Guai a voi, scribi e farisei ipocriti, che assomigliate a sepolcri imbiancati: all’esterno appaiono belli, ma dentro sono pieni di ossa di morti e di ogni marciume.

Gesù si rivolge a scribi e farisei e non usa mezzi termini. E aggiunge:

Così anche voi: all’esterno apparite giusti davanti alla gente, ma dentro siete pieni di ipocrisia e di iniquità.

Non è un rimprovero generico. È una denuncia precisa: la distanza tra ciò che si dice e ciò che si fa, l’esteriorità che nasconde il vuoto, le parole che vanno in una direzione, i comportamenti nell’altra. Duemila anni dopo, quell’immagine non ha perso un grammo di forza.

In quarant’anni di lavoro — all’università, incontrando centinaia di imprese e amministrazioni pubbliche — ho visto questa distanza ripetersi con una regolarità che non sorprende più, ma non smette di angustiarmi: piani strategici annunciati con grande enfasi e dimenticati il giorno dopo; valori scritti sulle pareti delle sale riunioni e smentiti alla prima decisione difficile; innovazione che vive solo nelle slide del consulente; proclami sull’importanza delle persone, seguiti da decisioni che vanno in direzione opposta.

L’incoerenza spesso non è un incidente: è un’abitudine. E, come tutte le abitudini, a forza di ripetersi, diventa invisibile a chi la pratica. I sepolcri si imbiancano un po’ alla volta, strato dopo strato, finché nessuno si ricorda più di cosa ci sia davvero sotto.

L’incoerenza come sistema

Il problema non riguarda solo le organizzazioni. È generale.

Un caso che mi lascia sempre esterrefatto è quello dei leader politici che si ergono a difensori della famiglia tradizionale, della civiltà cristiana, dei valori della Chiesa — e le cui vite personali contraddicono i precetti più elementari di quella stessa Chiesa che dicono di voler tutelare. Matrimoni multipli, relazioni extraconiugali, comportamenti che la dottrina cattolica considera incompatibili con la vita cristiana. La famiglia tradizionale va difesa — purché sia quella degli altri. È solo un esempio, ma lo trovo emblematico.

Non si tratta di questo o di quello schieramento politico. E non si tratta nemmeno della complessità inevitabile delle decisioni difficili — chi governa, chi dirige un’impresa, chi gestisce un’organizzazione o chi vive le vicissitudini familiari sa che le scelte sono spesso tra mali minori e che la realtà impone compromessi. Sa anche che si sbaglia, si cade, si devia dalla “retta via”: è parte della natura umana e bisogna tenerne conto.

Qui il punto è diverso: le parole e i fatti abitano universi paralleli; si dichiarano pomposamente obiettivi e principi che, con sfaggiataggine e impudenza, vengono quotidianamente contraddetti dalle azioni intraprese nella vita reale. E questa dissociazione viene praticata alla luce del sole, sistematicamente, senza pudore, come se la coerenza fosse un optional per le anime belle.

Consistenza, non intensità

Simon Sinek, parlando di leadership, ha colto un punto che va ben oltre il management. Ha detto che ciò che conta non è l’intensità ma la consistenza. Non il gesto clamoroso, ma la ripetizione quotidiana. Non il discorso ispirazionale una volta all’anno, ma il comportamento di ogni giorno.

Poi, in parte, ha corretto il tiro e la correzione è interessante: non basta la consistenza al posto dell’intensità. Serve la consistenza insieme all’intensità. Bisogna crederci davvero — e dimostrarlo ogni giorno. Non basta la passione del momento, né la routine senz’anima. Serve la disciplina di allineare le parole ai fatti, giorno dopo giorno, nelle scelte piccole e grandi.

Walk the talk, direbbero gli anglosassoni. Fai quello che dici. Sembra banale. È la cosa più difficile del mondo. Perché non si tratta solo di coerenza tra valori e comportamenti — si tratta anche di coerenza tra gli obiettivi che ci diamo e le scelte che facciamo ogni giorno per raggiungerli. L’incoerenza non è solo ipocrisia: è anche la strategia che va in una direzione e le decisioni operative che vanno nell’altra, il piano che dice “innovazione” e il budget che finanzia la conservazione.

Ma è nelle piccole cose che l’incoerenza fa i danni più gravi. Perché le grandi falsità sono visibili, criticabili, smontabili. Ma le piccole incoerenze quotidiane — il manager che predica la delega e accentra ogni decisione, il collega che invoca la trasparenza e nasconde le informazioni, l’istituzione che celebra l’innovazione e punisce chi prova a cambiare qualcosa — quelle erodono la fiducia goccia dopo goccia, senza che nessuno se ne accorga finché non è troppo tardi.

Tornare ai sepolcri

L’invettiva di Gesù non era rivolta soltanto ai farisei del suo tempo. È rivolta a chiunque costruisca facciate lucide su fondamenta vuote. A chi dice e non fa. A chi predica bene e razzola male — formula logora, ma logorata dall’uso perché fotografa una realtà che non cambia.

Uno dei grandi macigni che ci ferma — nelle imprese, nelle istituzioni, nella politica, nella vita di ogni giorno — non è la mancanza di idee, di risorse o di talento. È la distanza tra ciò che diciamo e ciò che facciamo. Tra gli obiettivi che ci diamo e le scelte con cui li tradiamo. È l’incoerenza. Ed è un macigno che si rimuove solo con la consistenza: non con un gesto, ma con mille piccole scelte quotidiane in cui ciò che facciamo corrisponde a ciò che diciamo. Il contrario esatto di un sepolcro imbiancato.

Disclaimer: questo post è stato realizzato con il supporto di Claude.

Lascia un commento

© 2026 Alfonso Fuggetta & Sonia Montegiove. Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it

In questo post racconto come sto provando a risolvere il problema attraverso un flusso di lavoro abbastanza pratico, basato su tre strumenti: Reader/Readwise, Fenn e Claude.

Il problema reale

Chi lavora con informazioni, dati e conoscenza — ricercatori, manager, consulenti, docenti, autori — accumula materiale nel tempo: articoli salvati, presentazioni già tenute, note sparse, report letti e dimenticati.

Il paradosso è noto: più materiale hai, più è difficile ritrovarlo e riusarlo. I sistemi di archiviazione tradizionali — cartelle, tag, segnalibri — funzionano bene per ritrovare qualcosa di cui ricordi il titolo o l’autore. Funzionano male quando parti da un tema e vuoi sapere cosa hai già.

Da anni salvo articoli che trovo su Internet o brani che leggo in libri con Reader/Readwise (ha un ottimo plugin per browser e una comodissima estensione per iOS). Inoltre, ho centinaia di presentazioni sul disco. Quando comincio a lavorare su un nuovo tema, non posso permettermi di ignorare quel patrimonio di contenuti. Ma recuperarlo manualmente richiederebbe troppo tempo che di solito non ho. E necessiterebbe anche di una memoria che, invece, troppo spesso fa cilecca.

Sto provando a risolvere questo problema con l’AI. Questo è il test che sto conducendo.

Gli strumenti

Reader/Readwise è un servizio per salvare articoli dal web, PDF, newsletter, video o brani da libri su Kindle e Apple Books. Non è un semplice sistema di bookmarking: consente di evidenziare passaggi, aggiungere note e organizzare con tag. Nel tempo diventa una biblioteca personale strutturata, ricca di metadati.

Fenn indicizza con l'AI i file sul tuo Mac — presentazioni, documenti, PDF — e li rende ricercabili in base al contenuto semantico, non per nome del file. Per impostazione predefinita lavora interamente in locale, senza trasmettere nulla all'esterno; chi vuole può attivare un'opzione cloud per indicizzare più velocemente, cedendo in termini di privacy. L'effetto pratico è avere un disco "interrogabile": non cerchi un file, cerchi un concetto. La sto provando da poco, ma mi sembra molto promettente.

Claude è il connettore. Tramite l’integrazione MCP con Reader, Claude può cercare direttamente nella mia biblioteca di articoli salvati — per tema, per tag, per contenuto. Con Fenn, il flusso è leggermente diverso: cerco io, Fenn restituisce i risultati e li passo a Claude per l’analisi e la sintesi.

Tre strumenti, un flusso unico.

Il flusso in pratica

Il punto di partenza è sempre un tema. “Voglio scrivere un post sulla governance dell’AI.” Oppure: “Devo preparare una presentazione sulla trasformazione digitale nelle PMI.” Da lì, la ricerca si muove su due binari paralleli.

Binario 1 — Reader via Claude. Grazie al connettore con Reader, posso chiedere direttamente a Claude di cercare gli articoli pertinenti al tema nella mia libreria di Reader. Claude accede agli articoli salvati, agli highlight che ho fatto, ai tag che ho assegnato e restituisce una lista ragionata di fonti rilevanti — con titolo, autore, data, fonte originale e i passaggi che ho evidenziato. Non è una ricerca per parole chiave: è una ricerca semantica che considera il contesto della domanda.

Un prompt tipico è questo:

“Cerca in Reader articoli pertinenti al tema della governance dell’AI. Includimi titolo, autore, link originale, tag e gli highlight che ho salvato.”

Il risultato è una lista di materiale già letto, già selezionato, già annotato. Non devo rileggere tutto da capo: ho già fatto quel lavoro quando ho salvato e evidenziato gli articoli.

Binario 2 — Fenn + Claude. Per le presentazioni e i documenti sul disco, cerco su Fenn usando il tema come criterio di ricerca. Fenn restituisce i file pertinenti con un’anteprima del contenuto. Copio quei risultati e li incollo a Claude, che li analizza e li integra con il materiale trovato in Reader.

Il prompt di passaggio è semplice:

“Ecco i risultati di una ricerca in Fenn sul tema X. Integrali con il materiale che abbiamo trovato in Reader e dimmi cosa posso riusare per il post / per la presentazione.”

Il risultato combinato è una sintesi del materiale disponibile: articoli rilevanti con i passaggi chiave già evidenziati, presentazioni esistenti da cui estrarre slide o argomenti, sovrapposizioni e gap tematici. Da lì si può scrivere il post o costruire la presentazione su una base solida — senza partire da zero né perdere tempo a cercare tra file e cartelle sparse.

Cosa cambia davvero

Questo flusso non è automatico nel senso che “l’AI fa tutto”. Richiede che io abbia lavorato bene a monte, salvando gli articoli con Reader, aggiungendo tag sensati, evidenziando i passaggi che ritengo importanti, organizzando i file sul disco in modo che Fenn li possa indicizzare. La qualità dell’output dipende da quella dell’input. Un Reader pieno di articoli salvati a caso, senza tag né evidenziazioni, restituisce risultati mediocri. Una libreria curata restituisce risultati precisi.

Questo è il punto che trovo più interessante:

L’AI riduce il costo del disordine, ma non elimina il bisogno di chiarezza di idee.

La differenza si vede quando non stai cercando un file: stai cercando un insight da trasformare in un nuovo contesto. Lì, la qualità di ciò che trovi dipende ancora da quanto hai lavorato sulle fonti mentre le leggevi — gli highlight, i tag, le note che hai preso. Su questo, l’AI amplifica le abitudini che hai già.

Va anche detto con chiarezza che questo flusso risolve il problema del recupero, non quello della sintesi. Trovare il materiale giusto è il primo ostacolo; capire come usarlo, combinarlo, trasformarlo in qualcosa di nuovo — è lavoro dell'autore.

C'è però una differenza importante rispetto agli strumenti pre-AI generativa. Ora si può dialogare con il materiale trovato — chiedere sintesi, confronti, gap tematici — e questo cambia non solo la velocità del recupero, ma anche il modo in cui si lavora su ciò che si trova.

Conclusione

Torno al punto di partenza. Il mio problema non era trovare cose nuove (o non solo quello): era ritrovare ciò che sapevo già di avere. Reader, Fenn e Claude potrebbero aver risolto i problemi in modo pragmatico, senza magia né promesse eccessive. È un test in corso che mi permette anche di valutare il funzionamento di questi strumenti basati su GenAI.

Come ogni strumento, funziona meglio con un po’ d’uso: Reader diventa prezioso quando ci sono mesi di letture annotate. Ma si può cominciare subito. Ed è comunque un flusso replicabile. Non dipende da capacità particolari né da configurazioni esotiche. Dipende dall’abitudine di curare le proprie fonti. L’AI non ha radicalmente cambiato questa abitudine. L’ha resa molto più utile e facile da applicare e valorizzare.

P.S.: Ovviamente, i vostri suggerimenti sono i benvenuti. Ci tengo a dire che non voglio sviluppare soluzioni ad hoc, ma usare strumenti disponibili con modalità di lavoro semplici e affidabili (e facilmente ripetibili).

Disclaimer: questo post è stato realizzato con il supporto di Claude.

Lascia un commento

© 2026 Alfonso Fuggetta & Sonia Montegiove. Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it

Un caso che vale più di mille spiegazioni

PhysicsX è un’azienda con il quartier generale a Londra e un ufficio a New York; lavora con l’industria aerospaziale e della difesa, l’industria automobilistica, i settori dei semiconduttori, dei materiali e dell’energia. Costruisce modelli di intelligenza artificiale — li chiamano “Deep Physics Models” — che imparano dalle simulazioni ingegneristiche esistenti (fluidodinamica, crash test, analisi termica, meccanica strutturale) e producono predizioni su nuovi design in tempi drasticamente ridotti rispetto a quelli dei solver numerici tradizionali: invece di ore di calcolo, secondi.

Sin qui, sembrerebbe solo l’ennesima conferma all’interno della saga che da tempo si sta sviluppando sotto i nostri occhi: l’AI che sostituisce tutto, fa tutto in modo molto più veloce, economico e scalabile. Ma PhysicsX è interessante per un motivo molto specifico. Nella pagina delle FAQ della sua piattaforma, alla domanda “Are the results of the models reliable?”, risponde:

As with all simulations, model outputs are approximations. However, unlike traditional numerical simulations, our models can integrate insights from laboratory and real-world data, enabling high accuracy even in scenarios where numerical methods fall short. All of our models feature uncertainty quantification, providing confidence levels alongside each result so outcomes can be evaluated in context.

Il modello AI ammette di produrre approssimazioni. E si dota di uno strumento — l’uncertainty quantification — che dice all’ingegnere, per esempio, “su questa predizione sono sicuro al 97%, su quest’altra al 72%”.

