Stradella, Agostino Depretis si presenta agli elettori del suo collegio elettorale e si dichiara pronto ad accogliere chiunque sia disposto a “trasformarsi” ed entrare nella sua maggioranza. Da quel discorso entra nel vocabolario politico italiano una parola difficile da dimenticare: trasformismo. Oggi è ancora una delle parole con cui descriviamo e stigmatizziamo comportamenti che dovrebbero essere considerati negativi e che, invece, vengono spesso tollerati e, in alcuni casi, persino giustificati.

Due facce della stessa medaglia

Sono due le forme in cui si è “milanista e interista allo stesso tempo”. La prima è semplice. Certi ruoli si escludono per natura: chi controlla non può essere controllato; chi decide non può essere il primo beneficiario della propria decisione, né può aver scritto la norma per il proprio caso; non si può lavorare per una struttura e, contemporaneamente, per un concorrente. Eppure queste cose accadono e spesso si fa finta di non vederle.

Nel dibattito italiano chi solleva questo problema diventa il guastafeste, l’invidioso, il rompiscatole. Il potere funziona come una licenza implicita: se sei abbastanza in alto, le incompatibilità diventano rumore per chi non capisce. La sensibilità collettiva si accende solo di fronte agli scandali, quando i fatti sono troppo gravi per essere ignorati. Poi si spegne di nuovo.

Le istituzioni e le imprese scrivono codici etici con cura, li illustrano ai nuovi arrivati e poi li lasciano cadere quando il caso si fa scomodo. Usiamo o meno la lente a seconda di chi guardiamo.

Una maglia oggi, l’altra domani

La seconda lettura racconta una storia altrettanto antica. Due maglie indossate in sequenza, una dopo l’altra. Ieri di qua, oggi di là, senza spiegazioni. E nessuno fa una piega. Molti chiamano questa abilità “capacità di adattamento” o “pragmatismo”. L’espressione esatta è una sola: squallido opportunismo.

Il trasformismo di Depretis era anzitutto un metodo di governo, prima che un’inclinazione personale: assorbire gli avversari svuotandone le posizioni, governare al centro, spostandosi al bisogno a destra o a sinistra. Depretis fece la sua mossa verso i moderati di Minghetti, ma il metodo non ha preferenze di parte. Gramsci userà l’espressione “strategia di neutralizzazione”. La versione contemporanea che vediamo è meno raffinata e più personale. Il dirigente che cambia casacca quando più conviene, l’intellettuale che ridefinisce le proprie posizioni a seconda del pubblico che ha davanti, l’esperto che ieri certificava una tesi e oggi la sua contraria. E i media che certificano la metamorfosi come “evoluzione”, “maturazione”, “capacità di lettura del tempo”.

Lo stesso virus

Le due letture si toccano. Sembrano parlare di cose diverse (un soggetto con due ruoli simultanei, un soggetto che cambia ruolo nel tempo), ma in realtà svolgono la stessa operazione. Liberano la persona dal vincolo che la posizione comporta. Trasformano l’appartenenza in un accessorio da indossare e togliere a seconda della temperatura. Il filo comune è la dissoluzione della categoria della coerenza, intesa come qualcosa che vincola e qualifica.

In entrambi i casi, una volta accettata la mossa, cambiamo il vocabolario per giustificarla. Il conflitto di interessi diventa “sovrapposizione di esperienze”, il cambio di posizione diventa “maturazione”, la doppia appartenenza diventa “competenza trasversale” o “sinergie”. Rinunciamo al vero significato delle parole e i fatti si adeguano di conseguenza.

Nessuno è puro, e la purezza non è la posta in gioco. La posta in gioco è più ragionevole: una maglia per volta; i cambi di maglia argomentati; quando i ruoli si escludono, sceglierne uno. Se non lo facciamo e lo diciamo noi, non lo farà nessuno al nostro posto. E i milanisti-interisti continueranno a giocare in entrambe le squadre, presentandosi come pragmatici e moderni.

Questo post è stato scritto con l’assistenza di Claude. Le idee, le posizioni e il ragionamento sono miei.

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

È per me un piccolo rituale. Mi piace percorrere in silenzio il lungo viale alberato che dall’ingresso conduce al campo dove sono sepolti i miei genitori. I cimiteri non mi mettono paura. Perché dovrei aver paura del luogo in cui sono sepolti i nostri cari? È il luogo delle nostre memorie, delle nostre famiglie, dei nostri affetti. È un luogo d'amore, anche quando raccoglie le spoglie di persone che hanno commesso errori o fatto del male. “Chi è senza peccato scagli la prima pietra”, disse qualcuno qualche millennio fa.

Di fronte alla tomba dei miei, mi viene spontaneo rivolgermi a loro nel pensiero per raccontare quel che mi succede: le gioie, le preoccupazioni, le paure e le angosce che vivo. E ripenso alle loro vite, ai sacrifici compiuti e, con dolore, alla sofferenza dei loro ultimi giorni. Papà fu operato per la rimozione di un rene, compromesso da un tumore. Non si riprese mai completamente e morì di notte, in ospedale per una complicanza dovuta a un edema polmonare. Mamma visse nella sua casa fino a 90 anni. Aveva una tempra forte ed era totalmente autonoma. Poi si ruppe un femore e da lì iniziò una discesa inarrestabile. Fummo costretti a ricoverarla in una RSA perché necessitava di un’assistenza continua, peraltro proprio poco prima dello scoppio della pandemia. Visse quei periodi da sola. Potevamo andare a trovarla solo in determinati giorni e parlarle separati da un vetro, con un microfono per scambiarci qualche parola. Si spense un po’ alla volta. Quando andavo a trovarla, seduta sulla carrozzina dalla quale non poteva più alzarsi, sentivo con strazio le sue parole sulla speranza di tornare a casa, non appena “fosse guarita”. Anche lei se ne è andata di notte, senza che io potessi essere al suo capezzale.

Quando adesso vado a trovarli, penso a chi si prenderà cura di queste tombe. Non sono i sepolcri di Michelangelo e di Galileo a Santa Croce, celebrati da Ugo Foscolo. Sono le tombe di persone semplici, come milioni di altre. È questione di qualche generazione e, di loro come di me, si perderà il ricordo. Nessuno si prenderà cura di queste spoglie, nessuno cambierà i fiori in loro memoria.

È un sentimento tragico, a cui tutti noi cerchiamo di sottrarci. Sono pensieri che portano alla disperazione e allo sconforto. Mi torna in mente la Nona di Mahler: il primo e il quarto movimento sono sospesi sulla soglia della morte, mentre il secondo e il terzo mettono in scena la folle ostinazione di chi ama la vita e, quasi da pazzo, si rifiuta di contemplarne la fine. È un’opera che mi sconvolge come poche altre. Mi mette di fronte alla paura del nulla. Forse è così perché io, come tanti, ho molto e ho paura di perderlo: la gioia dei figli e, ora, del nipote, una vita tutto sommato serena, un lavoro stimolante. Per molti altri, ahimè, la vita è solo sofferenza, dolore, disperazione. La vita e la morte hanno un significato completamente diverso.

Di fronte alla tomba dei miei mi rendo conto che la Fede è l’unica speranza. Ma non voglio che sia una consolazione, un oppio che addomestica le paure e le lascia intatte, senza una via di uscita. Voglio che ciò in cui credo sia vero, non perché lo spero, ma perché così è.

Non c'è risposta razionale. Nessuna prova inconfutabile che convinca la testa di un ingegnere. Non resta che vivere la Fede accettando il dubbio. Sperare e attendere "la risurrezione della carne, la vita eterna. Amen.”

