content/uploads/2026/09/intelligenza-liquida-capacita-cognitiva.webp9001600Gianluigi Bonanomihttps://www.gianluigibonanomi.com/wp-content/uploads/2018/10/bonanomi_logo_156.pngGianluigi Bonanomi2026-09-25 08:57:332026-09-25 08:57:33Intelligenza liquida: quando la capacità cognitiva diventa un servizio in streaming
Le skill sono workflow riutilizzabili che spiegano a ChatGPT come
svolgere una determinata attività in modo più coerente. In questo
articolo ho selezionato dieci skill open source, scaricabili dal
repository dkyazzentwatwa/chatgpt-skills
e consultabili anche nel catalogo Skills.sh:
OCR, conversione di documenti, analisi dati, calcoli finanziari,
immagini, SVG, QR code, contenuti multimediali, bibliografie e creazione
di nuove skill.
Una precisazione importante: “scaricabile per ChatGPT” non significa
sempre “installabile con un clic in qualsiasi account”. La disponibilità
delle skill native dipende dal prodotto, dal piano e dalle impostazioni
del workspace. OpenAI descrive le skill come workflow condivisibili che
possono contenere istruzioni, esempi, codice e risorse di supporto. Per
gli account o gli ambienti che non espongono ancora l’installazione
diretta, il metodo più semplice consiste nel caricare il file SKILL.md in un GPT personalizzato o in un progetto, oppure
nell’adattarlo alle istruzioni del proprio ambiente AI.
Skill,
GPT personalizzati e agenti: non sono la stessa cosa
Una skill è soprattutto una procedura. Dice all’AI quali passaggi
seguire, quali file usare, quali controlli fare e quale formato
restituire.
Un GPT personalizzato è un assistente configurato per uno scopo più
ampio, con istruzioni, conoscenze e, quando disponibili, strumenti.
Un agente aggiunge la possibilità di usare strumenti esterni e
compiere azioni: per esempio leggere un archivio, elaborare un file,
interrogare un servizio o aggiornare un sistema.
La differenza pratica è questa: una skill può insegnare a ChatGPT
come analizzare uno scontrino; un agente può anche recuperare gli
allegati, elaborare più ricevute, creare un Excel e preparare una bozza
di email.
Per approfondire il tema del metodo con cui costruire istruzioni più
solide, puoi leggere anche la mia guida sul prompt
engineering e il metodo G.O.L..
Le 10 skill ChatGPT da
scaricare
La classifica non è una graduatoria scientifica. Ho privilegiato
skill utili fuori dal solo ambito dello sviluppo software, con una
struttura leggibile, uno scopo chiaro, script verificabili e una
documentazione sufficiente per iniziare. I dati sugli install relativi
al catalogo sono indicativi e possono cambiare.
1. OCR Document Processor
Ideale per: fotografie, scansioni, PDF acquisiti da
scanner, ricevute, biglietti da visita e tabelle.
La skill estrae testo da immagini e PDF scansionati, può produrre
testo strutturato, Markdown, JSON o HTML e include indicazioni per
gestire immagini inclinate, sfocate, multilingue o con bassa qualità. È
probabilmente la più utile per chi lavora con documenti cartacei
digitalizzati.
Esempio di richiesta: “Analizza queste ricevute,
segnala i dati illeggibili, individua i duplicati e restituisci una
tabella pronta per Excel”.
2. Document Converter Suite
Ideale per: conversioni tra PDF, DOCX, PPTX, XLSX,
TXT, CSV, Markdown e HTML.
È una skill generalista per estrarre contenuti, trasformare
documenti, recuperare tabelle e svolgere operazioni di base sui PDF,
come unione, separazione, rotazione, filigrana ed estrazione di pagine.
Il progetto dichiara esplicitamente che la ricostruzione è “best
effort”: il contenuto può essere preservato bene, ma non è garantita la
fedeltà grafica pixel per pixel.
Esempio di richiesta: “Estrai le tabelle da questo
PDF e consegnale in un file XLSX, mantenendo intestazioni e note a piè
di pagina”.
3. Data Storyteller
Ideale per: CSV, Excel, report direzionali e
presentazione narrativa dei dati.