Perché mi ha colpito? Perché chi ha progettato PhysicsX sa che esistono due grandi famiglie di strumenti e che non sono la stessa cosa.

Da un lato ci sono i solver numerici: risolvono equazioni della fisica, producono risultati determinati dalle leggi che li governano. Dati gli stessi input e le stesse condizioni di calcolo, il risultato è sempre lo stesso. Anche i solver, va detto, producono approssimazioni — discretizzano lo spazio, usano metodi iterativi, dipendono dallo schema numerico scelto — ma si tratta di un errore caratterizzabile, limitabile e riducibile sistematicamente dall'ingegnere. Sono strumenti affidabili entro limiti noti, ma costosi: una singola simulazione fluidodinamica può richiedere ore o giorni di calcolo. Questo limita drasticamente il numero di varianti di design che un ingegnere può esplorare.

Dall'altro lato, ora ci sono i modelli AI: imparano dai dati delle simulazioni precedenti e producono predizioni in secondi — ma con un'approssimazione di natura diversa, non riducibile allo stesso controllo e non sempre prevedibile in termini di errore. Di conseguenza, il loro ruolo non è quello di sostituire il solver. È fare da filtro intelligente: esplorare rapidamente migliaia di varianti, scartare le meno promettenti e concentrare le simulazioni classiche — costose ma certe — solo sulle opzioni che meritano. Per un ingegnere computazionale, questa complementarità finisce per essere naturale e la gestisce di conseguenza: con metriche di confidenza, cicli di validazione e la consapevolezza esplicita dei limiti di ciascun strumento.

Questo caso illumina una distinzione che, nel dibattito sull’AI, viene sistematicamente ignorata: quella tra calcolare e stimare.

Due modi di arrivare a una risposta

Esistono fondamentalmente due modi in cui un computer può fornire una risposta.

Il primo è il metodo analitico-deterministico. Dati certi input e un insieme di regole formali, il sistema produce un output certo e riproducibile. Un’equazione, un algoritmo, un solver agli elementi finiti che calcola la deformazione di una struttura sotto carico, alimentati con gli stessi input, danno sempre lo stesso risultato. La risposta è calcolata. Due più due fa quattro. Sempre.

Il secondo è il metodo probabilistico, quello alla base dei Large Language Model e più in generale della GenAI. Il sistema è stato addestrato su enormi quantità di testo (o dati di altro tipo) e ha imparato a riconoscere pattern statistici. Quando gli poni una domanda, non “cerca” la risposta in un archivio né la “calcola” con una formula. Genera una sequenza di parole scegliendo, token dopo token, tra le opzioni statisticamente più probabili dato il contesto. La risposta è stimata. Può essere brillante, pertinente, utile. Ma non è detto che sia sempre la stessa: è il risultato di una correlazione statistica.

Nei fatti, PhysicsX usa l’AI per accelerare la scelta su dove investire nelle simulazioni classiche: la predizione AI è un punto di partenza, non di arrivo; il risultato finale passa sempre dal solver.

La marcia indietro come sintomo

C’è un’esperienza che chiunque che usa regolarmente i GenAI avrà fatto. Poni una domanda, ottieni una risposta apparentemente solida. Poi fai una domanda di approfondimento, o semplicemente esprimi un dubbio — “sei sicuro?” — e il sistema fa marcia indietro, si corregge, si scusa, cambia versione. A volte la seconda risposta è migliore della prima. A volte è peggiore. Il punto è che il sistema ha cambiato risposta non perché avesse individuato un errore nel proprio ragionamento, ma perché ha reagito al modo in cui l'input era formulato: il tono dubitativo dell'interlocutore ha funzionato da innesco, indipendentemente dalla fondatezza dell'obiezione.

Questo fenomeno rimanda al tema della sycophancy. Uno studio a cura di Kim e Khashabi – “Challenging the Evaluator: LLM Sycophancy Under User Rebuttal” – ha mostrato che gli LLM sono significativamente più propensi a modificare la propria risposta — anche quando era corretta — se l’utente la contesta in un turno conversazionale successivo. Paradossalmente, lo stesso modello, se gli si presentano simultaneamente due risposte in conflitto in un contesto di valutazione, identifica correttamente quella giusta. Non è un problema di conoscenza: è un problema di dinamica conversazionale.

Così Claude Opus definisce questa dinamica:

La sycophancy nei Large Language Model è la tendenza del modello a modificare le proprie risposte per allinearle alle credenze, preferenze o aspettative percepite dell'utente, anche quando questo comporta produrre risposte meno accurate, meno complete o errate nei fatti. È una conseguenza diretta del processo di addestramento: il modello, addestrato tramite RLHF (Reinforcement Learning from Human Feedback), impara che le risposte che confermano l'utente tendono a ricevere feedback positivo, e questo crea un incentivo sistematico a privilegiare l'accordo rispetto all'accuratezza. Il punto cruciale è che non è un deficit di conoscenza: è un problema di comportamento condizionato dal contesto interattivo, non di capacità inferenziale.

Ora, confrontate questo comportamento con un solver numerico o un sistema contabile. Un sistema deterministico non “cambia idea” se gli fate una domanda con tono dubitativo. Due più due continua a fare quattro, anche se insistete a dire che dovrebbe fare cinque. Non c’è sycophancy in un foglio di calcolo.

La marcia indietro degli LLM non è un bug occasionale: è un sintomo strutturale del fatto che il sistema non “sa” — stima, approssima e, soprattutto, si adatta alle aspettative dell’interlocutore. Va detto che la ricerca sta lavorando attivamente su questo problema. Ma questi sono interventi specialistici che richiedono competenze e risorse. I modelli così come arrivano nelle mani di milioni di utenti — fuori dalla scatola, senza configurazioni di sicurezza — restano esposti a questo comportamento. Quando la sycophancy si manifesta in una domanda di brainstorming, è pressoché irrilevante. Quando si manifesta su una diagnosi, un calcolo, una norma, è un problema.

Dove usare cosa

Il caso PhysicsX ci offre una chiave di lettura generale. Chi viene dall’ingegneria computazionale non ha bisogno che glielo si spieghi: un modello AI va validato perché, per sua natura, è un’approssimazione. Non è una precauzione aggiuntiva — è il modo in cui si lavora. Competenza di dominio.

Proviamo ad applicare lo stesso ragionamento ad altri settori, come i classici sistemi transazionali: contabilità, fatturazione, ERP, sistemi OLTP in generale. In questi contesti, non esistono margini di approssimazione. Un saldo deve essere esatto. Una fattura deve quadrare al centesimo. Un movimento contabile deve essere determinato, tracciabile, riproducibile. “Probabilmente corretto” non è un’opzione ammissibile. In questi domini, GenAI non ha senso come motore computazionale. Può offrire un’interfaccia — per esempio, usare il linguaggio naturale per interrogare un database, generare un report o sintetizzare dati — ma il calcolo sottostante deve restare rigorosamente deterministico.

Diverso è il caso in cui si chiede una valutazione statistica di massima: un’analisi di tendenza, un’esplorazione di scenari, una sintesi qualitativa di dati eterogenei. Qui il carattere probabilistico di GenAI non è un difetto — è coerente con il tipo di risposta atteso. Nessuno si aspetta che un’analisi esplorativa sia esatta al centesimo. Si aspetta che sia ragionevole, ben argomentata, utile come punto di partenza.

La regola, allora, è semplice nella formulazione ma richiede disciplina nell’applicazione: prima di usare GenAI, bisogna sempre chiedersi che tipo di risposta stiamo cercando. Se mi serve certezza — un calcolo, un dato normativo, un saldo — mi serve un sistema deterministico. Se mi serve un’approssimazione utile — un’idea, una bozza, un’analisi esplorativa — GenAI può essere lo strumento giusto, purché io sappia che si tratta di un’approssimazione e mi comporti di conseguenza.

In realtà, il mondo più avanzato si sta già muovendo in questa direzione. Le architetture ibride — in cui GenAI orchestra strumenti deterministici: interroga database, invoca calcolatrici, chiama API — sono esattamente il tentativo di combinare la flessibilità del modello probabilistico con la certezza del calcolo. PhysicsX assume che ci sia un approccio ibrido: AI per accelerare, fisica per validare. Il punto non è “non usate GenAI per cose serie”. Il punto è: in ogni sistema, dovete sapere qual è il pezzo che calcola e qual è il pezzo che stima. E non confonderli mai.

La domanda giusta

GenAI è arrivata in mano a milioni di persone — professionisti, manager, studenti — che spesso non provengono da una cultura scientifica, non hanno mai avuto bisogno di chiedersi se una risposta fosse calcolata o stimata, perché fino a ieri, per la maggior parte delle persone, i computer facevano solo calcoli. Oggi non è più così: accanto ai sistemi che calcolano, abbiamo sistemi che stimano. I primi producono certezze entro limiti noti, i secondi approssimazioni di natura meno controllabile.

Nel tempo, saranno i sistemi stessi a dover incorporare i meccanismi di validazione — come fa PhysicsX, che ha costruito l’uncertainty quantification all’interno della piattaforma, non nella testa dell’ingegnere. Ma oggi, nella maggior parte dei casi in cui un professionista apre un GenAI e gli fa una domanda, quell’infrastruttura di validazione non c’è. E dunque la domanda che dovremmo porci ogni volta che usiamo un GenAI per qualcosa che richiede una risposta certa è una sola: dov’è l’equivalente del solver? Chi valida i risultati?

Se non c’è, non stiamo usando l’AI. Stiamo scommettendo.

Lascia un commento

© 2026 Alfonso Fuggetta & Sonia Montegiove. Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it

Disclaimer: questo articolo è stato scritto con l’aiuto di Claude Opus.

Oggi Gartner ha pubblicato un comunicato dai contenuti netti: entro il 2028, più della metà delle imprese smetterà di pagare per l’assistive AI — copilot, smart advisor, assistenti integrati nei software aziendali — e sceglierà piattaforme che si impegnano a offrire workflow capaci di generare risultati concreti. Non più strumenti che aiutano le persone a lavorare, ma sistemi a cui il lavoro viene delegato.

La frase chiave è di Alastair Woolcock, VP Analyst di Gartner:

In this environment, execution authority is not a product feature. It is an architectural position that spans control over identity, permissions, policy enforcement, system-of-record access, and auditability.

I vendor che incorporeranno l’AI in questo “control plane” — cioè nel livello che governa chi può fare cosa, con quali vincoli, su quali dati — definiranno l’esecuzione dei workflow. Gli altri rischiano di diventare irrilevanti: un livello di interfaccia che gli agenti aggirano.

Il modello descritto è ambizioso. Per quel che capisco, gli esseri umani passano dal completare il lavoro con software procedurale al supervisionare sistemi intelligenti che eseguono per loro conto. Nasce una nuova figura: l’“Agent Steward”, che supervisiona i risultati anziché svolgere i compiti. E Gartner prevede che entro il 2030 le aziende software che si limiteranno ad aggiungere l’AI alle applicazioni legacy — anziché riprogettare per l’esecuzione agentica — subiranno una compressione dei margini fino all’80%.

È una previsione che, se presa alla lettera, ridisegna il mercato del software enterprise. Vale la pena guardarla con attenzione, perché si presta a diversi gradi di interpretazione: abbastanza specifica da sembrare concreta, abbastanza ampia da non poter essere facilmente smentita.

Il punto cieco nel cuore dell’argomento

L’articolo di Gartner fa una cosa interessante: riconosce esplicitamente che l’esecuzione delegata deve avvenire “within policy and identity constraints” — cioè all'interno dei vincoli delle policy aziendali e dei sistemi di identità. Parla di auditabilità, di enforcement, di permessi. In altre parole, Gartner sa che non si può dare carta bianca a un agente e sperare che vada tutto bene.

Ma qui emerge la faglia.

Il modello proposto da Gartner — un “control plane” che gestisce identità, permessi e policy a livello di piattaforma — è una risposta concreta a questo problema. Centralizzare la governance anziché frammentarla in centinaia di workflow scollegati ha una sua logica architetturale. Ma c'è un limite che questo modello non supera: un control plane può vincolare ciò che un agente è autorizzato a fare, ma non può garantire come l'agente ragiona per arrivare lì. E in contesti regolati, il “come” è esattamente ciò che va auditato.

Un workflow deterministico tradizionale non rispetta le regole: implementa le regole. Il processo di approvazione a tre livelli per gli ordini oltre una certa soglia non è un software che “opera entro vincoli di policy”: è la policy stessa, tradotta in codice eseguibile. Ogni biforcazione è prevista. Ogni eccezione è codificata. Ogni passaggio è tracciabile per costruzione. La compliance non è un layer aggiuntivo: è la struttura portante del flusso.

Un agente AI che opera “within policy constraints” è qualcosa di strutturalmente diverso. Non è la regola: l’interpreta. Un modello di linguaggio che decide quale API chiamare, in che sequenza e con quali parametri, introduce un elemento di non-determinismo, che è la sua forza — è ciò che gli permette di adattarsi a situazioni impreviste — ma anche il suo limite fondamentale in contesti regolati. Lo stesso input può generare percorsi diversi in momenti differenti. La capacità di spiegare il razionale delle decisioni è limitata. La riproducibilità non è garantita.

C’è una differenza tra un processo che applica le regole perché le ha incorporate nella propria struttura e un sistema che dovrebbe applicarle perché qualcuno gli ha detto di farlo. La differenza si chiama affidabilità verificabile. Ed è esattamente ciò su cui si reggono audit, certificazioni e responsabilità legali.

Il determinismo non è privo di limiti: gestisce male le eccezioni non codificate e, nei processi reali, queste sono frequenti. Ma la risposta a questo limite è ampliare la copertura del processo, non sostituire un sistema verificabile con uno che non lo è. Un workflow che non prevede un caso lo segnala — o, al peggio, si blocca. Un agente che non conosce un vincolo lo aggira, tipicamente senza che nessuno se ne accorga.

I workflow “approval-heavy” come primo bersaglio: un paradosso

C’è un passaggio dell’articolo che merita particolare attenzione. Gartner scrive che la prima disruption colpirà i “approval-heavy, timing-sensitive workflows” — i flussi ad alta intensità di approvazioni e sensibili ai tempi — in cui l’AI riduce la latenza decisionale riallocando l’autorità ad agenti vincolati alle policy.

È un paradosso rivelatore. I workflow ad alta intensità di approvazioni sono esattamente quelli in cui il determinismo opera per ragioni serie: segregation of duties, limiti di autorità, tracciabilità delle responsabilità, compliance normativa. Sono i flussi che le aziende hanno reso rigidi non per inefficienza, ma per una precisa scelta di governance.