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

I ranking internazionali (QS, THE, ARWU di Shanghai) hanno pubblicato negli ultimi mesi le edizioni più recenti e ogni paese ha presentato i propri risultati con il consueto mix di legittimo orgoglio e di marketing istituzionale. In Italia, la notizia forse più segnalata sui media è stata l’ulteriore avanzata del Politecnico di Milano nei top 100 della QS — 87° posto nell’edizione 2027 uscita il 18 giugno 2026, +11 posizioni in un anno, +100 in dieci anni. Risultato vero, che si aggiunge al miglior risultato di sempre della Sapienza nella stessa edizione (111° posto, +17 in un anno) e al miglioramento di Bologna e di altri atenei italiani.

La mia tesi (e non solo la mia) è che il ritardo europeo non risieda principalmente nelle università: stanno facendo il loro mestiere a un livello dignitoso. Il problema è che il sistema attorno a loro non è attrezzato a valorizzare, sul piano economico, quanto si produce sul piano scientifico. Pensate al web, inventato a Ginevra al CERN, e dominato oggi dalle grandi corporation USA. In Italia il problema si aggrava per gli interventi e gli investimenti che hanno speso molto senza cambiare in modo strutturale la dinamica dei processi di ricerca e innovazione del Paese.

1. Quello che le università europee producono e non riescono a trasferire

Nei tre principali ranking mondiali, la presenza europea resta significativa. Il THE 2026 conta una trentina di università europee nei top 100 (gli USA ne hanno 35); QS 2026 valorizza il sistema britannico (17 atenei nei top 100, di cui 4 nei top 10); ARWU 2025 — che pesa di più la ricerca pura, con indicatori come premi Nobel, articoli su Nature e Science, citazioni Web of Science — abbassa la quota europea al 25% contro il 37% americano, ma le presenze restano numerose: Cambridge (4°), Oxford (6°), Paris-Saclay (13°), LMU Monaco (42°), Sorbonne (43°), TU Monaco (45°), Heidelberg (51°), fra le prime cinquanta o appena dietro.

Anche le università italiane stanno migliorando. In ARWU 2025 Sapienza è nella fascia 101-150, l’unica italiana nei top 150; in THE 2026 Bologna sale al 130° posto (dal 146° dell’edizione precedente). In QS 2027, l’edizione più recente, il quadro italiano è il migliore degli ultimi anni: Politecnico di Milano all’87° posto, Sapienza al 111° (miglior risultato di sempre), Bologna al 123°, e progressi importanti per Padova (dal 336° al 204°, +132 posizioni in un anno) e Politecnico di Torino (dal 305° al 206°). Sono 47 gli atenei italiani in classifica QS, di cui 26 in miglioramento rispetto all’edizione precedente. È il dato di maggior interesse: in QS 2027, mentre la Germania ha visto scendere 38 atenei su 60, la Spagna 24 su 48, la Francia 19 su 38 e l’Olanda 11 su 13, l’Italia è l’unico grande sistema europeo in cui la maggioranza degli atenei è in crescita. Nel complesso, gli atenei italiani in classifica restano molto meno numerosi rispetto agli USA (184 atenei) e agli altri grandi sistemi anglosassoni e asiatici, ma la traiettoria, almeno in QS, è positiva.

Va aggiunta una precisazione d’obbligo: il dibattito italiano sull’università è da anni avvelenato da una retorica stucchevole. Riconoscere che il sistema ha una base competitiva non significa che vada tutto bene. Il sistema italiano resta molto sotto i benchmark europei su quasi ogni indicatore strutturale: finanziamento per ricercatore, dimensione media degli atenei, rapporto studenti-docenti, internazionalizzazione di studenti e docenti, output di alta qualità per docente, capacità di attrarre i migliori dall’estero. La distanza dai migliori sistemi continentali — Olanda, Svizzera, Svezia, i Länder tedeschi più virtuosi — è cospicua. Il lavoro da fare è enorme, e bisogna farlo.

Una cosa, però, è una valutazione seria, anche dura, fondata su meccanismi specifici e su dati confrontabili. Un’altra è il fuoco di sbarramento generalizzato che spesso accompagna il discorso pubblico sull’università italiana — ridotta a luogo di privilegi corporativi, parentopoli e inefficienza endemica, da cui non ci si potrebbe aspettare nulla. Quel registro non corregge nulla, produce rumore, demoralizza chi lavora bene e fa da copertura a chi non vuole investire nell’università perché «tanto è un buco nero». Sparare nel mucchio alla cieca è sempre più facile che lavorare per migliorare un sistema complesso. Più facile, ma quasi sempre sbagliato.

Quando però si guarda al passaggio successivo (la trasformazione di quella produzione in aziende che competono a livello globale), il sistema si inceppa. Il caso del web che citavo in precedenza è, a questo proposito, emblematico.

In 2023, deep tech accounted for 44% of venture capital (VC) funding in Europe. However, only 23% of spin-offs operate in this sector, compared to more than 60% of VC funded deep tech companies in the United States. This gap suggests that Europe is not fully capitalising on its research strengths. [Commissione Europea, Spin-offs: Driving innovation across the EU-27, 25 febbraio 2025]

La ricerca europea genera meno aziende ad alta intensità tecnologica e, quando le genera, fatica a portarle oltre la fase seed. Quel fallimento è di sistema, non è una colpa delle università.

2. Il sistema downstream che non c’è

Tre dati illustrano la struttura del ritardo europeo.

Spesa R&D corporate. Lo dice il rapporto Draghi:

In 2021, EU companies spent about half as much on R&I as share of GDP as US companies – around EUR 270 billion. [Mario Draghi, The future of European competitiveness — Part A, Commissione Europea, settembre 2024]

Il gap è concentrato nel settore tecnologico, dove le prime tre imprese europee per spesa in R&D operano nell’automotive mentre le prime tre americane sono tutte tech. La R&D intensity complessiva dell’UE è pari al 2,1% del PIL (OECD MSTI 2024), contro circa il 3,4% degli Stati Uniti e la rapida ascesa della Cina, salita al 2,6% nel 2024 — allineandosi per la prima volta alla media OECD, ma ancora circa 0,8 punti sotto quella degli Stati Uniti.

Allocazione del risparmio. È qui che il quadro diventa impietoso. Il rapporto Atomico State of European Tech 2025 documenta che i fondi pensione europei allocano al venture capital appena lo 0,009% dei propri asset, contro lo 0,028% dei fondi pensione statunitensi — una differenza di oltre tre volte. Portare l’allocazione europea al livello americano libererebbe circa 210 miliardi di dollari aggiuntivi di venture funding nel corso del decennio.

Aggregando l’effetto su un orizzonte più ampio, lo stesso rapporto stima che l’Europa abbia sottofinanziato le proprie aziende tecnologiche di circa 375 miliardi di dollari rispetto agli Stati Uniti negli ultimi dieci anni — e che per fermare l’allargamento del gap servirebbero oltre 1 trilione di dollari di investimento aggiuntivo nei prossimi dieci anni.

Scale-up gap. L’Europa è competitiva nelle fasi seed e serie A. È nella fase di crescita, dopo i €50 milioni di valutazione, che il sistema non funziona. Le aziende che superano quella soglia trovano in Europa pochi fondi capaci di investire centinaia di milioni e finiscono per andare a Wall Street, quotarsi al Nasdaq, spostare il quartier generale. È quello che gli analisti chiamano mid-tech trap: il sistema genera molte aziende interessanti, quasi nessuna delle quali diventa grande.