Questa skill trasforma un dataset in un racconto leggibile: controlli
preliminari, confronti, indicatori, visualizzazioni e sintesi finale. È
utile quando non basta calcolare una media, ma bisogna capire quali
evidenze meritano di essere raccontate a un cliente, a un consiglio di
amministrazione o a una classe.
Esempio di richiesta: “Analizza questo Excel,
verifica la qualità dei dati, trova i tre cambiamenti più rilevanti e
prepara un report con grafici e raccomandazioni”.
Per lavori quantitativi, la skill va comunque affiancata a un
controllo umano: una visualizzazione elegante non corregge un dataset
sbagliato.
4. Financial Calculator
Ideale per: mutui, prestiti, interessi composti,
investimenti, obiettivi di risparmio, NPV, IRR e scenari
pensionistici.
Il punto di forza è l’invito a esplicitare prima le ipotesi: tasso,
capitalizzazione, durata, tasse, inflazione e unità di misura. La skill
usa uno script deterministico come fonte del calcolo, invece di
affidarsi soltanto all’aritmetica improvvisata nella conversazione.
Esempio di richiesta: “Confronta tre scenari di
investimento indicando capitale iniziale, versamenti, inflazione,
rendimento ipotizzato e intervallo di incertezza”.
Non è un consulente finanziario e non elimina il bisogno di
verificare formule, fiscalità e dati di mercato.
5. Image Enhancement Suite
Ideale per: ridimensionare, ritagliare, comprimere,
convertire e confrontare immagini.
La skill raccoglie diversi strumenti: rimozione dello sfondo,
controllo dei metadati, confronto tra immagini, filtri, estrazione della
palette, generazione di icone, collage e sprite sheet. È interessante
perché riunisce in un unico pacchetto funzioni che spesso vengono
richieste separatamente.
Esempio di richiesta: “Ridimensiona queste
fotografie per il blog, comprimi i file, mantieni la qualità e prepara
anche una versione quadrata per LinkedIn”.
Questa skill prova a rendere più affidabile la produzione di SVG:
prima definisce una specifica con dimensioni e coordinate, poi
costruisce il file, lo valida e può generare un’anteprima PNG. È una
buona scelta quando la geometria conta più dell’effetto creativo.
Esempio di richiesta: “Crea un diagramma SVG
1600×900 con tre blocchi, frecce ortogonali, colori accessibili e testo
modificabile”.
Per testi lunghi o molto precisi è comunque consigliabile controllare
l’output in un browser o in un editor vettoriale.
7. QR Code Generator
Ideale per: eventi, brochure, biglietti da visita,
materiali didattici, campagne con UTM e pagine di atterraggio.
La skill invita a validare l’URL prima di generare il codice,
preferisce HTTPS e suggerisce SVG e livelli di correzione più elevati
quando il QR code deve essere stampato. Un dettaglio prezioso: chiede di
restituire sempre anche l’URL effettivamente codificato.
Esempio di richiesta: “Crea un QR code in SVG per
questa pagina, aggiungi UTM solo se servono e restituisci URL, formato e
livello di correzione”.
8. Media Toolkit
Ideale per: audio e video, clip, conversioni,
analisi, sottotitoli, miniature e GIF.
È una skill più tecnica, ma utile per chi produce contenuti. La
descrizione del progetto la presenta come un toolkit per clipping,
conversione, analisi, caption, estrazione di thumbnail, creazione di GIF
e operazioni batch.
Esempio di richiesta: “Estrai tre clip da questo
video, crea una miniatura 16:9 e prepara una versione breve con
sottotitoli”.
Prima dell’uso bisogna controllare le dipendenze richieste e la
disponibilità degli strumenti necessari per l’elaborazione
multimediale.
9. Skill Creator
Ideale per: trasformare una procedura ricorrente in
una skill riutilizzabile.
Questa è la skill più meta dell’elenco: serve a creare altre skill.
Suggerisce di definire con precisione le richieste che devono attivare
il workflow, mantenere breve il file principale, spostare i dettagli
nelle cartelle references/, aggiungere soltanto script e
risorse davvero utili e validare il pacchetto prima di distribuirlo.
Esempio di richiesta: “Trasforma questa procedura
per la gestione dei rimborsi spese in una skill con input obbligatori,
controlli OCR, output Excel e bozza email”.