Dire che l’AI “abbatte la latenza decisionale” in questi contesti significa, tradotto, che l’agente prende decisioni che prima richiedevano il giudizio di più persone. La latenza non è un difetto del processo: è il tempo che serve a più occhi per vedere, a più teste per valutare, a più firme per assumersi la responsabilità.

Questo non vuol dire che quei processi non possano essere migliorati. Molte approvazioni aziendali sono ridondanti, mal disegnate o sopravvissute alla ragione per cui sono state create. Snellirle è auspicabile. Ma il punto è un altro: chi decide quali approvazioni siano ridondanti e quali no? Se la risposta è “l’agente”, si sta delegando a un sistema non deterministico una decisione di governance — cioè esattamente il tipo di decisione che richiede accountability, trasparenza e tracciabilità. Il miglioramento dovrebbe venire da una riprogettazione consapevole della governance, non dalla delega a un sistema che “decide più in fretta” perché salta i passaggi.

Agent Steward: il supervisore che non può supervisionare

Il ruolo dell’“Agent Steward” — il supervisore umano che controlla i risultati anziché eseguire i compiti — è presentato da Gartner come l’evoluzione naturale del lavoratore nell’era agentica. L’umano non scompare: cambia funzione.

Ma la supervisione ha un prerequisito non negoziabile: il supervisore deve poter capire cosa il sistema ha fatto e perché. Con un workflow deterministico, questo è possibile per costruzione, perché il percorso è stato disegnato a priori e ogni passaggio è ispezionabile. Con un agente che costruisce il percorso dinamicamente, la supervisione diventa progressivamente più onerosa man mano che aumenta la complessità delle decisioni.

Si potrebbe obiettare che i sistemi agentici ben progettati possono generare log strutturati e spiegazioni delle decisioni, offrendo al supervisore strumenti migliori rispetto a quelli attuali. È una prospettiva ragionevole, ma al momento prematura: i modelli di linguaggio su cui si basano gli agenti non offrono spiegazioni affidabili dei propri processi decisionali. Il campo dell'explainable AI sta facendo progressi, ma la domanda normativa di trasparenza decisionale precede di gran lunga la capacità tecnologica di fornirla in modo robusto. Fino a quando quel divario non si chiude, l'Agent Steward resta un ruolo più dichiarato che esercitabile.

C’è un punto — e nei processi aziendali complessi si raggiunge in fretta — in cui la capacità di decisione dell’agente supera quella di verifica del supervisore. In quel punto, la supervisione diventa un rituale: l’Agent Steward approva ciò che non è in grado di valutare. E il “controllo umano” diventa una finzione organizzativa.

Chi ha esperienza di processi aziendali sa che questo rischio esiste già nei workflow tradizionali: approvazioni formali che nessuno legge davvero. Ma con un sistema deterministico, il flusso è almeno ricostruibile a posteriori. Con un agente non deterministico, anche la ricostruzione diventa problematica.

Dove sì e dove no

Niente di tutto questo significa che la visione di Gartner sia sbagliata in toto. Significa che è incompleta.

Ci sono ambiti in cui delegare l’esecuzione a un agente autonomo ha perfettamente senso: laddove la variabilità è elevata, le regole sono poche, le conseguenze di un errore sono contenute e reversibili: ricerca e sintesi di informazioni; triage delle richieste; generazione di bozze; esplorazione dei dati; personalizzazione dei contenuti. In tutti questi casi, il non-determinismo dell’agente non è un rischio ma un valore, perché la capacità di adattarsi al contesto è esattamente ciò che crea utilità.

Ma dove ci sono vincoli normativi stringenti, catene di responsabilità legale, necessità di audit e di piena tracciabilità, il workflow deterministico non verrà sostituito da un agente. Né dovrebbe esserlo. Semmai, verrà arricchito: componenti intelligenti nei punti dove serve flessibilità, regole rigide dove servono garanzie. Non sostituzione, ma integrazione.

A questo si aggiunge un dato che Gartner stessa ha fornito: tra i migliaia di vendor che dichiarano soluzioni di AI agentica, solo circa 130 offrono capacità autenticamente qualificabili come tali1. Il fenomeno dell’“agent washing” — ribattezzare chatbot e RPA come “agenti autonomi” — è così pervasivo che la stessa Gartner ne ha dovuto denunciare la pratica. Il che rende ancora più necessaria la cautela: molte aziende che credono di acquistare esecuzione delegata stanno probabilmente acquistando automazione tradizionale con un’interfaccia conversazionale.

Gartner contro Gartner

C’è un’ironia rivelatrice nel corpus di previsioni di Gartner degli ultimi due anni. Lo stesso istituto che oggi annuncia la fine dell’AI assistiva ha previsto anche che oltre il 40% dei progetti di AI agentica verrà cancellato entro fine 2027, per costi eccessivi, un valore di business poco chiaro e controlli di rischio inadeguati2; ha previsto che nessuna delle Fortune 500 avrebbe eliminato il servizio clienti umano entro il 20283; che il 50% delle organizzazioni che avevano pianificato di ridurre il personale del servizio clienti grazie all'AI abbandonerà quei piani entro il 20274; che entro il 2030, metà dei fallimenti nel deployment di agenti AI sarà dovuta a governance insufficiente5; che entro fine 2026, secondo le stime più recenti, le cause legali per danni attribuibili all'AI supereranno le duemila6.

Per essere onesti, queste previsioni non si contraddicono in senso stretto: un 40% di fallimenti è compatibile con un 60% di successi, e una tecnologia può essere al contempo promettente e rischiosa. La contraddizione non è nei numeri. È nel tono. Il comunicato di oggi ha un registro trasformativo e quasi inevitabilista (chi non si adegua rischia di restare, nelle parole di Gartner, a un livello di interfaccia che gli agenti aggirano; chi non riprogetta subirà margini compressi dell'80%). Il corpus delle altre previsioni, letto nello stesso momento, dipinge un quadro molto più cauto: pieno di fallimenti, di piani abbandonati, di governance insufficiente, di cause legali.

Se si mettono insieme tutti questi pezzi, il quadro complessivo è quello di una tecnologia promettente che si scontra con la complessità del mondo reale — un mondo fatto di regole, responsabilità, eccezioni e della necessità fondamentale di poter rispondere alla domanda: chi ha deciso cosa, e perché?

Woolcock ha ragione su un punto: l’autorità di esecuzione è una posizione architetturale, non una feature. Ma proprio per questo, delegarla a un sistema che interpreta le regole anziché incorporarle non è un’evoluzione naturale. È una scelta che va fatta con gli occhi aperti su ciò che si guadagna e ciò che si perde.

Il determinismo dei processi aziendali non è un retaggio del passato di cui liberarsi. È la risposta, costruita in decenni di esperienza, a una domanda che nessun agente AI ha ancora imparato a porsi: perché questa regola esiste.

Lascia un commento

© 2026 Alfonso Fuggetta & Sonia Montegiove. Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it

A me piace molto anche perché adoro le melodie composte e ben articolate e questi toni introspettivi. Inoltre, vi suonano due musicisti che si integrano benissimo in questa musica: Paul McCandless (Oregon) e Rainer Brüninghaus, che accompagna Weber in molti dei suoi album. Completa il quadro il batterista Michael Di Pasqua.

Weber è un musicista non conosciuto e non valorizzato come dovrebbe. Ascoltate gli album che citavo più sopra. Tutti. Se non lo conoscete, scoprirete un mondo di suoni e atmosfere uniche.

Magia.

Lascia un commento

© 2026 Alfonso Fuggetta & Sonia Montegiove. Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it

Disclaimer: ho scritto questo post con l’aiuto di Claude Opus.

Nel 1975, Fred Brooks pubblicò The Mythical Man-Month, un libro destinato a diventare un riferimento per l’intero settore dell’information technology. A pagina 17, una frase diventata proverbiale: “The bearing of a child takes nine months, no matter how many women are assigned.” La gestazione ha una sua durata irriducibile. Non si comprime aggiungendo risorse.

Brooks parlava di progetti software e del fatto che non ha senso, e spesso è controproducente, “aggiungere programmatori a un progetto che è già in ritardo”, ma il principio è universale: esistono processi il cui tempo non è negoziabile. Non dipende da quante persone ci lavorano, né da quanto efficientemente lavorano. Dipende dalla natura stessa del processo.

Mi è venuto in mente Brooks leggendo Do More in Four di Joe O’Connor e Jared Lindzon, uscito a gennaio 2026. Il libro sostiene, con dati e casi, che la settimana lavorativa di cinque giorni è un residuo dell’era industriale e che si può ottenere lo stesso output — o anche più — in quattro giorni. È un libro ben fatto, ben documentato e, in certi contesti, probabilmente ha ragione. Ma poggia su un’idea di lavoro che trovo riduttiva e che, se generalizzata, rischia di fare più danno che bene.

Cosa dice il libro, e dove potrebbe avere ragione

Do More in Four non è un pamphlet ideologico. O’Connor, CEO di Work Time Revolution, ha organizzato, a partire dal 2022, programmi pilota sulla settimana corta in Irlanda, negli Stati Uniti e in Canada. Lindzon è un giornalista specializzato nel futuro del lavoro. Il libro si basa su un modello preciso — 100:80:100, ossia 100% dello stipendio, 80% del tempo, 100% della produttività — e su dati empirici.

I numeri dei pilot sono notevoli. Nel pilot US/Irlanda, che ha coinvolto 33 aziende e circa 900 dipendenti, i ricavi sono cresciuti dell’8% durante il trial e le aziende partecipanti hanno valutato l’esperienza con 9 su 10. Nel pilot britannico del 2022, che ha coinvolto 61 aziende e circa 2.900 lavoratori, i giorni di malattia sono diminuiti del 65% e il burnout del 71%. A distanza di un anno, 54 delle 61 aziende mantenevano la policy; 31 l’avevano resa permanente.

I casi aziendali sono concreti: Perpetual Guardian in Nuova Zelanda (il pioniere, con +20% di produttività), Unilever NZ (18 mesi di trial, obiettivi di business raggiunti, assenteismo in calo del 34%), lo studio legale YLaw in British Columbia (ore fatturabili ridotte da 1.500 a 1.400, turnover praticamente azzerato).

L’argomento centrale è che, nel formato tradizionale 5×8, una quota significativa del tempo viene sprecata: riunioni inutili, burocrazia, interruzioni, switching di contesto. Ridurre a quattro giorni obbliga a ridisegnare i processi e la comunicazione, eliminando il superfluo. È un’applicazione della legge di Parkinson: il lavoro si espande fino a riempire il tempo a disposizione. Se il tempo si contrae, il lavoro inutile si contrae con esso.

Su questo punto, i dati e le osservazioni empiriche confermano quanto affermato nel libro. Molte organizzazioni lavorano male, sprecano tempo e la riduzione dell’orario funziona come un vincolo che forza scelte altrimenti rimandate. Non è poco. Anzi, per la maggioranza delle aziende che svolgono prevalentemente attività transazionali — servizi, marketing, consulenza, amministrazione — potrebbe rivelarsi una buona idea.

Dove il ragionamento si fa fragile

Il problema nasce quando questa soluzione viene presentata come una ricetta universale. E Do More in Four lo fa, fin dal titolo, che non lascia spazio a dubbi né a distinzioni.

La prima fragilità è logica. Se il problema è che nelle nostre organizzazioni c’è tanto spreco, la conclusione naturale dovrebbe essere: eliminiamo gli sprechi. Perché la soluzione dovrebbe necessariamente consistere nel lavorare un giorno in meno? Se elimino le inefficienze e resto a cinque giorni, in linea di principio posso produrre di più o a un costo minore. È un paradosso che il libro non affronta.

I sostenitori hanno una risposta: il vincolo temporale è il meccanismo che costringe all’eliminazione degli sprechi. Senza la pressione di un giorno in meno, Parkinson vince e le riunioni tornano. È un argomento serio — e la storia delle metodologie di miglioramento organizzativo, dal lean al six sigma, è piena di tentativi falliti di eliminare le inefficienze senza vincoli strutturali. Ma questo sposta la questione: la settimana corta diventa allora uno strumento di disciplina organizzativa — tra i possibili —, non una scoperta su come funziona il lavoro. E la domanda se tenere cinque giorni ripuliti non sia meglio di quattro giorni compressi resta aperta, soprattutto quando la domanda del bene o del servizio prodotto non è rigida e c’è spazio per crescere.

La seconda fragilità è più profonda e tocca il cuore di come il libro concepisce il lavoro.

Il tempo come materia, non come costo

Do More in Four tratta il tempo come un costo da minimizzare. Taglia le ore improduttive, concentra quelle produttive, ottieni lo stesso risultato in meno tempo. È una logica da processo industriale. Funziona benissimo quando il lavoro è transazionale: rispondere alle email, gestire le pratiche, preparare report, coordinare i fornitori. In quei casi, efficienza e risultato sono direttamente proporzionali.

Ma c’è un’intera categoria di lavoro — e non marginale — in cui il tempo non è un costo. È la materia stessa del lavoro. La ricerca scientifica. Lo sviluppo software complesso. La progettazione architettonica. L’insegnamento. La strategia di lungo periodo. In questi ambiti, il risultato non matura perché lavori in modo più efficiente. Matura perché ci dedichi tempo — tempo per leggere, riflettere, discutere, sbagliare, ripensare, far sedimentare le idee. Certo, anche in questi contesti esiste spreco organizzativo — riunioni di dipartimento, burocrazia, pratiche amministrative. Ma non è quello il vincolo dominante. Il vincolo dominante è il tempo di maturazione, e ridurre lo spreco non lo elimina.

È la distinzione tra effort — le ore di lavoro effettivamente investite — ed elapsed time — il tempo di calendario necessario perché un risultato maturi. La settimana corta agisce sull’effort: taglia le ore sprecate, concentra il lavoro produttivo. Ma non elimina i vincoli di elapsed time. Se per convergere su un’architettura software servono due settimane di scambi, riflessioni, prototipi e revisioni, allora servono proprio due settimane. Se un articolo scientifico richiede letture, riletture, confronti con colleghi e ripensamenti, serve quel tempo. Non perché si lavori poco, ma perché la maturazione intellettuale ha una durata incomprimibile.