I dati di produttività confermano la diagnosi.

Between the fourth quarter of 2019 and the second quarter of 2024 labour productivity per hour worked increased by 0,9% in the euro area, whereas it increased by 6,7% in the United States. [Banca Centrale Europea, Economic Bulletin — box «Labour productivity growth in the euro area and the United States: short and long-term developments», giugno 2024]

Un divario di sette volte in cinque anni non si recupera con un’iniezione di laureati STEM. Si recupera, semmai, ricostruendo l’apparato che sfrutta la ricerca su scala più ampia.

A ciò si aggiunge la frammentazione regolatoria. Il mercato unico europeo non esiste, di fatto, per i servizi finanziari, il diritto societario, il fallimento, la fiscalità del capitale di rischio. Una startup tedesca che vuole quotarsi si trova ad affrontare regole diverse da quelle di una startup francese. Un fondo VC che vuole investire cross-border paga frizioni che un fondo americano non affronta. I rapporti di Letta sul mercato unico (aprile 2024) e di Draghi sulla competitività (settembre 2024) convergono: senza Capital Markets Union, qualunque iniezione di liquidità si disperde e non raggiunge la scala e l’effetto desiderati.

3. L’azione è sottodimensionata di un fattore venti

Il rapporto Draghi ha esplicitato un numero: per chiudere il gap di competitività servono tra i €750 e gli €800 miliardi all’anno di investimento aggiuntivo, pari al 4,4-4,7% del PIL europeo. Le 383 raccomandazioni del rapporto riguardano il Capital Markets Union, la ricerca e l’innovazione, l’energia, la difesa e l’industria.

A un anno dalla pubblicazione, il Draghi Observatory & Implementation Index, lanciato a settembre 2025 dall’European Policy Innovation Council, riporta numeri preoccupanti:

Out of 383 recommendations, only 11,2% have been fully delivered. Even when partial progress is counted, the EU has reached just 31,4% of the Draghi agenda. The rest remains either “in progress” or untouched.

Implemented: 11,2% (43 measures) — Partially Implemented: 20,1% (77 measures) — In Progress: 46,0% (176 measures) — Not Implemented: 22,7% (87 measures).

La Commissione ha lanciato a gennaio 2025 il Competitiveness Compass — un quadro coerente, ma con risorse di un ordine di grandezza inferiore rispetto a quelle proposte da Draghi. Lo Scaleup Europe Fund dell’European Innovation Council, annunciato dalla Presidente von der Leyen nel Discorso sullo Stato dell’Unione di settembre 2025, sarà presentato formalmente all’EIC Summit del 3 giugno 2026 con i primi investimenti previsti in autunno 2026: descritto come «multi-miliardo», è ancora in fase di costituzione. In parallelo, il bilancio annuale dell’EIC per il deep tech e le tecnologie strategiche nel 2025 si attesta su €1,4 miliardi: una cifra che, confrontata con l’ammontare del problema, ha un peso marginale.

4. L’Italia, e il PNRR come occasione mancata

In questo quadro, l’Italia parte da una posizione peggiore della media europea e aggiunge errori propri.

La spesa italiana in R&D è all’1,37% del PIL, ferma rispetto al 2022:

L’incidenza percentuale della spesa sul Pil, indicatore noto come intensità di ricerca e sviluppo, risulta pari all’1,37%, in linea con il 2022 (1,37%), e in diminuzione rispetto al 2021 (1,41%). [ISTAT, La ricerca e sviluppo in Italia – Anni 2023-2025, settembre 2025]

Sotto la media europea (2,11%) e ben al di sotto dell’obiettivo del 3% fissato al Consiglio europeo di Barcellona nel 2002, nell’ambito della Strategia di Lisbona lanciata due anni prima. La spesa pubblica per la ricerca e lo sviluppo (R&D) in Italia, in percentuale sul PIL, è tra le più basse tra i grandi paesi europei.

Il sistema italiano di venture capital è marginale. Lo quantifica il Barometro EY 2026:

Nel 2025 il mercato italiano del venture capital ha raggiunto 1.488 milioni di euro, +32% rispetto al 2024 [...] tutti i paesi citati consolidano valori di raccolta ben più alti rispetto all’Italia: Francia circa 6,3 miliardi di euro, Germania 6,6 miliardi di euro, Regno Unito 18,4 miliardi di euro e Spagna 2,6 miliardi di euro. [EY Venture Capital Barometer, gennaio 2026]

Un divario di oltre quattro volte rispetto alla Francia e alla Germania, e di oltre dodici volte rispetto al Regno Unito.

Sotto questo gap c’è una causa strutturale che il dibattito italiano tende a sottovalutare: la dimensione delle imprese. L’Italia ha imprese mediamente più piccole di quelle di chiunque in Europa — 3,9 addetti per impresa contro una media UE di 5,0. Le grandi imprese (oltre 250 addetti) sono solo lo 0,09% del totale italiano, contro lo 0,14% in Francia, lo 0,19% nella media UE, lo 0,48% in Germania — dove ce ne sono oltre cinque volte tante (ISTAT, Censimento Permanente delle Imprese; elaborazione Centro Studi Tagliacarne / Unioncamere su dati Eurostat).

Conta perché la R&D corporate la fanno le grandi imprese. ISTAT segnala che, pur rappresentando meno dello 0,1% del totale italiano, le grandi imprese coprono il 73,1% della spesa privata in R&D del Paese:

Le grandi imprese si confermano quindi il soggetto più importante nelle attività di R&S intra-muros, con circa 12,5 miliardi di spesa (pari al 73,1% della spesa complessivamente sostenuta dalle imprese) contro i 3,4 miliardi delle piccole e medie imprese (PMI). [ISTAT, La ricerca e sviluppo in Italia – Anni 2023-2025, settembre 2025]

Un tessuto fatto al 95% da microimprese con meno di dieci dipendenti non ha la massa critica per sostenere la ricerca privata su scala continentale, né per attrarre venture capital in cerca di aziende capaci di scalare fino a valutazioni da centinaia di milioni. Il sottodimensionamento del VC italiano è in larga parte il riflesso del sottodimensionamento delle imprese. E una solida catena di trasferimento tecnologico fra ricerca pubblica e industria non si costruisce su un tessuto produttivo privo di massa critica per assorbirla.

Su un quadro del genere, il PNRR avrebbe potuto rappresentare l’occasione per una correzione strutturale. Risorse straordinarie, scadenze precise, vincoli europei: le condizioni per spese di sistema anziché di mantenimento. Quello che è successo, almeno sulla Missione 4 Istruzione e Ricerca (€30,9 miliardi complessivi, di cui €11,4 miliardi sulla sola Componente 2 dedicata alla ricerca e al trasferimento tecnologico), è andato in larga parte nella direzione opposta. Il giudizio è severo perché i fatti lo sono.

Primo, la dispersione interna dei programmi. La Componente 2 della Missione 4 ha finanziato 5 Centri Nazionali (HPC e Quantum, Agritech, Terapia genica e farmaci RNA, Mobilità sostenibile, Biodiversità), 14 Partenariati Estesi e 11 Ecosistemi dell’Innovazione: non un numero abnorme di programmi. Il problema è dentro a ciascuno di essi: ogni Centro Nazionale coinvolge decine di soggetti tra atenei, CNR ed enti di ricerca; ogni Partenariato Esteso copre quasi tutta la geografia accademica italiana. Quando si distribuiscono risorse pubbliche su un perimetro così ampio per garantire equità territoriale e accademica, si rinuncia, in partenza, a concentrare una massa critica su un numero ristretto di assi competitivi internazionali.