È il punto di partenza più interessante per chi vuole costruire il
proprio sistema di lavoro dentro ChatGPT.
10. Citation & Bibliography
Generator
Ideale per: paper, tesi, report, articoli e
bibliografie in più stili.
La skill genera citazioni e bibliografie in formati accademici e
professionali, partendo da dati inseriti manualmente, file strutturati e
metadati DOI o ISBN. Può essere utile, ma va usata con una regola
ferrea: una citazione generata non è automaticamente una citazione
verificata.
Sostituisci ocr-document-processor con il nome della
skill che vuoi installare. Questo comando è utile soprattutto in Codex e
in altri ambienti compatibili con lo standard SKILL.md; non
va confuso con l’importazione nativa dentro ogni versione di
ChatGPT.
Attenzione alla sicurezza
Una skill non è soltanto testo. Alcune includono script Python,
dipendenze e operazioni sui file. Prima di installarla:
controlla il repository e l’autore;
leggi SKILL.md e gli script eseguibili;
verifica le dipendenze;
evita di fornire credenziali, token o dati aziendali durante i
test;
prova prima tutto in una cartella isolata;
controlla manualmente i risultati, soprattutto per finanza, OCR e
bibliografie.
Il repository dichiara di avere audit strutturali e documentali, ma
questo non equivale a una certificazione indipendente di sicurezza per
ogni uso possibile. Il principio resta quello dell’open source: leggere
prima di eseguire.
Il video ufficiale
sulle skill in ChatGPT
Qui sotto trovi il video ufficiale di OpenAI che introduce le skill
in ChatGPT Business ed Enterprise:
Quale skill scegliere per
prima?
Se lavori con documenti, ricevute o fotografie, partirei da OCR Document Processor. Se produci report, sceglierei Data Storyteller. Se vuoi standardizzare le tue
procedure, la scelta più strategica è Skill Creator. Se
invece ti occupi di contenuti digitali, combinerei Image
Enhancement Suite, SVG Precision Skill e Media Toolkit.
Il vero vantaggio non sta nel collezionare cento skill, ma nel
costruire una piccola cassetta degli attrezzi coerente con il proprio
lavoro. Una skill ben scelta riduce il copia e incolla, rende più facile
il controllo di qualità e trasforma una buona procedura in un
comportamento ripetibile.
Per questo, nel mio corso
di ChatGPT per aziende e professionisti il tema non è soltanto
“quale prompt scrivere”, ma come progettare workflow ripetibili,
verificabili e adattati al ruolo di chi li usa.
Domande frequenti
Le skill sono gratuite?
I repository indicati sono open source e scaricabili gratuitamente.
Alcuni strumenti, dipendenze, modelli o servizi esterni necessari al
funzionamento possono però avere costi propri.
Posso usare una skill
su ChatGPT gratuito?
Non è possibile garantire la stessa modalità per tutti gli account.
La disponibilità delle skill native dipende dal piano, dal prodotto e
dalle impostazioni del workspace. In assenza dell’installazione diretta,
puoi usare il contenuto di SKILL.md in un progetto o in un
GPT personalizzato, quando queste funzioni sono disponibili.
Una skill rende ChatGPT
infallibile?
No. Una skill può rendere il processo più coerente e aggiungere
controlli, ma non sostituisce la verifica umana. Questo vale soprattutto
per dati finanziari, citazioni accademiche, OCR e documenti legali o
amministrativi.
Posso modificare una skill
scaricata?
Sì. È proprio uno dei vantaggi del formato Markdown: puoi adattare
lingua, tono, formato degli output, criteri di controllo e strumenti.
Prima di modificarla, conserva una copia dell’originale.
Articolo aggiornato al 24 settembre 2026. I link ai repository e
i dati sugli install possono cambiare: prima di pubblicare, conviene
verificare nuovamente disponibilità, versione e dipendenze.
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.
https://www.gianluigibonanomi.com/wp-content/uploads/2026/09/10-skill-chatgpt-scaricare.webp9001600Gianluigi Bonanomihttps://www.gianluigibonanomi.com/wp-content/uploads/2018/10/bonanomi_logo_156.pngGianluigi Bonanomi2026-09-24 22:15:112026-09-24 22:15:11Le 10 migliori skill per ChatGPT già pronte da scaricare
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.
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.
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.