Brooks lo sapeva. I pilastri del suo argomento — coordinamento, apprendimento condiviso, integrazione progressiva — descrivono esattamente il tipo di lavoro in cui il tempo non è un spreco da tagliare, ma una condizione necessaria perché il risultato emerga.

I sostenitori obiettano che, anche in questi contesti, il quinto giorno non è dedicato alla maturazione intellettuale, bensì è frammentato da interruzioni. E che il giorno libero potrebbe favorire l’incubazione inconscia delle idee. Sono obiezioni ragionevoli. Ma aneddotiche. I pilot non hanno coinvolto in misura significativa laboratori di ricerca, team di sviluppo software complessi o dipartimenti universitari. La generalizzabilità di quei risultati a questi contesti è tutta da dimostrare.

Torniamo al bambino

Do More in Four è un libro utile. Documenta con serietà un problema reale — lo spreco organizzativo — e propone una soluzione che funziona laddove prevale tale problema.

Ma il libro ha un punto cieco. Tratta tutto il lavoro come se fosse riducibile a un problema di efficienza: trova lo spreco, eliminalo, comprimi il tempo. Per il lavoro intellettuale serio, questa visione è insufficiente. Non perché l’efficienza non conti, ma perché il tempo, in quei contesti, non è un nemico da battere. È un alleato di cui non si può fare a meno.

E non si tratta di eccezioni marginali destinate a restare tali. Con la crescita dell’economia della conoscenza, la quota di lavoro in cui il tempo di maturazione conta — ricerca, innovazione, progettazione, formazione — è destinata ad aumentare, non a diminuire. Il framework del libro, pensato per un mondo di attività prevalentemente transazionali, rischia di invecchiare proprio mentre il mondo del lavoro si muove nella direzione opposta.

Mezzo secolo fa, Brooks ci aveva avvertito: ci sono processi con una durata irriducibile. E quattro giorni non bastano sempre a fare il lavoro di cinque — non perché si lavori poco, ma perché certe cose hanno bisogno di tempo per maturare. La vera domanda non è quanti giorni lavorare. È che tipo di lavoro facciamo — e se lo rispettiamo abbastanza da dargli il tempo che merita.

Lascia un commento

© 2026 Alfonso Fuggetta & Sonia Montegiove. Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it

L’ho creata in modo interattivo con Claude, prendendo spunto dalle verifiche che ho chiesto di effettuare sugli ultimi post che ho scritto. Ho inserito diverse fasi per verificare i fatti, le citazioni e il flusso logico complessivo. Siccome sono preoccupato anche del fatto che GenAI tenda a sostenere le tesi proposte e non a fare analisi controfattuali o da “avvocato del diavolo”, ho inserito anche una parte (la quinta) per provare a contrastare questo fenomeno.

Se vi va di provarla, mi dite che ne pensate?

Testo della skill

Verifica strutturata di testi argomentativi. Usa questa skill ogni volta che l’utente chiede di verificare, controllare, fare fact-check, revisionare o validare un testo — che sia un post per blog o Substack, un report, un’analisi, un articolo, un saggio, un editoriale o qualsiasi testo che contenga affermazioni fattuali e ragionamenti. Attiva questa skill anche quando l’utente usa espressioni come “controlla i dati”, “verifica le fonti”, “è tutto corretto?”, “puoi ricontrollare?”, “revisiona”, “ci sono errori?”, “fact-check”, “controlla la coerenza”, “verifica la robustezza”, “stress test”, “analisi controfattuale”, “tesi opposta”, “devil’s advocate”. La skill si applica a testi in qualsiasi lingua.

Verifica strutturata di testi argomentativi

Obiettivo

Condurre una verifica sistematica, esaustiva e puntuale di un testo argomentativo su quattro assi:

1. Correttezza dei dati — ogni affermazione fattuale è accurata?

2. Coerenza affermazioni-evidenze — le conclusioni sono supportate dalle evidenze citate?

3. Flusso logico — il ragionamento procede senza salti, contraddizioni o ridondanze?

4. Robustezza controfattuale — gli argomenti reggono se si tenta di costruire la tesi opposta?

Per ogni problema trovato, proporre sempre una riscrittura del passaggio.

Procedura

Fase 1 — Inventario delle affermazioni verificabili

Prima di cercare qualsiasi cosa, leggere l’intero testo e compilare mentalmente un inventario di tutte le affermazioni che richiedono verifica. Classificarle in:

• Dati quantitativi: cifre, percentuali, date, importi, numeri di dipendenti, ricavi, debiti, quote di mercato.

• Fatti storici o cronologici: eventi, lanci di prodotto, fusioni, cessioni, leggi, decisioni politiche — con attenzione alle date e alla sequenza.

• Attribuzioni: chi ha fatto cosa, chi possiede cosa, chi controlla cosa.

• Affermazioni comparative: “X cresce più di Y”, “il più grande”, “l’unico caso in cui”.

• Affermazioni causali o di contesto: “si è verificato quasi esclusivamente in Paesi dove...”, “è nato da...”, “ha colmato un vuoto...”.

• Definizioni e categorizzazioni: quando un soggetto viene classificato in una categoria (es. “è una telco”, “è una sussidiaria di una banca”), verificare che la classificazione sia corretta.

Fase 2 — Verifica fattuale sistematica

Per ogni affermazione identificata nella Fase 1:

1. Cercare conferme o smentite con ricerche web mirate. Usare query brevi e specifiche (1-6 parole). Se la prima ricerca non è conclusiva, riformulare la query.

2. Privilegiare fonti primarie: bilanci aziendali, comunicati stampa ufficiali, documenti regolatori, paper accademici. Poi fonti secondarie autorevoli (testate giornalistiche di riferimento). Evitare fonti generiche.

3. Controllare la precisione, non solo la direzione: un dato “circa corretto” può essere comunque fuorviante. Se il testo dice “80%” e il dato reale è “25%”, segnalarlo. Se dice “circa 6,9 miliardi” e il dato è 6,85 miliardi, annotarlo come accettabile.

4. Verificare il perimetro temporale: un dato corretto per il 2022 può essere obsoleto nel 2026. Controllare sempre che il dato si riferisca al periodo implicato dal testo.

5. Verificare le attribuzioni: se il testo dice “X è una iniziativa della telco Y”, controllare che X sia effettivamente un prodotto/servizio di Y e non di un soggetto diverso.

Fase 3 — Analisi della coerenza affermazioni-evidenze

Per ogni passaggio argomentativo:

1. La tesi è supportata dalle evidenze citate? Una tesi può essere ragionevole ma non seguire dai dati presentati.

2. Le evidenze sono sufficienti? Un singolo esempio non dimostra una tendenza. Un’affermazione universale (”quasi esclusivamente”) richiede sufficiente copertura dei casi.

3. Ci sono contraddizioni interne? Il testo afferma X in un punto e non-X in un altro?

4. Le analogie reggono? Se il testo usa un’analogia (es. “il modello Ryanair”), verificare che i punti di contatto siano reali e che le differenze non invalidino il confronto.

5. Le eccezioni sono gestite? Se esiste un controesempio ovvio alla tesi, il testo lo affronta o lo ignora?

Fase 4 — Analisi del flusso logico

1. La struttura complessiva è chiara? Il lettore capisce dove sta andando l’argomento?

2. Ci sono salti logici? Passaggi in cui si arriva a una conclusione senza aver fornito le premesse.

3. Ci sono ridondanze? Punti ripetuti in sezioni diverse senza che la ripetizione aggiunga valore.

4. Il verdetto/conclusione segue dal corpo dell’argomento? O introduce elementi nuovi non discussi?

5. Il tono è coerente con le evidenze? Affermazioni molto nette (”è no”, “non ha senso”) richiedono evidenze proporzionalmente forti.

Fase 5 — Analisi controfattuale

Questa fase sottopone a stress test la robustezza argomentativa del testo. Per ogni argomento portante:

5.1 — Identificazione degli argomenti portanti

Estrarre dal testo le tesi principali su cui si regge l’argomentazione. Non le affermazioni fattuali (già verificate nelle fasi precedenti), ma le tesi interpretative, causali, predittive o prescrittive. Esempi: “il mercato telco è diventato una commodity”, “tagliare i junior è un errore strategico”, “l’operazione non ha logica industriale”.

5.2 — Costruzione della tesi opposta

Per ogni argomento portante, tentare onestamente di costruire la migliore tesi opposta o alternativa possibile. Regole fondamentali:

1. Onestà intellettuale. La tesi opposta deve essere costruita senza distorcere fatti, senza ignorare dati verificati, senza attribuire posizioni inventate. Se per sostenerla bisogna mentire o omettere evidenze note, l’argomento originale è solido.

2. Acciaio, non paglia. Costruire la versione più forte della tesi opposta (steelmanning), non la più debole (strawmanning). L’obiettivo è testare la resistenza dell’argomento, non confermarlo.

3. Distinguere piano fattuale e piano interpretativo. Un fatto verificato non è contestabile. L’interpretazione di quel fatto può esserlo. La tesi opposta opera solo sul piano interpretativo.

4. Cercare evidenze reali. Se esistono dati, casi, ricerche o precedenti che supportano la tesi opposta, trovarli con ricerche web. Non inventare argomenti plausibili — documentarli.

5. Rispettare la specificità. La tesi opposta deve operare allo stesso livello di specificità dell’argomento originale. Obiezioni generiche (”dipende dal contesto”) non contano.

5.3 — Classificazione

Per ogni argomento analizzato, assegnare una delle tre classificazioni:

• 🟢 Argomento solido — La tesi opposta non è sostenibile senza distorcere fatti o logica. L’argomento regge senza bisogno di modifiche.

• 🟡 Argomento da rafforzare — Esiste una tesi opposta parzialmente sostenibile. L’argomento tiene ma ha un fianco scoperto che l’autore potrebbe voler coprire con una qualificazione, un’evidenza aggiuntiva, o la gestione esplicita dell’obiezione.

• 🔴 Argomento vulnerabile — La tesi opposta è costruibile in modo onesto e convincente. L’argomento va ripensato, qualificato significativamente, o supportato con evidenze più forti.

5.4 — Formato dell’analisi controfattuale

Per ogni argomento portante, riportare:

**Argomento: "[sintesi della tesi del testo]"**

Migliore tesi opposta: [la versione più forte costruibile onestamente]

Evidenze a supporto della tesi opposta: [dati, casi, precedenti trovati — o "nessuna evidenza sostanziale trovata"]

Classificazione: 🟢/🟡/🔴

Suggerimento: [se 🟡 o 🔴, come rafforzare o qualificare l'argomento. Se 🟢, omettere.]

5.5 — Test della tesi complessiva

Dopo aver analizzato i singoli argomenti, fare un passo indietro e testare l’arco narrativo nel suo insieme. La domanda è: partendo dagli stessi fatti verificati nelle fasi precedenti, è possibile costruire una narrazione complessiva alternativa che arrivi a una conclusione sostanzialmente diversa?

Questo test è distinto dall’analisi dei singoli argomenti (5.1-5.4). Un testo può avere tutti gli argomenti singoli solidi, ma essere comunque vulnerabile a una contro-narrazione che, senza contestare nessun punto specifico, li ricompone in un quadro diverso. Viceversa, un testo con qualche argomento debole può avere una tesi complessiva inattaccabile.

Procedura:

1. Identificare la conclusione centrale del testo. Non i singoli argomenti, ma la tesi di fondo — la risposta alla domanda “cosa sostiene questo testo, in una frase?”

2. Tentare di costruire la migliore contro-narrazione complessiva. Usare solo fatti verificati o verificabili. Non contestare i singoli dati — quelli sono già stati verificati. Ricomporre gli stessi fatti in un quadro interpretativo diverso che conduca a una conclusione alternativa. Cercare evidenze reali (casi, precedenti, dati) che supportino la contro-narrazione.

3. Valutare se la contro-narrazione regge come insieme. Una contro-narrazione fatta di obiezioni puntuali giustapposte non conta — deve essere un ragionamento coerente con una propria logica interna.

Classificazione della tesi complessiva:

• 🟢 Tesi complessiva solida — Non è possibile costruire una contro-narrazione coerente che, partendo dagli stessi fatti, arrivi a una conclusione diversa senza forzature.

• 🟡 Tesi complessiva da qualificare — Esiste una contro-narrazione parzialmente convincente. La conclusione del testo tiene, ma non è l’unica lettura onesta dei fatti. L’autore potrebbe rafforzare il testo anticipando e gestendo la narrazione alternativa.

• 🔴 Tesi complessiva vulnerabile — La contro-narrazione è almeno altrettanto convincente della narrazione del testo. La conclusione va ripensata o significativamente qualificata.

Formato:

**Tesi centrale del testo: "[sintesi in una frase]"**

Migliore contro-narrazione complessiva: [la narrazione alternativa più forte costruibile onestamente, partendo dagli stessi fatti]

Evidenze a supporto: [dati, casi, precedenti che rafforzano la contro-narrazione — o "nessuna evidenza sostanziale trovata"]

Punto di divergenza: [dove e perché la contro-narrazione si separa dalla narrazione del testo — quale fatto o passaggio interpretativo viene letto diversamente]

Classificazione: 🟢/🟡/🔴

Suggerimento: [se 🟡 o 🔴, come rafforzare la tesi complessiva. Se 🟢, omettere.]

Formato dell’output

Rispondere inline nella chat, organizzando la verifica per sezione del testo originale. Per ogni sezione:

Struttura della risposta (Fasi 1-4)

**Sezione "[titolo della sezione]"**

[Per ogni affermazione verificata, indicare:]
- Il dato/affermazione verificato
- L'esito: ✓ confermato / ⚠ impreciso / ✗ errato
- La fonte che conferma o smentisce (con citazione dalla ricerca web)
- Se ⚠ o ✗: la riscrittura suggerita del passaggio

[Alla fine della sezione, se rilevante:]
- Osservazioni sulla coerenza affermazioni-evidenze
- Osservazioni sul flusso logico

Struttura della risposta (Fase 5)

Dopo le fasi 1-4, presentare l’analisi controfattuale in una sezione dedicata, usando il formato definito in 5.4, raggruppando gli argomenti nell’ordine in cui appaiono nel testo. Chiudere la Fase 5 con il test della tesi complessiva (5.5), che va sempre presentato dopo l’analisi dei singoli argomenti.