Secondo, i criteri di valutazione mi sembrano premiare la capacità di spesa entro le scadenze più che l’impatto. Il sistema di reportistica MUR–Commissione si concentra sulle milestone di realizzazione e di rendicontazione finanziaria — quelle che il PNRR esige per non perdere fondi — più che sugli outcome di trasferimento tecnologico e di scalabilità delle ricerche finanziate. È una mia valutazione, non un dato pubblico: si basa sull’osservazione diretta dei programmi e sulla letteratura disponibile (rapporti dell’ANVUR, audit della Corte dei conti europea sul Recovery and Resilience Facility). Quello che manca, ad oggi, è un meccanismo trasparente di selettività ex post — quali centri stanno funzionando, quali no, quali meritano di entrare in regime ordinario al termine del PNRR.

Terzo, la sostenibilità. Le strutture create dal PNRR vivono di risorse a tempo limitato. Quando il PNRR finirà, nessuna di queste strutture avrà un modello di finanziamento ordinario che la mantenga in vita. Ne ho già scritto in Le strutture nate con il PNRR cercano una exit strategy (18 aprile 2026) — il rischio non è teorico: i direttori dei centri stanno cercando risorse per mantenerli in vita.

Quarto, e più grave, il mancato raccordo con il mondo industriale. Non è stata costruita una governance che mettesse in fila le filiere industriali italiane prioritarie, le competenze accademiche necessarie a quelle filiere e i meccanismi di mercato per portare i risultati in azienda. È stato fatto il contrario: i temi li ha definiti il mondo accademico, Bruxelles li ha approvati, l’industria è arrivata in coda — quando è arrivata.

Quinto, e trasversale a tutto il resto: manca la spinta della concorrenza. La R&D privata cresce dove le imprese sono costrette a innovare per sopravvivere; il venture capital fiorisce dove il rischio privato rende più della rendita; il trasferimento tecnologico funziona dove l’industria a valle è in competizione con qualcuno; e la ricerca pubblica migliora dove gli atenei competono per talenti, risorse e studenti, non dove le risorse vengono ripartite in quote per equilibrare la geografia accademica. In Italia molte filiere restano protette (servizi professionali, energia, distribuzione, credito, trasporti, concessioni pubbliche) e la stessa logica pervade il sistema universitario: il finanziamento ordinario premia poco la performance relativa tra atenei, i concorsi restano largamente locali, la mobilità di docenti e studenti è modesta rispetto ai benchmark europei, e le stesse scelte del PNRR (su tutte, i Centri Nazionali costruiti per associare quasi tutta la geografia accademica) hanno rinforzato la logica proporzionale invece di introdurre selezione. La rendita di posizione, nei mercati come negli atenei, riduce la pressione competitiva e, con essa, la domanda di innovazione. L’aumento della concorrenza e della competizione dovrebbe essere una lente attraverso cui si muove l’intera azione di governo, non un capitolo confinato alla legge annuale sulla concorrenza, quando c’è, ma un criterio trasversale che informa le politiche fiscali, industriali, del lavoro, della regolazione dei mercati e del finanziamento del sistema della ricerca. Senza quella pressione, ogni iniezione di risorse pubbliche trova un tessuto (industriale e accademico) che non ha bisogno di trasformarla su larga scala.

La domanda giusta

Tornando alla domanda di apertura: quanto è grande l’impatto delle università sulla competitività tecnologica di un paese?

In Europa la leva decisiva è altrove rispetto alle università: nella mobilitazione dei €10 trilioni di depositi bancari delle famiglie europee che la Commissione, con l’iniziativa Savings and Investments Union, punta a canalizzare verso investimenti produttivi, nell’integrazione dei mercati finanziari, nella disciplina selettiva degli investimenti pubblici in innovazione e nell’apertura dei mercati e del sistema della ricerca alla concorrenza. In Italia, quella leva va affiancata a una correzione interna che il PNRR avrebbe potuto fare e che ha mancato: distribuendo risorse straordinarie secondo i criteri di ripartizione della spesa ordinaria, rinviando di un altro decennio la difficile conversazione sulla selettività e lasciando intatte le rendite di posizione (nei mercati e negli atenei) che frenano la domanda di innovazione.

Le università non possono fare tutto questo da sole. Stanno facendo la loro parte, quantomeno alcune ci provano. È necessario, dall’altra parte, un impegno che, allo stato dei fatti, non si riscontra.

Per approfondire

[1] Mario Draghi, The future of European competitiveness, European Commission, settembre 2024. https://commission.europa.eu/topics/competitiveness/draghi-report_en

[2] Enrico Letta, Much more than a Market, Consiglio Europeo, aprile 2024.

[3] European Policy Innovation Council (EPIC), Draghi Observatory & Implementation Index, settembre 2025 (aggiornato gennaio 2026). https://thinkepic.eu/draghi-observatory-implementation-index-only-1-in-10-measures-implemented/

[4] Banca Centrale Europea, Labour productivity growth in the euro area and the United States: short and long-term developments, Economic Bulletin Box, giugno 2024. https://www.ecb.europa.eu/press/economic-bulletin/focus/2024/html/ecb.ebbox202406_01~9c8418b554.en.html

[5] Atomico, State of European Tech 2025. https://www.stateofeuropeantech.com/

[5b] Commissione Europea, Savings and Investments Union: better financial opportunities for EU citizens and businesses, comunicato del 19 marzo 2025. https://commission.europa.eu/news/savings-and-investments-union-better-financial-opportunities-eu-citizens-and-businesses-2025-03-19_en

[5c] European Innovation Council, Scaleup Europe Fund. https://eic.ec.europa.eu/eic-fund/scaleup-europe-fund_en

[5d] European Innovation Council, EIC to invest €1.4 billion in deep tech in 2025, 29 ottobre 2024. https://eic.ec.europa.eu/news/european-innovation-council-invest-eu14-billion-deep-tech-and-scale-strategic-technologies-2025-2024-10-29_en

[6] Commissione Europea (DG Connect), Spin-offs: Driving innovation across the EU-27, 25 febbraio 2025. https://digital-strategy.ec.europa.eu/en/library/spin-offs-driving-innovation-across-eu-27

[6b] ISTAT, Censimento Permanente delle Imprese — primi risultati 2023. https://www.istat.it/comunicato-stampa/censimento-permanente-delle-imprese-2023-primi-risultati/

[6c] Centro Studi Tagliacarne / Unioncamere, elaborazioni sulla distribuzione dimensionale delle imprese europee (dati Eurostat). https://www.tagliacarne.it/

[7] QS World University Rankings 2027 — risultati (uscita 18 giugno 2026). https://www.qs.com/insights/qs-world-university-rankings

[8] Politecnico di Milano — comunicato QS 2027 (87° posto). https://www.polimi.it/en/the-politecnico/news/news-detail/qs-world-university-rankings-2027-polimi-ranked-87th-in-the-world-and-first-in-italy

[9] Sapienza Università di Roma — comunicato QS 2027 (111° posto, miglior risultato di sempre). https://www.uniroma1.it/it/notizia/qs-world-university-rankings-2027-sapienza-ottiene-il-miglior-risultato-di-sempre-111a-al

[10] Il Sole 24 Ore — QS University Rankings: Italia moves up, PoliMi 87th. https://en.ilsole24ore.com/art/qs-university-rankings-italia-moves-up-polimi-ranks-87th-in-the-world-AILiqAjD