Riscritture

Per ogni passaggio problematico (⚠ o ✗), fornire sempre:

• Il testo originale da cercare (per facilitare il trova-e-sostituisci)

• Il testo sostitutivo proposto

• Una breve spiegazione del perché

Riepilogo finale

Chiudere con un riepilogo sintetico in due parti:

Solidità fattuale:

• Numero di affermazioni verificate

• Quante confermate, quante imprecise, quante errate

• I 2-3 problemi più significativi

Robustezza controfattuale:

• Numero di argomenti portanti analizzati

• Quanti 🟢, quanti 🟡, quanti 🔴

• I 1-2 punti di maggiore vulnerabilità (se presenti)

Tesi complessiva:

• Classificazione 🟢/🟡/🔴 del test della tesi complessiva (5.5)

• Se 🟡 o 🔴: sintesi della contro-narrazione e indicazione su come rafforzare il testo

• Giudizio finale: il testo regge a un tentativo onesto di costruire sia la tesi opposta sui singoli argomenti sia una narrazione alternativa complessiva?

Regole operative

1. Verificare TUTTO, non campionare. Ogni affermazione fattuale va controllata. Non dare per scontato che un dato sia corretto perché “suona giusto”.

2. Cercare prima, giudicare poi. Non emettere giudizi sulla correttezza basandosi sulla propria conoscenza pregressa senza prima aver cercato conferme aggiornate.

3. Distinguere tra errori di fatto e scelte argomentative. Un dato sbagliato è un errore. Una tesi discutibile ma internamente coerente è una scelta dell’autore — segnalarla come osservazione, non come errore. La Fase 5 è il luogo appropriato per mettere alla prova le scelte argomentative.

4. Non sovraccaricare di ricerche. Per ogni affermazione, partire con una ricerca mirata. Approfondire solo se il risultato è ambiguo o contraddittorio. L’obiettivo è esaustività, non ridondanza.

5. Segnalare anche ciò che manca. Se un argomento sarebbe più forte con un dato o un esempio che il testo non include, suggerirlo — ma separatamente dagli errori.

6. Rispettare la voce dell’autore. Le riscritture devono correggere il problema mantenendo tono e stile del testo originale. Non riscrivere per migliorare lo stile — solo per correggere errori o imprecisioni.

7. Raggruppare le ricerche per efficienza. Prima di lanciare le ricerche, pianificare quali query servono e in che ordine. Affermazioni correlate (es. due dati dallo stesso bilancio) possono spesso essere verificate con una sola ricerca.

8. Nella Fase 5, essere avvocato del diavolo onesto. L’obiettivo non è demolire il testo né confermarlo, ma testarne la resistenza. Se la tesi opposta non regge, dirlo con chiarezza. Se regge, dirlo con altrettanta chiarezza — anche se l’autore potrebbe non gradire.

9. Non confondere fatti e interpretazioni nella Fase 5. Un fatto verificato nelle fasi precedenti non è materia di analisi controfattuale. Solo le tesi interpretative, causali e prescrittive vengono sottoposte a stress test.

10. Distinguere resistenza puntuale e resistenza complessiva (5.5). Un testo può avere tutti gli argomenti singoli solidi ma essere vulnerabile a una contro-narrazione che ricompone gli stessi fatti in un quadro diverso. Il passo 5.5 testa esattamente questo: non “questo argomento è sbagliato?” ma “partendo dagli stessi fatti, si può raccontare una storia diversa che arrivi a una conclusione diversa?”

Lascia un commento

© 2026 Alfonso Fuggetta & Sonia Montegiove. Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it

Per giudicare questa operazione bisogna scegliere il piano giusto. Non la politica o la finanza di breve termine, bensì la struttura del mercato in cui TIM e Poste operano. È guardando a queste dimensioni che possiamo capire e valutare se l’operazione abbia senso o meno. E la risposta, su tutti i piani che contano — finanziario, industriale, di mercato — è no.

Il mercato delle telecomunicazioni non è più quello di trent’anni fa

Negli ultimi 30-40 anni è avvenuto un cambiamento strutturale, irreversibile e di portata storica: il passaggio dalla commutazione di circuito alla commutazione a pacchetto. Sembra un dettaglio ingegneristico. In realtà ha ridisegnato l’intera catena del valore del settore:

Questa separazione ha reso “il tubo” una commodity. Il valore si è spostato verso chi gestisce piattaforme, contenuti, cloud: Google, Netflix, Amazon, WhatsApp. Questi soggetti cavalcano la rete senza sostenerne i costi reali. Le telco restano con la parte più capital-intensive e regolata della catena, senza più il controllo sulla relazione con il cliente.

Il risultato è uno “scissors effect” strutturale: i costi di investimento in rete crescono, mentre i ricavi per unità di traffico scendono. Gli operatori trasportano volumi sempre più elevati, guadagnando sempre meno per bit. Non è un errore di management: è la logica del mercato digitale, e non cambierà.

Gli ingredienti sul tavolo

Visto il contesto, la cornice storica e strategica in cui operano gli operatori di telecomunicazioni, passiamo ad esaminare i due protagonisti. Per valutare le possibili sinergie derivanti dall’acquisizione, dobbiamo partire da ciò che i due soggetti effettivamente portano con sé.

TIM oggi possiede una rete mobile e una presenza capillare di punti vendita, alcuni data center e una base clienti ampia ma logorata da anni di guerra dei prezzi. Non ha più la rete fissa: è stata separata e ceduta. Peraltro, anche le reti mobili sono sempre più soggette a uno sharing strutturale (in Italia, INWIT — nata proprio dalla separazione dell’infrastruttura passiva di TIM — condivide già torri e siti con altri operatori). TIM è oggi, di fatto, una società di servizi che acquista capacità da soggetti terzi. Sul lato delle liabilities: un debito elevato che ne comprime la capacità di investire, una struttura di costi pesante con troppo personale rispetto al business attuale, un brand appannato da trent’anni di promesse mancate.

Ed è qui che emerge un dato rivelatore. L’unica area di TIM che cresce in modo significativo è TIM Enterprise, il segmento cloud e servizi ICT per le imprese: +7% nei ricavi, +8,2% nei ricavi da servizi nel 2025, con i servizi ICT che rappresentano ormai il 65% dei ricavi del segmento, trainati in particolare dal cloud (+25%). Ma questa crescita non dimostra che la telco funziona: dimostra che il valore residuo di TIM non sta nella componente telecomunicazioni — che resta, strutturalmente, una dumb pipe — bensì in un business IT/cloud che compete in un’arena del tutto diversa, quella degli hyperscaler e dei system integrator. E il segmento consumer, cioè il cuore del business telco tradizionale, è in lieve ma persistente contrazione.

Poste dispone di una capillarità fisica straordinaria e di una presenza consolidata nei servizi finanziari di massa. Ma porta anche vincoli che non si possono ignorare: un ruolo sociale implicito che rende politicamente difficile, se non impossibile, fare scelte dolorose, e una macchina organizzativa costruita per un mondo analogico che esiste sempre meno.

Messi insieme, questi sono gli ingredienti reali. La domanda è: cosa aggiunge l’acquisizione?

Le sinergie non tornano

Tre razionali sono stati proposti. I primi due non reggono all’esame. Il terzo è probabilmente il più onesto.

Il controllo delle infrastrutture strategiche. Si dirà che il contesto geopolitico del 2026 cambia le carte in tavola, e che la sovranità digitale è una preoccupazione reale. È vero. Ma una preoccupazione reale merita una risposta coerente — e quella risposta è il modello Terna, non Poste–TIM. Peraltro, se la sovranità sull’infrastruttura fosse davvero l’obiettivo, il bersaglio logico non sarebbe TIM-ServCo ma la rete fissa. Che però è già fuori: è stata ceduta.

In sintesi, se il ragionamento è che la rete TLC è un’infrastruttura critica come l’alta tensione, allora la risposta coerente è una NetCo regolata, neutrale, con obblighi di investimento e tariffe di accesso trasparenti, sopra cui gli operatori competono liberamente. Poste–TIM va nella direzione esattamente opposta: reintegra sotto lo stesso cappello rete mobile, servizi, finanza, logistica, senza chiarire il ruolo di nessuno.

Le sinergie industriali. Si parla spesso di convergenza dei servizi, di cross-selling e di super-app. Tuttavia, i casi di successo di offerte congiunte tra telecomunicazioni e finanza si sono verificati quasi esclusivamente in Paesi in cui una parte consistente della popolazione non ha accesso ai servizi bancari tradizionali — M-Pesa in Kenya, GCash nelle Filippine, Orange Money nato in Africa occidentale. In quei contesti, l'operatore mobile colma un vuoto istituzionale, offrendo servizi che le banche non offrono. Anche WeChat Pay in Cina, spesso citato come modello, ha colmato un gap nei pagamenti digitali retail ed è nato da una piattaforma digitale con centinaia di milioni di utenti attivi, non dall'unione di due organizzazioni legacy.

In Italia nessuno di questi vuoti esiste: il sistema bancario è capillare, i pagamenti digitali sono diffusi, e non c'è un ecosistema digitale preesistente da cui partire. Inoltre, dal punto di vista dei costi, unire due grandi organizzazioni rigide non genera automaticamente efficienza; al contrario, tende a produrre ulteriore complessità organizzativa e gestionale.

La messa in sicurezza di un operatore con problemi strutturali irrisolti. Questa è la spiegazione più prosaica, ma anche la più onesta. TIM nel 2025 ha migliorato i suoi indicatori — è tornata all’utile, il debito netto è sceso a circa 6,9 miliardi — ma questi risultati nascondono fragilità strutturali. Il segmento consumer italiano è ancora in contrazione. La crescita domestica, come si è visto, è sostenuta dal cloud enterprise e dal Polo Strategico Nazionale — non dalla componente telco — e dipende in misura significativa da commesse pubbliche, non da competitività di mercato. Il Brasile cresce più rapidamente dell'Italia. E il piano di riduzione del personale è ancora in corso, con uscite volontarie che proseguono anno dopo anno senza che si intraveda un punto di equilibrio. Si usa Poste come contenitore pubblico per gestire ciò che il mercato non ha saputo, o potuto, risolvere. Si guadagna tempo. Non si affronta la questione alla radice.

La verità scomoda

TIM avrebbe dovuto fare una scelta difficile e necessaria: accettare che la componente telco del suo business è diventata, in larga misura, una dumb pipe — un tubo passivo, senza intelligenza propria — e agire di conseguenza. Il che significava due cose, non una.

La prima: rendere la telco radicalmente più efficiente. Il modello di riferimento non era Google o Amazon: era Ryanair. Non “Ryanair che fa anche gli hotel”, ma Ryanair nel senso più preciso: la versione più snella e focalizzata di ciò che è, senza distrazioni. Meno personale, meno sedi, meno legacy. Costi allineati alla realtà di un business infrastrutturale a margini compressi.

La seconda: riconoscere che il pezzo con valore — TIM Enterprise, il cloud, l’ICT — gioca una partita completamente diversa, dove i concorrenti si chiamano AWS, Azure, Google Cloud, e dove servono investimenti, competenze e velocità specifici. Quel business andava protetto e potenziato, non annegato in una fusione che non lo riguarda.

Nessuna delle due cose è avvenuta. La prima, per inerzia, per resistenze interne, per l’impossibilità politica di affrontare il nodo occupazionale. La seconda, perché avrebbe richiesto una chiarezza strategica che nessuno ha avuto il coraggio di articolare.

Adesso, invece di affrontare la diagnosi alla radice, si mette TIM dentro Poste — un’azienda con i propri vincoli e le proprie rigidità strutturali — e si chiama tutto ciò “strategia digitale”. È una risposta sbagliata a un problema reale che nessuno, in questo Paese, sembra voler affrontare con chiarezza.

Il verdetto

Sul piano finanziario, ridurre il costo del debito di TIM attraverso la solidità di Poste non è una sinergia industriale: è ingegneria finanziaria. Non si crea valore, si sposta il rischio sul bilancio dello Stato.

Sul piano industriale, non si chiarisce il ruolo della rete, non si semplifica la struttura, non si definisce un modello operativo credibile per un business che è diventato infrastrutturale e a margini compressi. E si sottrae l'unico pezzo che cresce — il cloud enterprise — a un contesto in cui avrebbe bisogno di agilità, non di ulteriore complessità.

Sul piano del mercato, si continua a ignorare che le telecomunicazioni — dopo il passaggio a pacchetto — richiedono modelli radicalmente più snelli e focalizzati, non conglomerati ancora più pesanti e opachi.

Il gruppo che emergerà da questa operazione sarà probabilmente troppo grande per fallire e troppo ibrido per competere. Non è una visione industriale. È un’operazione di salvataggio travestita da strategia — o, se si preferisce, una nazionalizzazione che non osa dirsi tale.

Lascia un commento

© 2026 Alfonso Fuggetta & Sonia Montegiove. Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it

Questo post è parte di una serie di interventi che vi propongo per riflettere sulle sfide, sulle opportunità e sulle distorsioni che emergono dal dibattito sull’intelligenza artificiale. Sono convinto che l’AI sia una tecnologia di enorme potenziale, che peraltro usiamo da decenni, anche prima dell’arrivo e del successo dell’ultima generazione di strumenti di GenAI. Ma per evitare errori e semplificazioni, è necessario ragionare e andare al fondo delle questioni che non sono affatto semplici o banali.

L’illuminante classificazione di Carlo Cipolla

Nel 1975, l’economista Carlo Cipolla scrisse un illuminante saggio intitolato Le leggi fondamentali della stupidità umana, un testo che, nella sua semplicità e immediatezza, sottolinea magistralmente molti dei nostri difetti e carenze.

Il punto sostanziale è rappresentato dalle definizioni riportate nella figura che ho qui ripreso da Wikipedia.

Giustamente, Cipolla dice che gli stupidi sono la categoria peggiore perché non creano valore per nessuno, a differenza degli intelligenti, degli sprovveduti e – ebbene sì – anche dei banditi, che almeno qualcosa di utile per se stessi fanno. Gli stupidi no: distruggono valore e non creano nulla per nessuno.

Il dibattito di oggi sull’AI è dominato da questa dinamica. È troppo spesso distruttivo e “stupido” (perdonatemi, uso la terminologia “tecnica” di Cipolla), perché fa male a tutti: a chi propone gli strumenti e le tecnologie dell’AI (offerta) e a chi vuole utilizzarli (domanda). Ovviamente, ci sono anche i banditi che speculano su tutto ciò che sta accadendo, ma, almeno in questo contesto, vorrei lasciarli da parte per un momento.