[11] Times Higher Education — World University Rankings 2026: colliding forces. https://www.timeshighereducation.com/world-university-rankings/world-university-rankings-2026-colliding-forces

[12] ShanghaiRanking — Academic Ranking of World Universities 2025. https://www.shanghairanking.com/rankings/arwu/2025

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

Prima di entrare nel merito, un chiarimento che nel post forse è rimasto implicito, e che qui rendo esplicito perché merita di esserlo. Non sono contro il remote working e, ancor meno, lo smart working. Sono contro il full-remote e contro un uso esagerato del lavoro da remoto, che tratta la presenza in ufficio come un residuo del passato da cui liberarsi e assume che la relazione professionale possa essere interamente trasferita su un canale digitale senza costi. E no, non sto neppure dicendo che il lavoro debba esaurire la vita delle persone: sto dicendo che il lavoro ha una dimensione sociale e relazionale, e che il full-remote la spezza. Il target del post è la modalità estrema, non la flessibilità né la critica all’occupazione totale del tempo. Detto questo, rispondo con tre punti.

1. I dati sono dati

Lo studio di Emanuel, Harrington e Pallais su Science è una misura statistica basata su un campione ampio e su un disegno di ricerca solido. Dice cosa accade in media a una popolazione di lavoratori, non ciò che è accaduto a un singolo. Un’esperienza individuale positiva non contraddice una tendenza aggregata: è un punto su una distribuzione. Chi risponde al dato con l’aneddoto sta cambiando la scala del discorso, dal fenomeno collettivo al proprio caso, e sposta la conversazione fuori dal terreno su cui si muove il paper. Si possono discutere il metodo, il perimetro, la trasferibilità. Non si può liquidare uno studio pubblicato su Science con «io mi trovo bene». I dati possono non piacere, ma quelli sono.

2. Da noi succede lo stesso

Con tutta la prudenza e l’attenzione del caso, visto che non sono un sociologo, ho fatto una breve ricerca giusto per capire come, nel nostro Paese, si parla di questo tema e in quali termini. La letteratura italiana sul benessere psicofisico dei lavoratori da remoto è abbondante e, per quel pochissimo che ho visto, conferma la struttura del ragionamento: il full-remote comporta costi mentali, fisici e organizzativi documentabili, distribuiti in modo asimmetrico tra gruppi che variano per contesto. Su salute mentale, Bertoni, Cavapozzi, Pasini e Pavese (2021) usano i dati del progetto SHARE per stimare l’effetto causale del remote work sui lavoratori senior europei nella prima ondata pandemica: gli effetti sono negativi per chi ha figli a casa (il carico domestico si somma a quello lavorativo) e per chi vive in paesi meno colpiti dalla pandemia: nei paesi con lockdown più leggeri e minore eccesso di mortalità il lavoratore da remoto restava isolato in casa mentre il resto della popolazione continuava a uscire e a vedersi; nei paesi più colpiti, dove tutti erano confinati, l’isolamento era invece collettivo. Gli effetti sono invece positivi per gli uomini e per chi non ha figli conviventi. Il contesto è quello pandemico, ma il meccanismo (carico domestico che si somma al lavoro, isolamento asimmetrico rispetto agli altri) non è pandemico, è strutturale e persiste ovunque il full-remote sia intenso e prolungato. Anche il paper su Science riporta un effetto asimmetrico, ma orientato diversamente: negli Stati Uniti sono i single a soffrire di più, perché per loro il lavoro era il principale canale di contatto sociale. Sul piano fisico, Pacetti e Recchi (2024), riprendendo Azzolari e Fullin, riportano che «l’85,4% dei rispondenti dichiara di esperire almeno un sintomo di malessere fisico e il 65,0% rileva la comparsa di almeno due sintomi contemporaneamente» dopo una giornata di lavoro da remoto, con un’incidenza sistematicamente più alta tra chi non dispone di una stanza dedicata (meno della metà del campione, in prevalenza donne). Sull’isolamento professionale, tema parallelo a quello dell’isolamento sociale al centro del paper su Science, Bronzini, Cori, Sarti e Torre (2023) mostrano che gli strumenti di coordinamento non bastano: serve «uno sforzo volto a promuovere il supporto sociale sul lavoro». Sul sovraccarico, l’Osservatorio Smart Working del Politecnico di Milano nella ricerca 2025 mette il numero: il 35% dei white collar in remoto soffre di overworking, contro il 30% di chi lavora sempre in sede. E l’INAPP (della Ratta-Rinaldi, 2026) sintetizza il trade-off sistemico: da un lato flessibilità, efficienza, autonomia; dall’altro, «riduzione dell’interazione tra colleghi, crescita delle asimmetrie informative e riduzione del potere contrattuale dei lavoratori». È il quadro che descrivo nel post, con dati su lavoratori italiani.

Lungi da me trarre conclusioni definitive. Ma, ancora una volta, non si possono liquidare queste osservazioni dicendo che l’esperienza dei singoli può essere diversa o che certe ricerche si applicano solo negli USA.

3. La dimensione sociale del lavoro non è una scoperta di oggi

Nel post l’ho solo sfiorata, perché ne ho scritto diffusamente altrove, in particolare nel libro Un bel lavoro, dove la comunità di pratica è il tessuto professionale, non un contorno. Lavorare bene non è solo produrre output: è imparare dai colleghi, capire i codici impliciti dell’organizzazione, essere apprezzati quando si fa qualcosa di utile ed essere aiutati quando si sbaglia, costruire nel tempo relazioni positive. Nessuna di queste cose si costruisce in modo sostitutivo su Slack o su Teams. Non è nostalgia dell’ufficio. È il modo in cui il lavoro professionale funziona da sempre, e continuerà a funzionare anche quando il rapporto tra presenza e distanza si sarà stabilizzato. Chi tratta la dimensione relazionale come un dettaglio che il remote può assorbire senza costi sta ignorando decenni di studi sull’organizzazione, non solo il paper su Science.

Il tema esiste. Parliamone, non neghiamolo.

Ci sono dati americani, ci sono dati italiani, c’è una tradizione di studi sull’organizzazione del lavoro che da anni ripete le stesse cose. La domanda utile non è se da noi si applica. Si applica. La domanda è: come costruiamo modalità di lavoro che tengano insieme la flessibilità che le persone, giustamente, vogliono e i costi sociali e cognitivi che il full-remote impone? Le risposte esistono e passano dall’approccio collaborativo alla pianificazione del lavoro, dall’investimento esplicito nel supporto sociale, dal ripensamento serio degli spazi e degli strumenti.

Un’ultima cosa. «A me il full-remote piace» è una preferenza legittima. «Il full-remote non ha costi» è un’affermazione sul mondo e ha bisogno di dati per reggere. Le due cose non sono la stessa cosa, e chi le confonde spesso lo fa perché la seconda gli permette di non rinunciare alla prima.

Questo post è stato scritto con l'assistenza di Claude. Le idee, le posizioni e il ragionamento sono miei.

Fonti

• Bertoni M., Cavapozzi D., Pasini G., Pavese C. (2021), Remote Working and Mental Health during the First Wave of COVID-19 Pandemic, IZA Discussion Paper n. 14773 — scheda IZA | PDF. Studio su dati SHARE.