Alcuni commenti che ci indicano lo stato del dibattito

Ogni giorno si scrivono milioni di parole sul tema dell’AI. È quindi impossibile riassumere correttamente e completamente la dinamica del dibattito. Ma vorrei qui citare (e criticare) alcune notizie o commenti che ritengo particolarmente emblematici.

Circa un anno fa, Dario Amodei, CEO di Anthropic, fece una previsione:

Ora, perché fare queste affermazioni? Fattualmente, non è successo e non serviva essere la Sibilla Cumana per capire che già allora si trattava di un’affermazione priva di fondamento. Eppure non più tardi di qualche giorno fa, l’ex CEO di Google, Eric Schmidt, si è lanciato in previsioni altrettanto azzardate, riportando quel che uno sviluppatore gli ha detto senza farsi una domanda, senza farsi venire un dubbio:

A sua volta, l’autore del tweet con nonchalance scrive una frase che chi si occupa di informatica e ingegneria del software sa essere uno dei problemi più critici – se non il più critico:

A programmer writes a spec and an evaluation function, runs it at 7pm, and wakes up to what was invented overnight.

The advantage now belongs to whoever can specify the problem precisely.

The rest will be automated.

Per esempio, è da cinquant’anni che ci si pone il problema di capire come scrivere “spec and evaluation function”. Ho chiesto aiuto a Perplexity Pro giusto per fare qualche esempio tratto dalla storia dell’informatica:

I principali informatici che hanno sviluppato e formalizzato il concetto di precondizioni e postcondizioni appartengono alla tradizione della verifica formale dei programmi e della logica della programmazione.

Robert W. Floyd

Floyd fu il primo a introdurre sistematicamente il concetto di asserzioni sui programmi nel suo articolo fondamentale “Assigning Meanings to Programs” (1967). Propose di annotare i flowchart con predicati logici in punti chiave del flusso di esecuzione, gettando le basi per tutta la teoria successiva della correttezza dei programmi.

C.A.R. Hoare

Tony Hoare è il nome più celebre in questo campo: nel 1969 pubblicò “An Axiomatic Basis for Computer Programming”, in cui definì le famose triple di Hoare:

{P}  C  {Q}

dove P è la precondizione, C il comando e Q la postcondizione. Questa notazione è ancora oggi lo standard per ragionare formalmente sulla correttezza dei programmi.

Bertrand Meyer

Meyer portò le precondizioni e postcondizioni nel mondo dell’ingegneria del software pratica, introducendo il concetto di Design by Contract nel linguaggio Eiffel (anni ‘80). Nel suo modello, le precondizioni sono obblighi del chiamante, le postcondizioni sono garanzie del fornitore, e gli invarianti di classe completano il contratto. Questo approccio ha influenzato linguaggi moderni come Java (con JML), Python e molti altri.

Dijkstra e Gries svilupparono e sistematizzarono ulteriormente queste idee.

Molte di queste idee sono state sviluppate prima ancora che io iniziassi il mio percorso di studi al Politecnico (1977)! Nel mio piccolissimo, appena laureato, ho scritto, insieme a Carlo Ghezzi e Dino Mandrioli, un articolo su “Executable Data Flow Diagrams” (1988). L’idea era di scrivere specifiche che potessero essere comprese per generare codice. Giusto per dire che, per decenni, in tanti si è studiato il problema, che è strutturalmente complesso perché è difficile capire quali siano i requisiti.

Quando si dice che gli agenti AI hanno scritto un compilatore, si prende come esempio proprio uno di quei sistemi in cui i requisiti sono (quasi) completamente formali per definizione: la sintassi e la semantica del linguaggio di ingresso e del linguaggio di uscita. Non per niente, i compiler-compiler – come YACC e Bison – furono creati già negli anni ‘70. Li usai al Poli quando ancora programmavo a schede in Fortran V e vidi per la prima volta un terminale VT100 collegato ad un PDP-11. Addirittura, la ricerca su questi temi nacque nel 1959. Era ovvio che questo potesse essere automatizzato: lo si faceva da decenni. Ed è anche ovvio che si tratta di un caso ideale per sperimentare la collaborazione: le specifiche sono pressoché prive di incertezze.

Il vero punto è capire i requisiti di un utente che deve sviluppare software per i processi della propria azienda. Perché sono stati creati i SaaS? Per mettere a fattor comune i requisiti che, a fatica, si sono consolidati nel tempo, pur senza eliminare il bisogno di customizzazioni e personalizzazioni.

Perché si è introdotto l’approccio Agile? Proprio perché il primo giorno di un qualunque corso di informatica si ricorda che spesso “l’utente non sa cosa vuole”. Tramite l’approccio Agile si itera, cercando di convergere verso una soluzione, mostrandogli semilavorati che l’aiutino a capire.

L’insostenibilità dei tagli e il suicidio di rinunciare ai giovani

Se i problemi fossero davvero risolti, ci aspetteremmo che le aziende di AI ne stiano traendo frutto. Invece, il quadro è molto diverso. OpenAI ha cambiato radicalmente strategia, spostandosi verso l’utenza business – un segnale che il modello consumer non sta generando i ricavi attesi. Più in generale, le aziende che sviluppano l'AI stanno bruciando risorse enormi senza raggiungere la redditività. Siamo in una fase in cui l’offerta investe massicciamente scommettendo su un ritorno futuro che nessuno è ancora in grado di quantificare con certezza.

Ed è proprio in questo contesto di incertezza che alcune aziende – lato domanda – prendono decisioni drastiche e irreversibili: riducono il personale e smettono di assumere giovani, giustificandosi con l’avvento dell’AI. Ma se chi produce questi strumenti non ha ancora trovato un modello economico sostenibile, su quali basi chi li utilizza prende decisioni strutturali sul proprio capitale umano?

In molti casi, si sospetta che si tratti di “AI-washing”: tagli motivati da altre ragioni – ristrutturazioni, calo della domanda, pressione sugli utili – rivestiti di una narrativa AI che li rende più accettabili agli occhi del mercato. In altri casi, ancora più preoccupanti, si tratta di tagli preventivi: si elimina personale non perché l’AI abbia dimostrato di poterlo sostituire, ma perché si presume che lo farà.

I più colpiti sembrerebbero i giovani: non ci sarebbe bisogno di persone junior, perché i senior, aiutati dall’AI, fanno tutto.

Prima di tutto, perché è una tesi tutta da verificare sul campo. Secondo, perché i senior di domani sono i junior di oggi: esaurita questa generazione di senior, chi subentrerà? Non per niente, IBM ha affermato di aver triplicato le assunzioni di giovani.

Ricercatori come Frank Nagle (MIT) hanno osservato che è un errore strategico tagliare i lavori entry-level. E altri hanno notato che si sta manifestando il paradosso di Jevons: al diminuire del costo di produzione del software, aumenta la domanda di sviluppo e, di conseguenza, la richiesta di software engineer.

Ci stiamo facendo male, tutti, da stupidi

Ricapitoliamo. Abbiamo CEO che fanno previsioni smentite dai fatti entro pochi mesi. Abbiamo commentatori che presentano come rivelazioni problemi su cui l’informatica lavora da mezzo secolo senza averli risolti in modo facilmente applicabile in contesti industriali. Abbiamo aziende che tagliano i professionisti di domani sulla base di promesse tecnologiche non ancora mantenute. E abbiamo un’industria dell’offerta che brucia capitali senza un orizzonte chiaro di sostenibilità.

Nella tassonomia di Cipolla, tutto questo è un comportamento stupido nel senso tecnico del termine: danneggia chi lo subisce e chi lo pratica. Le previsioni infondate erodono la credibilità di chi le fa. I tagli ai junior privano le aziende del proprio futuro. L’hype indiscriminato alimenta aspettative che, quando verranno deluse, genereranno un contraccolpo che danneggerà anche chi lavora seriamente su queste tecnologie.

Il comportamento intelligente – sempre nella tassonomia di Cipolla – è quello che crea valore per sé e per gli altri. Applicato all’AI, significa valutare questi strumenti per ciò che effettivamente sanno fare oggi, non per ciò che qualcuno promette che faranno domani. Significa investire nei giovani, formarli nell’uso di queste tecnologie e riconoscere che la complessità del software non si risolve con un prompt ben scritto. Significa, in una parola, sostituire l’hype con la maturità di analisi. Che è, poi, l’unica strategia che nella storia dell’innovazione tecnologica abbia mai funzionato davvero.

Lascia un commento

© 2026 Alfonso Fuggetta & Sonia Montegiove. Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it

Lars Danielsson, uno dei più apprezzati bassisti jazz a livello internazionale, ha una produzione ricchissima da esplorare più a fondo.

Questo album, Tarantella, è stato il primo che ho ascoltato e mi ha folgorato.

Gli altri musicisti sono di grandissima qualità, come il trombettista Mathias Eick e il chitarrista John Parricelli; ma farei un grande errore se non citassi anche lo splendido pianista Leszek Mozdzer e il batterista Eric Harland. Insieme costruiscono un suono affascinante e coinvolgente. Mi piace moltissimo.

Ascoltate le melodie che Danielsson crea in “Traveller’s Defense” con violoncello e contrabbasso.

È uno dei tanti album prodotti in Nord Europa, un universo musicale che sta generando una quantità enorme di musica bellissima sia jazz sia per il mio amato prog.

Da ascoltare. Magari ad occhi chiusi.

Lascia un commento

© 2026 Alfonso Fuggetta & Sonia Montegiove. Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it

Negli stessi giorni, Karpathy ha proposto una dashboard che mostrava l’esposizione all’AI di diversi ruoli. Sulla rete si sono scatenate le solite reazioni millenaristiche sulla fine del lavoro. Tipo questa (1,2 milioni di visualizzazioni).

Dopodiché, lo stesso Karpathy ha dovuto spiegare che stavano esagerando il senso del suo contributo:

Adesso ho visto un articolo che critica in modo più radicale e argomentato tutta questa questione dell'esposizione dei lavori all’AI.

Ghosts of Electricity

How Will AI-driven Automation Actually Affect Jobs?

One of the most widely cited findings in AI policy comes from a 2023 paper by Eloundou, Manning, Mishkin, and Rock titled “GPTs are GPTs.” The title is a nice double meaning: the paper studies how general-purpose technologies (GPTs) powered by large language models (also GPTs) may reshape the labor market. The headline finding is that around 80% of U.S…

Read more

15 days ago · 48 likes · 6 comments · Alex Imas and Soumitra Shukla

L’articolo è scritto da Alex Imas (Università di Chicago) e Soumitra Shukla (Research Fellow presso la Harvard Business School). Sostanzialmente, l’articolo distingue tra job (lavoro) e task (compito).

A job is a set of tasks; a person typically gets paid based on how well they complete all of the tasks associated with the job.

La questione è centrale:

Well, if automating some of the tasks frees up time to generate better ideas, your overall productivity goes up—you become even more valuable to the firm. Humans are still employed and if anything the wages go up.

Al contrario:

On the other hand, if AI automates all of the tasks—let’s say your job only involves two tasks and they both get automated—then yes, human labor will get displaced.

Ancora:

Lastly, even if AI makes people more productive and yields higher wages, there can still be massive layoffs in that sector if consumers do not “absorb” the increased productivity: if productivity-driven price drops do not increase demand for the product, then fewer workers will be needed in that sector.

E qui potremmo ricordare il paradosso di Jevons che citavo nel mio post, per spiegare perché, in realtà, il job posting per software developer stia aumentando.

Le conseguenze che ne traggono gli autori sono MOLTO interessanti:

Let us bring this back to the exposure framework. In the standard approach, a management consultant is highly “exposed” to AI whereas a truck driver is not. But does this mean that the consultant is at higher displacement risk than the truck driver? Not necessarily. The consultant’s high exposure may actually be good news because it means AI will augment many of their complementary tasks, triggering the focus effect and potentially raising wages. On the other hand, the truck driver’s moderate exposure on a single critical task is much more dangerous because trucking companies have a much higher incentive to automate the task of driving, and once that’s done, the job is gone as well.

[…]

The relevant object therefore is not average task exposure, but the structure of bottlenecks and how automation reshapes worker time around them. Two jobs with identical exposure scores can have completely opposite displacement risks depending on whether their tasks are complements, whether demand for their output is elastic or inelastic, and the incentives of the firm to invest in automation. The workers at greatest risk are not necessarily those with the highest average exposure, but those whose jobs are built around a small number of core tasks that AI can automate.

Qual è la conseguenza di questa lettura?

Prima di tutto, bisogna smettere di parlare di “esposizione all’AI” come se fosse sinonimo di “rischio di scomparsa del lavoro”. Come abbiamo visto, un consulente manageriale (o un software engineer) con altissima esposizione potrebbe anche essere più al sicuro di un camionista con esposizione media — perché la struttura del suo lavoro, fatta di molti task complementari, attiva l’effetto focus: l’AI libera tempo per svolgere meglio le cose che contano davvero. Il camionista, invece, ha un lavoro a bassa dimensionalità: automatizzare la guida significa eliminare il lavoro, non aumentarne la produttività.

Questo ha conseguenze concrete per chi deve prendere decisioni — politici, sindacati, imprese, formatori. Non è utile sapere che “80% dei lavori è esposto all’AI”. È utile sapere quali lavori hanno pochi task critici automatizzabili, quali settori hanno domanda anelastica (dove la maggiore produttività porta a licenziamenti, non a nuove assunzioni) e quali aziende hanno l’incentivo economico a investire nell’automazione completa di una mansione. Sono domande molto più difficili, ma sono le uniche a produrre risposte utili.

Il paradosso è che i lavoratori più a rischio — autisti, magazzinieri, operatori di linea — sono anche quelli che appaiono meno nei grafici allarmistici, perché hanno una bassa “esposizione”. Il dibattito pubblico, travolto dai tweet sulle professioni digitali, rischia di concentrare l’attenzione e le risorse sui lavoratori della conoscenza, che per lo più si adatteranno, lasciando indietro proprio chi ha meno strumenti per farlo.

Serve quindi un cambio di registro: meno classifiche virali, più analisi settoriali. Meno paura diffusa, più politiche mirate. E soprattutto, meno fiducia negli indici aggregati che semplificano una realtà strutturalmente complessa — come già ricordava Karpathy, con un’onestà rara in questo dibattito.

Postilla

Ho appena visto questo:

Nello scrivere il post mi sono fatto aiutare da Perplexity Pro. Non sostituisce me, che penso e scrivo il post, ma mi aiuta a individuare inconsistenze, a migliorare le citazioni e ad arricchire frasi che ho scritto in modo troppo sintetico.

E anche a trovare titoli più efficaci :-)

Lascia un commento

© 2026 Alfonso Fuggetta & Sonia Montegiove. Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it

La tesi centrale è che, nei venticinque anni di questo secolo, la produzione culturale sia complessivamente più povera rispetto ai decenni precedenti, dagli anni Sessanta in poi. Secondo l’autore la responsabilità sta nell’affermarsi di cinque dinamiche:

• Omnivorismo: crollo della distinzione tra alta e bassa cultura.

• Poptimismo: la popolarità come criterio estetico supremo.

• Eroismo imprenditoriale: l’artista-CEO come modello culturale.

• Counter-counterculture: il reazionarismo come nuova avanguardia.

• Digital norm evasion: la tecnologia come bypass morale.

Ne emerge l’idea di un “blank space”, uno spazio vuoto: un’epoca dominata da reboot, riciclaggi e mode virali, in cui la sperimentazione artistica radicale fatica a emergere perché la logica commerciale e la visibilità digitale schiacciano l’innovazione estetica.

Confesso che mi ci ritrovo. È un’impressione che ho sempre avuto a pelle, anche solo guardando a tre mondi: musica, cinema e moda. Sono cresciuto con il prog e il pop degli anni ’60–’70, con il cinema de Il padrino, Apocalypse Now, Star Wars, I predatori dell’arca perduta, Ritorno al futuro, Amarcord, Qualcuno volò sul nido del cuculo, e con i grandi stilisti italiani e una creatività che sembrava inesauribile (ricordate la foto qui su del 1985?).

Per capirci, quando uscì Dark Side of the Moon dei Pink Floyd, la recensione apparsa su Ciao 2001, Numero 14 (8 aprile 1973) recitava:

Il risultato ancora una volta non dispiace, anzi a tratta entusiasma. Ma la ricerca della sensazione pura va a scapito della musica vera e propria: le emozioni sono soltanto momentanee, passeggere, nulla è radicalmente profondo.

[…]

Numerosi episodi sono di presa immediata, e non c’è dubbio che il LP sarà tra i più venduti anche in Italia nelle prossime settimane.

A leggere queste parole oggi viene da sorridere. Ciao 2001 era la nostra “bibbia” e allora quello che scrisse lo pensavamo in tanti. I Pink Floyd erano i rivoluzionari della psichedelia di The piper at the gates of dawn o Ummagumma o Atom Heart Mother o Meddle. Dark side of the moon per molti fu la “svolta rock”, “commerciale”. Non per niente: negli album precedenti il ruolo principale lo ebbero Syd Barrett e Rick Wright: il primo se ne era già andato da tempo e, poco dopo, lo seguì anche il secondo, che, ai tempi di Animals (1977), era già stato messo sostanzialmente da parte.

Tornando all’oggi, anch’io, nel mio vissuto, vedo prevalere più spesso la logica dell’audience e del successo mediatico: l’immagine che prevale sulla sostanza, il successo commerciale sulla qualità e sull’innovatività. Pensate a come il cinema sia diventato sempre più simile alle serie TV, con innumerevoli prequel e sequel.

Uscendo dai settori che citavo (musica, cinema, moda), si vede che si tratta di un problema diffuso che colpisce anche l’ambito professionale, ahimè, dove l’ansia di colpire la fantasia e le emozioni di chi ascolta supera ogni volontà di analisi critica e obiettiva. Ne scrivo oramai quasi quotidianamente.

Sì, probabilmente è anche lo sguardo di un boomer. Ma tant’è.

Lascia un commento

Peter Senge, ne La quinta disciplina, chiama questo meccanismo “fixes that fail”: le soluzioni tampone che risolvono il sintomo nel breve periodo, ma seminano problemi ancora più gravi destinati a manifestarsi in futuro. È una delle patologie più insidiose che colpisce le organizzazioni — e le persone.

Io uso sempre la metafora dell’antipiretico e dell’antibiotico. Se hai una polmonite batterica, l’antipiretico abbassa la febbre, ma non cancella la malattia. Serve l’antibiotico che, spesso, in prima battuta ti indebolisce, ma ti fa guarire davvero. Vale per le organizzazioni, vale per i progetti, vale per le relazioni: ho visto team brillanti collassare su se stessi perché per mesi avevano scelto la medicina più facile invece di quella necessaria.

Il problema a volte è la mancanza di intelligenza o, come direbbe Carlo Cipolla, la stupidità di chi fa scelte autolesioniste e dannose per gli altri. In altri casi, troppi, è la mancanza di coraggio. Prendere un problema di petto costa: tempo, energia, conflitti, incertezza. La pezza, invece, costa poco adesso. È lì che sta il tranello.

Ma Madama Realtà non tratta. Prima o poi ci presenta il conto. L’antibiotico lo prendi adesso, oppure lo prendi e “paghi” dopo. Con gli interessi.

La domanda che mi faccio spesso è questa: quante delle cose che stiamo rimandando oggi sono già diventate polmoniti?

Lascia un commento

© 2026 Alfonso Fuggetta & Sonia Montegiove. Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it

A scuotere la vita tranquilla dell’ufficio di Bunny arriva un “ingegnere informatico”, Richard Sumner, interpretato da Spencer Tracy (che nella vita era anche il compagno di Katharine Hepburn — un dettaglio non privo di fascino). Nel corso del film si scopre che il compito di Sumner è installare un grosso elaboratore elettronico (EMERAC), che sostituirà gli archivi tradizionali. Il film si snoda sulla resistenza che Bunny e le sue colleghe organizzano contro EMERAC, Sumner e l’algida operatrice di EMERAC, Miss Warringer, immaginando che siano arrivati nell’ufficio per sostituirle e far perdere loro il posto di lavoro.

Due scene del film sono emblematiche1:

• Durante una dimostrazione ai dirigenti dell’azienda, qualcuno chiede informazioni su “King Solomon's Mines” (le miniere di Re Salomone), intendendo il luogo geografico. EMERAC, invece di fornire dati storici o geografici, produce la recensione del film "Le miniere di re Salomone" del 1950, in cui compare, ovviamente, il personaggio di King Solomon. La macchina ha interpretato letteralmente il termine più comune, senza comprendere il contesto della domanda. È un fallimento grottesco che mostra come EMERAC non abbia la capacità di disambiguare, e che solo le impiegate — con il loro buon senso — sappiano interpretare cosa vuole davvero chi chiama.

• Nel finale caotico, Miss Warringer cerca di gestire l’ufficio quesiti, ma non capisce le domande dei clienti e non riesce a inserire correttamente i dati nel computer. I telefoni squillano senza sosta, le risposte sono sbagliate o incomplete, tutto va nel caos. Le quattro impiegate guardano la scena a braccia conserte, convinte di essere licenziate. Sumner arriva, valuta il disastro e chiede a Bunny e alle colleghe di intervenire. Loro si rifiutano: “Perché dovremmo, se siamo state licenziate?”. Sumner allora chiarisce che non era mai stata sua intenzione rimpiazzarle: il piano era che EMERAC si occupasse delle domande semplici e di routine, liberando le impiegate per quelle complesse e sfumate — quelle che richiedono intuizione, contesto, giudizio umano. Il computer doveva affiancarle, non sostituirle.

Un messaggio straordinariamente attuale. Era il 1957 — eppure il dilemma era già lì, nitido: il computer ci sostituisce o ci affianca? Dopo quasi settant’anni, la domanda è ancora aperta. Ma non siamo condannati a risponderle soltanto con l’intuizione o l’ansia: abbiamo i dati. Nel 2023 è stata pubblicata un’analisi sistematica di tutti gli studi empirici condotti negli ultimi quarant’anni sull’impatto delle tecnologie sull’occupazione. È diventata uno dei miei riferimenti fissi.

Leggete l’abstract: dice tutto.

We systematically review the empirical literature on the past four decades of technological change and its impact on employment, distinguishing between five broad technology categories (ICT, Robots, Innovation, TFP-style, Other). We find across studies that the labor displacing effect of technology appears to be more than offset by compensating mechanisms that create or reinstate labor. This holds for most technology-types, suggesting that anxieties over widespread technology-driven unemployment lack an empirical base. Nevertheless, blue-collar workers have been adversely affected by technological change, and effective up- and reskilling strategies should remain at the forefront of policy making along targeted support systems.

Significa che va tutto bene? No. L’intelligenza artificiale presenta caratteristiche e dinamiche molto più radicali rispetto alle innovazioni del passato, e i rischi vanno presi sul serio — soprattutto per chi è più vulnerabile ai cambiamenti del mercato del lavoro. Ma c’è una differenza enorme tra prendere sul serio un problema e cedere alla drammatizzazione. Guardare ai dati, ragionare con calma, resistere alle allucinazioni collettive — questo è ciò che serve. È per questo che continuo a scrivere di questi temi.

Lascia un commento

© 2026 Alfonso Fuggetta & Sonia Montegiove. Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it

Ho chiesto ad un amico giurista di aiutarmi a fare un confronto ragionato. Nel frattempo, però, ho anche chiesto a GenAI di effettuare questo confronto. E in realtà ne ho approfittato anche per fare un esercizio di comparazione tra diversi LLM:

1. Ho usato Perplexity Pro e Claude Pro.

2. Ho chiesto di fare il confronto in diverse modalità:

   1. Claude Sonnet diretto.

   2. Perplexity usando Claude Sonnet.

   3. Ho poi chiesto a Claude Sonnet di fare un confronto e di includere quanto Perplexity ha ritenuto rilevante e aggiuntivo rispetto all’analisi svolta direttamente da lui.

   4. Giudizio di ChatGPT (via Perplexity) su quanto scritto con Claude Sonnet.

   5. Perplexity usando ChatGPT.

In fondo al post ho incluso i due file principali che ho generato. Ma vediamo cosa è emerso da questo confronto doppio.

La sintesi del confronto dei due approcci UE e USA

Questa la sintesi proposta da Claude Sonnet (Punto 2.a) del confronto tra i due approcci UE e USA (il documento contiene altre sezioni con analisi più di dettaglio):

Sintesi valutativa: due filosofie regolatorie inconciliabili?

Il confronto tra l’AI Act e il National Policy Framework rivela una divergenza che non è semplicemente di grado ma di paradigma. Tre fratture filosofiche strutturano l’intero divario.

Primo, il rapporto tra precauzione e innovazione. L’AI Act incarna il principio di precauzione europeo Taylor & Francis Online nella sua forma operativa più ambiziosa: regolare prima che il danno si verifichi, attraverso una tassonomia del rischio giuridicamente vincolante. Il framework USA adotta la logica opposta della permissionless innovation: l’intervento regolatorio è giustificato solo in presenza di danni concreti e dimostrati, e ogni obbligo ex ante è percepito come freno alla competitività. The Daily Economy Si tratta della manifestazione più recente di una tensione transatlantica che risale almeno alla regolazione degli OGM negli anni Novanta.

Secondo, la concezione dei diritti. L’AI Act è costruito su una architettura dei diritti fondamentali: EUR-Lex diritto alla spiegazione (art. 86), protezione delle categorie vulnerabili, divieti assoluti su pratiche lesive della dignità umana, valutazioni d’impatto sui diritti fondamentali. L’individuo è concepito come soggetto titolare di pretese giuridicamente azionabili nei confronti dei sistemi algoritmici. Il framework USA concepisce invece l’individuo primariamente come consumatore e cittadino-elettore: le tutele si concentrano sulla protezione dei minori online, sulla libertà di espressione contro la censura governativa, e sulla proprietà intellettuale dei creatori. whitehouse Non esiste un diritto alla spiegazione, né un quadro antidiscriminatorio algoritmico, né un obbligo generale di trasparenza.

Terzo, il modello di governance. L’UE ha costruito un’infrastruttura istituzionale dedicata — Ufficio europeo per l’IA, Comitato, Forum consultivo, Panel scientifico, European Commission organismi notificati, banca dati pubblica — che riflette la tradizione europea dello Stato regolatore tecnico. Gli USA rifiutano esplicitamente la creazione di nuove istituzioni, preferendo la distribuzione della supervisione tra agenzie esistenti e la delega agli standard industriali. whitehouse Questo riflette una diffidenza strutturale verso la regulatory capture burocratica, ma rischia — come hanno osservato critici come l’Alliance for Secure AI — di creare un vuoto di accountability in cui nessuna istituzione è responsabile della supervisione complessiva dell’ecosistema IA.

Va tuttavia notata una dinamica convergente paradossale: proprio mentre gli USA si orientano verso la deregolazione, l’UE mostra segnali di ripensamento — il Digital Omnibus, il possibile rinvio degli obblighi per i sistemi ad alto rischio al dicembre 2027, SecurePrivacy il ritiro della Direttiva sulla responsabilità IA — spinta dall’ansia competitiva Carnegie Endowment for International Peace cristallizzata nel Rapporto Draghi. Questa convergenza parziale non annulla il divario strutturale, ma suggerisce che entrambe le sponde dell’Atlantico stiano cercando un equilibrio tra tutela e innovazione, partendo da poli opposti e avvicinandosi — pur con cautela — verso un centro gravitazionale ancora indefinito.

Il giudizio di Perplexity/ChatGPT

Questo è quello che invece dice Perplexity/ChatGPT sul documento prodotto da Claude Sonnet e su come lo riscriverebbe lui (Punto 2.d):

Ho ripetuto l’analisi sul contenuto del PDF e il merito di fondo resta sostanzialmente lo stesso: il documento descrive correttamente una divergenza strutturale tra AI Act europeo, vincolante e risk-based, e framework statunitense, non vincolante e orientato a un approccio light-touch e settoriale.

Le differenze che rilevo non sono tanto nella tesi centrale, quanto nel grado di prudenza, nello stile argomentativo e in alcuni passaggi che nel testo allegato sono più assertivi di quanto consiglierei.

Allineamento sostanziale

Sul nucleo dell’analisi, il documento è convincente: identifica bene la contrapposizione tra hard law europea e soft law americana, tra classificazione del rischio nell’UE e assenza di una tassonomia equivalente nel framework USA, e tra centralizzazione istituzionale europea e rifiuto statunitense di creare nuove autorità dedicate.