• Pacetti V., Recchi S. (2024), Il lavoro da remoto dentro e oltre l’emergenza: una riflessione sociologica sul ruolo dello spazio, Università degli Studi di Milano-Bicocca — PDF. I dati 85,4% / 65,0% sono originariamente di Azzolari D., Fullin G. (2022), Il mio ufficio è il mio divano, Meridiana 104, pp. 75–99.

• Bronzini M., Cori E., Sarti D., Torre T. (2023), Isolamento professionale e inclusione nell’esperienza del lavoro da remoto durante la pandemia in Italia, PRISMA — Economia, Società, Lavoro, 1–2/2022, pp. 68–89, DOI 10.3280/PRI2022-001005 — scheda.

• Emanuel N., Harrington E., Pallais A. (2026), Home Alone: Remote Work, Isolation, and Mental Health, Science, 392, DOI 10.1126/science.aec7671 — scheda.

• Osservatorio Smart Working del Politecnico di Milano (2025), Lo Smart Working ai tempi dell’AI: opportunità e sfide verso il lavoro del futuro — comunicato stampa.

• Della Ratta-Rinaldi F. (a cura di) (2026), La sfida del lavoro da remoto. Evidenze sui focus group di manager pubblici e privati, INAPP Paper n. 62 — PDF.

• Fuggetta A., Un bel lavoro, Egea, 2023.

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

Di Vangelis conoscevo bene i suoi lavori da solista e sapevo del suo passato con gli Aphrodite’s Child. Del gruppo avevo in mente i singoli di successo che passavano sempre in radio quando ero ragazzo.

A questo album sono arrivato un pomeriggio scorrendo Progarchives. Il titolo, 666, la copertina rossa con il numero in nero, Apocalisse di Giovanni, testi di Costas Ferris. Ho cliccato perché non capivo cosa ci facesse lì, in mezzo ai dischi di prog britannico che stavo guardando.

Mi sono trovato davanti a un doppio album, ricco, complesso, maestoso, che non avrei mai immaginato di trovare nella produzione del gruppo di Spring, Summer, Winter and Fall.

Un’altra dimostrazione di quanto immenso sia il mondo della musica.

Questo post è stato scritto con l’assistenza di Claude. Le idee, le posizioni e il ragionamento sono miei.

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

1. Che cos’è una skill

Forse non ci sarebbe bisogno di dirlo, ma è comunque utile ricordarlo. Una skill è una procedura scritta che Claude può leggere ed eseguire. Tecnicamente è una cartella che contiene un file Markdown (SKILL.md) con istruzioni in linguaggio naturale, eventualmente accompagnato da file di riferimento (template, esempi, script ausiliari). È un manuale operativo, scritto una volta e riutilizzato a ogni invocazione.

Una skill ha tre caratteristiche:

• Un nome e una descrizione: il nome serve per invocarla, la descrizione indica a Claude quando attivarla automaticamente in base alle parole della richiesta.

• Istruzioni operative: cosa fare passo per passo, quali strumenti usare, in che ordine e con quali output.

• Memoria di contesto: regole specifiche del mio modo di lavorare, file da consultare prima di iniziare, formati standard da produrre.

Per esempio, quando dico a Claude “chiudiamo la giornata”, parte la skill daily-journal-evening: produce il log della giornata, estrae il pre-brief per domani da ClickUp, svuota la mia inbox personale. Quando gli chiedo “scrivi un post su X”, parte la skill post-writer che legge la mia guida di stile ed esegue la procedura interattiva per costruire la struttura argomentativa di un post per A bassa voce. La differenza con un prompt ad hoc è che, con un prompt, devo fornire ogni volta il contesto e la descrizione dell’output; con una skill il contesto è già presente e l’output è ripetibile.

2. Perché ho cominciato a costruirle

Tre ragioni, in ordine di importanza crescente.

La prima è il risparmio di tempo. Senza skill, ogni sessione comincia con cinque-dieci minuti di setup: spiegare chi sono, cosa sto facendo, quali file consultare, in che formato voglio l’output. Una skill assorbe tutto questo. Per la singola sessione il risparmio non è grande; sommato per le tante sessioni della settimana, vale parecchio tempo.

La seconda è la coerenza. I post di A bassa voce hanno una voce precisa: registro saggistico, struttura circolare, regole tipografiche, una lista di pattern AI da evitare. Senza skill, ogni volta che chiedo a Claude di aiutarmi con un draft, devo ricordargli, per esempio, che “cruciale” va tagliato, che le citazioni vanno verificate con un web fetch e che la nota di assistenza AI va in fondo al post. Con la skill post-writer queste regole vengono codificate una sola volta e applicate sistematicamente.

La terza è la più interessante e l’avevo sottovalutata. Costruire una skill mi costringe a scrivere per esteso una routine che fino a quel momento avevo solo in mente. Routine implicite: come strutturo un intervento, come gestisco la chiusura della giornata, come decido se un libro merita un post. Metterle nero su bianco le rende ripetibili, criticabili e migliorabili. Diverse delle mie skill sono nate per Claude e si sono trasformate nel manuale operativo del mio lavoro intellettuale, indipendentemente dall’AI.

3. Come ho organizzato il sistema

Oggi ho sedici skill personali (escluse quelle di sistema fornite con Claude per formati standard come pdf, xlsx, docx). Le ho raggruppate in quattro famiglie, per dominio funzionale.

Famiglia 1: Scrittura

Sette skill che coprono l’intero flusso di scrittura: Substack, libri, paper accademici e professionali.

• post-writer e abv-style-guide: l’assistente principale per i post argomentativi di A bassa voce, con la guida di stile letta in automatico.

• libro-della-settimana e album-della-settimana: le due rubriche brevi (100-200 parole), con regole proprie e titolo nel formato Autore — Opera (Anno).

• book-writer: la pipeline LaTeX per i miei progetti di libro, che include la compilazione e la gestione dei capitoli. Sono passato dal mio amato Scrivener a LaTeX perché così tutto il processo di scrittura è gestito tramite Claude. Spero che Scrivener fornisca al più presto un’interfaccia MCP nativa (ne esistono già di terze parti).

• paper-writer: articoli per riviste accademiche (ad esempio, CACM, IEEE Software) e professionali (ad esempio, Sloan Management Review, lavoce.info). Due sottotipi nella stessa skill.

• fact-check: verifica strutturata di un testo prima della pubblicazione: citazioni, dati, attribuzioni, stress test argomentativo.

Famiglia 2: Conoscenza personale

Due skill per gestire l’informazione che entra e che esce dal mio sistema.

• media-manager: la libreria di immagini (loghi, foto, screenshot) con una convenzione di denominazione e un indice ricercabile.

• substack-analytics: analisi delle performance di A bassa voce (open rate, engagement, registri che funzionano).

Famiglia 3: Attività quotidiane

Quattro skill per il lavoro operativo: gestione della giornata, riunioni, pubblicazione, manutenzione.

• daily-journal-evening: la routine serale di chiusura: log, pre-brief di domani da ClickUp, svuotamento dell’inbox personale.

• minutes-management: verbali di riunione su ClickUp, gestiti sia da Mac sia da mobile.

• post-publication: runbook dopo la pubblicazione di un post: aggiornamento degli stati ClickUp e scheduling dei lanci social via Buffer.

• workspace-housekeeping: audit periodico di coerenza del mio workspace (paths, template, ClickUp, cross-reference fra file).

Famiglia 4: Didattica e presentazioni

Tre skill per la docenza universitaria e per le presentazioni.

• exam-generator: generazione di temi d’esame del Politecnico, con soluzioni e griglie di correzione.