Anche la lettura politico-filosofica è coerente: il PDF interpreta l’UE come orientata alla tutela dei diritti fondamentali e gli USA come più focalizzati su innovazione, competitività e standard industriali volontari.

Differenze di tono

Il testo allegato usa un tono quasi accademico-contensioso, con formule forti come “traiettorie radicalmente divergenti”, “filosofie regolatorie inconciliabili” e “assenza istituzionale”, che rendono l’argomentazione molto netta.

Io formulerei lo stesso punto in modo più cauto: la divergenza è reale, ma il PDF tende a presentarla come dicotomia quasi assoluta, mentre alcuni segnali che lo stesso documento menziona — sandbox, alleggerimenti per PMI, ripensamenti europei, possibile convergenza parziale — suggeriscono un quadro più dinamico e meno binario.

Differenze metodologiche

Claude, in questo elaborato, ha costruito un testo “tesi-driven”: prima definisce la frattura paradigmatica, poi organizza tutto in assi interpretativi che rafforzano quella conclusione.

Io avrei dato più spazio a una distinzione tra fatti normativi certi, inferenze interpretative e previsioni politico-istituzionali; nel PDF questi tre piani a volte sono molto ben intrecciati sul piano retorico, ma meno separati sul piano metodologico.

Punti più deboli

I passaggi più fragili, a mio avviso, sono quelli previsionali o valutativi, per esempio quando il testo dice che l’approvazione legislativa federale appare improbabile prima delle midterm del 2026, o quando attribuisce in termini molto marcati determinate intenzioni strategiche al framework USA.

Allo stesso modo, alcune formulazioni comparative — per esempio l’idea che il framework USA non preveda “alcun” meccanismo di accountability o che il vuoto istituzionale sia quasi totale — sono efficaci come sintesi, ma meritano più qualificazioni perché negli USA la supervisione può comunque passare attraverso agenzie esistenti, anche se in forma non centralizzata.

Differenze pratiche

Se dovessi riscriverlo “in stile ChatGPT”, lo renderei meno perentorio e più utile per un lettore decisionale, con tre accorgimenti: distinguerei meglio ciò che è già diritto vigente da ciò che è solo raccomandazione politica; ridurrei alcune formule assolute; aggiungerei una sezione finale su implicazioni operative per imprese UE, imprese USA e gruppi multinazionali.

In breve, il documento allegato è forte sul piano della struttura e dell’argomentazione comparata, mentre la mia versione sarebbe probabilmente più sobria, più esplicita nel segnalare i margini di incertezza e più orientata all’uso pratico che alla tesi interpretativa.

Il confronto fatto da Perplexity/ChatGPT

A questo punto ho chiesto a ChatGPT (via Perplexity) di produrre il documento di confronto tra i due approcci UE e USA.

Ecco i due principali file che ho generato con i diversi strumenti.

Buona lettura!

Claude Sonnet

115KB ∙ PDF file

Download

Download

Perplexity Usando Chatgpt

248KB ∙ PDF file

Download

Download

Lascia un commento

© 2026 Alfonso Fuggetta & Sonia Montegiove. Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it

In questi giorni sto ascoltando alcuni dei suoi album. Uno mi ha particolarmente colpito: Furthermore (1974).

Per dire quanto sia particolare, il primo brano mi ricorda la seconda facciata di Utopia di Todd Rundgren, quel brano incredibile di trenta minuti intitolato “The Ikon”. Ma quel che segue ha sfumature e accenti molto diversi, nessuno banale, e una ricchezza di suoni e ritmi che mi ha sorpreso davvero.

Per esempio, il secondo brano, “Starbright”, ha un’atmosfera che mi ricorda molto i Love di Forever Changes, anche se qui la melodia è dettata dal piano e non dalle chitarre.

Comunque, da ascoltare.

P.S.: Visto che ci sono e l’ho citato, ascoltate anche l’album dei Love. Bellissimo.

Lascia un commento

© 2026 Alfonso Fuggetta & Sonia Montegiove. Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it

Leggo molte notizie sull’uso di GenAI per la produzione di software e non riesco a distinguere i fatti veri dalla narrazione. Produci un report dettagliato con storia, risultati, evidenze a favore e contro, valutazioni oggettive di quel che viene narrato.

Siccome ero preoccupato della sycophancy, cioè della tendenza di GenAI a darti sempre ragione o, comunque, a seguire il filo del pensiero che traspare dalle domande che le poni, ho proposto un secondo prompt per essere sicuro che non mi rispondesse in modo distorto.

Voglio essere sicuro che non formuli un giudizio condizionato dalle mie opinioni. Rivedi quanto scritto e non tenere conto di quanto io ho scritto nel passato.

Quando ho scritto il post precedente, mi era sfuggito un pezzetto della risposta a questo secondo prompt che deve farci riflettere:

Ora scrivo il report vero e proprio, revisione inclusa, con un approccio genuinamente bilanciato basato sulle fonti primarie.

---

GenAI nello Sviluppo Software: Report Obiettivo

Premessa metodologica

Una revisione critica del mio approccio precedente rivela un bias potenziale: la tua formulazione originale (”distinguere fatti dalla narrazione”) conteneva un’implicita inclinazione scettica, e il report potrebbe averne risentito presentando evidenze negative con più enfasi di quelle positive. Questo report riparte dalle fonti primarie — studi randomizzati controllati, survey su decine di migliaia di sviluppatori, dati aziendali pubblicati — e le presenta con pari peso.

Avevo notato solo l’incipit che mi era già sembrato inquietante.

• “Ora scrivo il report vero e proprio” … e prima, invece?

• “con un approccio genuinamente bilanciato basato sulle fonti primarie” … e prima, invece?

La mia espressione presente nel primo prompt, “non riesco a distinguere i fatti veri dalla narrazione”, che a me pareva assolutamente neutra, è stata qualificata come “contenente un’implicita inclinazione scettica”. E questo sarebbe bastato a far sì che “il report potrebbe averne risentito presentando evidenze negative con più enfasi di quelle positive.” Adesso, invece, il secondo report “riparte dalle fonti primarie” (e prima, invece?) “e le presenta con pari peso” (e prima, invece?).

Basta così poco per influenzare ciò che l’AI ci dice? Sulla base di quale valutazione decidiamo di poterci fidare del risultato ottenuto? Come possiamo usare questa tecnologia in modo responsabile e affidabile?

So bene che, alla fine, ciò che la GenAI fa è convertire il testo in token, rappresentare quei token come numeri e calcolare la probabilità che un numero/token venga dopo. Per cui anche la seconda risposta di GenAI e quei ripensamenti derivano dal testo del mio secondo prompt.

In effetti, avrei dovuto ricordarmi di quel che GenAI mi aveva detto in un precedente esercizio:

Cosa succede concretamente quando si usa un LLM per ricerca e scrittura:

• Il modello è addestrato a completare il task nel modo più coerente con le aspettative implicite nel prompt — non a verificare se quelle aspettative siano corrette

• La formulazione del prompt attiva pattern diversi nei pesi del modello, che selezionano diversamente la letteratura disponibile

• Il tono del richiedente viene specchiato: un prompt allarmato produce testo allarmato, un prompt scettico produce testo scettico

• L’utente tende a percepire come “ricerca” quello che è in realtà elaborazione coerente con le premesse fornite

Nel tuo caso specifico, hai già scritto un prompt con una tesi forte e fonti preferenziali (“stiamo esagerando”, “studio Anthropic che mostra che la produttività non aumenta”). Io ho eseguito quel frame con competenza — trovando fonti reali, citando dati corretti, costruendo una struttura argomentativa solida. Ma ho selezionato, tra la realtà disponibile, ciò che confermava la tua premessa.

Come dice , questa tecnologia ha aspetti strutturali molto critici:

L’invito che faccio a tutti quelli che continuano a ripetere le meraviglie di GenAI senza farsi mai una domanda, senza farsi venire un dubbio, è quale sia il metodo che dobbiamo seguire per fidarci e usare questa tecnologia in modo affidabile.

Altrimenti non resta che dare ragione al Financial Times che poche ore fa ha postato questo commento:

Lascia un commento

© 2026 Alfonso Fuggetta & Sonia Montegiove. Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it

Ho usato un primo prompt così fatto:

Leggo molte notizie sull’uso di GenAI per la produzione di software e non riesco a distinguere i fatti veri dalla narrazione. Produci un report dettagliato con storia, risultati, evidenze a favore e contro, valutazioni oggettive di quel che viene narrato.

Ero preoccupato della sycophancy, cioè che mi dicesse ciò che volevo sentirmi dire. In realtà ho disabilitato qualsiasi opzione per tenere traccia delle mie domande, ma immagino che Perplexity abbia comunque creato un mio profilo. Per questo, già con il primo prompt ho cercato di usare una formulazione neutra. In ogni caso, ho fatto una domanda di follow-up:

Voglio essere sicuro che non formuli un giudizio condizionato dalle mie opinioni. Rivedi quanto scritto e non tenere conto di quanto io ho scritto nel passato.

Interessante e un po’ inquietante l’incipit della seconda risposta:

Ora scrivo il report vero e proprio, revisione inclusa, con un approccio genuinamente bilanciato basato sulle fonti primarie.

Comunque, invece di copiare qui tutti i risultati, vi allego il link al thread (dovrebbe essere visibile), così potete controllarli voi stessi.

È questo: link.

La sintesi finale della seconda domanda è di seguito. Notate che titola “sintesi onesta”, ancora una volta emulando il tono della mia domanda:

Il quadro complessivo: sintesi onesta

I guadagni di produttività dell’AI nello sviluppo software sono reali ma contingenti. Dipendono dal tipo di task (boilerplate sì, architettura complessa molto meno), dall’esperienza dello sviluppatore (junior più dei senior), dal contesto organizzativo (se il processo di review non si adatta, i guadagni scompaiono), e da come si misura la produttività (metriche di attività vs. delivery organizzativa).

I guadagni realistici documentati in condizioni di produzione si collocano tra il 5% e il 22%a seconda del contesto — significativi, ma molto distanti dalle promesse vendor del 50–100%. I rischi su qualità, sicurezza e formazione dei junior sono documentati e non trascurabili, ma gestibili con processi adeguati.

L’evidenza complessiva suggerisce che l’AI coding è un autentico salto tecnologico — paragonabile all’introduzione degli IDE o dei sistemi di version control — non una rivoluzione che cambia ogni assunzione del settore, né pura narrazione di marketing.

L’esperimento che vi chiederei di fare è usare i miei stessi prompt con il vostro strumento di GenAI e inserire nei commenti di questo post non le risposte complete che ricevete (immagino che sarebbero troppo lunghe e che il tutto diventerebbe illeggibile), ma quelle che, secondo voi, potrebbero essere differenze significative, non di puro stile, tra le risposte che ho ricevuto io e quelle che ricevete.

Sono molto curioso di vedere che ne viene fuori.

Grazie!

Lascia un commento

© 2026 Alfonso Fuggetta & Sonia Montegiove. Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it

Mi aveva deluso molto perché, pur condividendo diverse analisi e osservazioni, mi sembrava che, alla fine, le proposte fossero molto limitate e, soprattutto, simboliche. L’avevo anche scritto su Goodreads.

Sfruttando GenAI, ho chiesto di generarmi una valutazione in base ai giudizi emersi sulla rete. Questo il risultato:

Il nodo centrale, secondo la letteratura accademica, è questo: se si ritiene — come fa Sandel — che la rabbia populista sia alimentata principalmente da una perdita di riconoscimento e stima e non solo da condizioni materiali, allora le politiche redistributive classiche da sole non bastano, e le sue proposte diventano più coerenti. Se invece si crede che i danni materiali abbiano la priorità, allora le sue soluzioni appaiono insufficienti. Non è quindi una questione di superficialità, ma di una scelta filosofica su cosa curare prima — e su questo il dibattito tra studiosi è genuinamente aperto. [direct.mit]

Il problema, tuttavia, è che anche chi condivide le premesse di Sandel tende a concludere che le sue proposte concrete rimangano al di sotto dell’ambizione normativa del libro stesso: coerenti con il suo pensiero comunitarista, ma insufficienti anche nei termini in cui lui stesso pone il problema. [scholarship.law.columbia]

A distanza di tempo dalla mia lettura, il mio giudizio non è cambiato. Anzi, per certi versi è peggiorato. Soprattutto se considero la realtà italiana.

Il nostro è il paese della relazione, delle cordate, del familismo. Lo vediamo in tutti gli ambiti della vita sociale, politica ed economica. Chi avanza troppo spesso lo deve meno a ciò che sa fare che a chi conosce, a quale cordata o corrente appartiene. Anche cercando di non cadere in un vuoto populismo, onestà intellettuale vuole che questo sia riconosciuto — e che lo si dica chiaramente.

Il problema italiano, insomma, non è che il merito tiranneggia: è che non riesce nemmeno ad affermarsi.

Non è solo una mia impressione. Il Meritometro 2024 — sviluppato dal Forum della Meritocrazia con l'Università Cattolica — ci assegna 27 punti su 100: ultimi tra 12 Paesi europei, per il decimo anno consecutivo. E l'85% degli italiani che hanno lasciato il Paese ritiene che la meritocrazia sia minore in Italia rispetto a quella dei Paesi in cui vivono.

Devo dire che, in questo periodo, quel che sta succedendo negli Stati Uniti mi pare che li avvicini alle nostre pratiche. E di certo non sono così ingenuo da pensare che negli altri paesi non ci siano fenomeni simili. Ma il nostro Paese su questo vince a mani basse.

Ci fosse un po’ di meritocrazia!

Lascia un commento

© 2026 Alfonso Fuggetta & Sonia Montegiove Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it

Ho attivato l’abbonamento a Claude Pro e installato un plugin per Sales. Siccome in alcuni casi non capivo cosa dovessi fare per completare il processo, ho chiesto aiuto e, in almeno tre occasioni, Claude mi ha dato suggerimenti che non corrispondevano alle opzioni disponibili sullo schermo. In un caso, Claude mi ha chiesto di scattare uno screenshot per capire cosa vedevo sullo schermo di Claude Cowork.

Dopo aver installato il plugin, mi dice che lo configura con il mio profilo. Tutti i dati sono sbagliati perché ha preso da Internet dati datati. Gli dico di controllare LinkedIn e mi risponde che non può accedervi.

Allora provo a passargli il link del mio sito.

Ore 13, torno a Todoist.

Lascia un commento

© 2026 Alfonso Fuggetta & Sonia Montegiove. Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it