• presentation-designer: concezione e outline di una presentazione (dal taglio narrativo allo storyboard).

• slides-markdown: generazione di slide in formato Markdown (Deckset e compatibili) a partire da un documento sorgente.

Skill importate

Le sedici skill qui sopra le ho scritte io (insieme a Claude). Ne uso anche due di terze parti, integrate nel mio sistema:

• stop-slop: eliminazione dei pattern AI tipici (contrasti binari, falsa agency, avverbi riempitivi) da qualsiasi testo. Open-source, scritta da Hardik Pandya. La invoco come verifica finale con post-writer e fact-check.

• llm-wiki: costruzione e manutenzione di un wiki personale alimentato da LLM (ingest di articoli, ricerca, query, lint periodico). Open-source, ideata da Andrej Karpathy, la uso come knowledge base personale sul mio Mac oltre all’integrazione con Reader/Readwise.

4. Lo strato sotto: ClickUp e il filesystem

Le skill non vivono nel vuoto: si appoggiano a un task manager con liste, custom field, automazioni. Lo strumento è ClickUp (integrato via MCP). Ci sono arrivato passando per Todoist. ClickUp è molto più potente. La migrazione l’ho costruita con Claude: gli ho chiesto di esaminare come lavoravo in Todoist (progetti, etichette, filtri, routine ricorrenti) e gli ho detto cosa volevo ottenere in più e di diverso: gestire in modo integrato progetti, didattica, contenuti editoriali e operazioni quotidiane, senza saltare tra app diverse per attività dello stesso lavoro. Claude mi ha generato la prima versione del workspace: liste, gerarchie, custom field, automazioni. Io l’ho aggiustata in base all’uso che ne faccio. Oggi la manutengo insieme alle skill: se cambio un’automazione di ClickUp, spesso modifico anche una skill su cui ci si appoggia, e viceversa.

Il secondo strato è il filesystem dei miei documenti, organizzato con il metodo Johnny Decimal: una struttura ad albero numerata, in cui ogni area (10–19 Life admin, 20–29 Work docs) contiene categorie (21 Books, 22 Media, 26 Progetti…) e ciascuna categoria contiene progetti o asset trasversali. ClickUp e filesystem sono separati ma accoppiati: ogni task in ClickUp ha un custom field JD Reference che punta alla cartella corretta sul disco. Quando lavoro su un task, l’allegato fisico (PDF, draft, slide) è già nel posto giusto; quando archivio un task, non devo riorganizzare nulla.

5. Il workspace Claude

Accanto al filesystem JD vive una cartella separata, ~/Documents/Claude/ che non segue la numerazione di Johnny Decimal. È il workspace operativo delle skill: ciò che le skill leggono per sapere come comportarsi e ciò che scrivono come output intermedio o come archivio. Ha una struttura propria, articolata in tre strati.

Il primo strato è la configurazione. In root vivono i file .md che codificano le regole globali del mio sistema: CLAUDE.md (regole generali e gerarchia source-of-truth), TAXONOMY.md (tassonomia dei tipi di documento), jd-routing.md (mappa del sistema Johnny Decimal), typography-rules.md (corsivo, virgolette, formati dei titoli) e operations-reference.md (riferimento operativo cross-dominio). Ogni file ha un perimetro preciso e gli altri lo citano come fonte autoritativa.

Il secondo strato sono le cartelle di dominio, ciascuna con il proprio CLAUDE.md: Editorial System/ (hub editoriale), Social Manager/ (post Substack, LinkedIn, X), Libro/ (pipeline LaTeX), Productivity/ (daily log e routine), Presentations/, Wiki/, Esami-PoliMI/, ClickUp Management/ (con workspace-config.md come fonte autoritativa sulla struttura ClickUp). Quando una skill opera su un dominio, legge il CLAUDE.md di quel dominio per applicare le regole locali.

Il terzo strato è di supporto e archivi: Templates/, Skill Archive/, Dashboards/, Artifacts/, Scheduled/, più gli archivi storici (Archivio Medium/, Archivio Substack/, Archivio Meeting/, Music/, Gestione Spese/). Sono i materiali a cui le skill attingono o che producono, ma che non richiedono regole proprie.

La rete dei CLAUDE.md è il vero collante del sistema. È un’architettura volutamente decentralizzata: il CLAUDE.md di root non contiene tutto, ma coordina. Le regole specifiche stanno nei domini, e ogni volta che le tocco con una skill so dove andare a guardare.

6. Un sistema vivo

Nessuna di queste skill è scritta una volta per tutte. Le aggiorno e le arricchisco di continuo: ogni volta che un’esecuzione mi mostra che una regola manca, che un’istruzione è ambigua, che un caso non è previsto. È un approccio agile allo sviluppo delle skill: ogni uso reale è un piccolo test che mi dice cosa funziona e ogni correzione entra subito nel testo. Le skill più mature, come post-writer o daily-journal-evening, sono arrivate alla forma attuale dopo decine di iterazioni; le più giovani sono ancora in assestamento.

7. Cosa troverete nei prossimi post

Pubblicherò un post ogni due settimane circa, alternandolo agli altri contenuti della pubblicazione. La struttura sarà sempre la stessa: cosa fa la skill, in quali casi la uso, una sequenza di esempi reali, cosa funziona e cosa rifarei diversamente.

L’ordine sarà per famiglia, cominciando dalla scrittura: quella su cui ho iterato di più e che meglio mostra il rapporto fra una procedura scritta e una voce che resta riconoscibile. Ogni post sarà autocontenuto: si potrà leggere il pezzo su daily-journal-evening senza aver letto quello su post-writer.

Una nota di metodo. Le mie skill sono personali per costruzione, perché codificano il mio modo di lavorare. Non aspettatevi di copiarle e usarle come sono. Il valore di questa serie, se ce n’è uno, è mostrare che la categoria “skill” è accessibile a chiunque abbia voglia di scrivere una procedura. E che il sottoprodotto di scriverla, cioè capire come si lavora, vale spesso più dell’automazione che ne deriva.

Questo post è stato scritto con l’assistenza di Claude. Le idee, le posizioni e il ragionamento sono miei.

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

Il post in tre frasi

1. Le imprese stanno investendo nell’AI a ritmi senza precedenti, ma non sanno se sta funzionando.

2. Le (principali) ragioni sono due, e si sovrappongono: dati e processi non pronti da una parte, metriche assenti dall’altra.

3. La via d’uscita non è operare solo sul fronte del taglio degli investimenti, ma ammettere che una parte cruciale del lavoro l’abbiamo saltata e che, senza quella, ogni numero sul ROI è un’opinione travestita da dato.

Alla ricerca di valore

C’è una frase che circola nelle scuole di marketing da oltre un secolo. È attribuita a John Wanamaker, pioniere del retail americano a cavallo tra l’Ottocento e il Novecento (sebbene l’attribuzione sia incerta). Suona così: “Metà del denaro che spendo in pubblicità è sprecata; il problema è che non so quale metà.”

Quando la sento citata, penso alle riunioni con i CEO e i CFO delle imprese italiane degli ultimi diciotto-ventiquattro mesi — riunioni in cui si parla di investimenti in AI, di pilot e di trasformazioni in corso. Wanamaker, almeno, aveva l’onestà di dirlo: spendo, una parte è sprecata, non so quale. Non so quanti dei CFO che ho incontrato lo direbbero con quella nettezza, ma sotto la superficie del racconto la stessa onestà fatica a emergere. La volontà di essere chiari c’è; mancano i dati per esserlo.

Vediamo perché.

Una fase concitata e una domanda scomoda

Il punto di partenza è duplice. Da una parte, l’AI è il fenomeno di investimento aziendale più rapido che ricordi. Dall’altra parte, quando si chiede al management “qual è stato l’effetto?”, la risposta più frequente è un’esitazione, una qualificazione, un rinvio. Non si tratta di un’impressione mia. Arriva da fonti diverse, tutte indipendenti e degli ultimi mesi.

Provo a leggere queste fonti da due punti di vista che mi sembrano i più produttivi.

1. Molti progetti sono partiti senza una base adeguata, perché i dati e i processi delle imprese non erano ancora pronti.

2. Anche dove la base c’è, non sappiamo quantificare i benefici, o perché non ci sono, o perché non siamo capaci di misurarli.

I due punti di vista non si escludono. Si rafforzano.

Progetti senza base: il problema sta nei dati e nei processi

La fonte più recente e più articolata è una survey di Bain & Company, ripresa da Bloomberg e commentata da Entrepreneur all’inizio di giugno. Il campione è solido: 951 grandi aziende in 9 settori.

AI is supposed to save companies billions. So far, it isn’t. […] Among companies measuring their AI savings, 40% saw reductions of just 10% or less. That’s well below what most were expecting.

In altre parole, quattro aziende su dieci, fra quelle che almeno provano a misurare, ottengono risparmi inferiori al 10% rispetto alle proiezioni. È un divario notevole, ma quel che mi colpisce di più viene subito dopo:

The disappointing returns matter because 44% of companies surveyed are funding their next wave of generative and agentic AI investments with those projected savings. Bain calls the strategy “a circular bet with a structural leak.”

“Una scommessa circolare con una falla strutturale.” La formulazione è di Bain stessa, non di una stampa allarmistica. Significa che quasi la metà delle imprese sta finanziando il prossimo round di investimenti in AI con risparmi proiettati dal round precedente, risparmi che, come abbiamo appena visto, si discostano dalle proiezioni. Quando una scommessa si autorifinanzia con un ritorno che non arriva, il problema e il rischio sono strutturali.

Bain pone una domanda che si poteva porre al centro del rapporto: perché i risparmi attesi non si materializzano? La risposta è la parte più importante del documento.

the No. 1 reason AI programs underperform isn’t budget or strategy. It’s that most companies’ data is so disorganized their AI can’t get to it. That problem, Bain warned, “should be making executives uncomfortable.”

I dati delle imprese sono talmente disorganizzati che l’AI non riesce ad accedervi. Bain dice che la cosa “dovrebbe mettere a disagio gli executive”. Sospetto che il disagio arrivi, quando arriva, troppo tardi, dopo che la spesa è già impegnata e i pilot sono già stati lanciati.

La lettura di Bain non è isolata. Maria Korolov, su CIO.com a fine giugno, ha pubblicato un’analisi sull’adozione dei data lakehouse come infrastruttura per l’AI aziendale.

L’idea di fondo è semplice: senza un livello dati unificato e accessibile, qualsiasi modello AI non funziona o funziona male. Prasad Pore, analista di Gartner, dichiara nell’articolo un tasso di adozione del 65% dei data lakehouse tra i clienti dell’azienda, “a very strong number in a short time”. Chi ha capito che, senza un livello dati unificato, l’AI non scala, sta riparando la fondazione. Chi non l’ha capito continua a costruire “case sulla sabbia”, come recita la parabola evangelica.

A questo aggiungerei una considerazione tratta dalla mia esperienza. I progetti AI che ho visto fallire non sono falliti per problemi del modello. Sono falliti perché le persone incaricate di farli funzionare non avevano le competenze e l’accesso ai dati nei tempi e nei formati richiesti. Quando il dato c’era, era distribuito su quattro sistemi diversi, con definizioni semantiche incompatibili, regole di aggiornamento asincrone, granularità differenti. Le riunioni di kickoff parlavano di prompt engineering. Sei mesi dopo si parlava di pipeline per l’acquisizione e l’organizzazione delle informazioni.

Misurare ciò che non si sa misurare

Il secondo punto di vista è più sottile e, secondo me, più interessante perché va oltre l’aspetto tecnico-infrastrutturale e raggiunge il cuore del funzionamento delle imprese. Anche laddove i dati esistono e i processi funzionano, le imprese faticano a stabilire se l’AI stia generando valore. Il caso più citato è uno studio del MIT Media Lab dell’estate scorsa (The GenAI Divide: State of AI in Business 2025, luglio 2025), ripreso a settembre 2025 da Harvard Business Review (HBR) in un articolo sui workslop:

a recent report from the MIT Media Lab found that 95% of organizations see no measurable return on their investment in these technologies.

La cifra del 95% è circolata molto e va presa con la cautela che il rapporto stesso indica: “non vedono un ritorno misurabile”. La distinzione è importante. Una cosa è dire che gli investimenti in AI non stanno producendo valore: un’altra, ben diversa, è dire che lo stanno producendo ma non siamo capaci di quantificarlo. Sono due situazioni che richiederebbero risposte diverse: nel primo caso, ripensare l’approccio; nel secondo, continuare a investire, dotandosi però degli strumenti per misurare ciò che già accade. Davanti a un board che chiede cifre, però, le due situazioni collassano in una sola: in entrambi i casi non si hanno numeri da portare e, in entrambi i casi, quanto affermato suona come “non sappiamo se sta funzionando”. La distinzione resta sostanziale, ma diventa inutilizzabile come argomento a sostegno del prossimo round di investimenti. La differenza c’è, conta e, nondimeno, scompare nel momento in cui dovrebbe pesare.

Una conferma indiretta arriva da una survey di Gartner condotta a fine 2025 (pubblicata a maggio 2026) e commentata da CIO Magazine:

Eighty percent of large enterprises surveyed by Gartner have reported workforce reductions after launching automation projects, with the average reduction between 1% and 15%. The IT analyst firm, however, has found no correlation between layoffs and AI ROI.

Otto grandi imprese su dieci hanno effettuato tagli di personale dopo aver avviato iniziative di automazione basate sull’AI. Nessuna correlazione, però, fra i tagli e il ROI. Helen Poitevin di Gartner lo dice in modo molto netto:

“You would anticipate that those who are getting the most ROI maybe then are able to cut the most, but that’s not what we see. […] There seems to be no link between laying people off and getting ROI from AI investments.”

È un punto su cui mi sono già soffermato a febbraio, parlando di AI-washing. La logica “meno teste = più ROI” trasforma un’aspettativa ancora da verificare in decisioni operative concrete: le imprese tagliano personale contando su risparmi che l’AI dovrebbe generare. Il rapporto di Gartner mostra che quei risparmi non si stanno materializzando e che, quando arrivano, non sono correlati ai tagli. Le decisioni, intanto, anticipano il dato che dovrebbe giustificarle.

HBR di giugno 2026, in un articolo dal titolo “How People Are Really Using AI in 2026” a firma di Marc Zao-Sanders, mette nero su bianco la stessa difficoltà:

Explicitly stated ROI like this is rare in the data we have—growth is more often claimed anecdotally.

I casi di ROI esplicito sono rari nei dati. Quando si trovano (sales/marketing, +20–30% di conversione su campagne testate con agenti AI ottimizzati), sono dichiarazioni aneddotiche più che evidenze sistematiche. Fuori da questi pochi casi, le affermazioni sul ROI dell’AI restano impressionistiche: parlano di sensazioni, mentre servirebbero misurazioni.

McKinsey, in un’analisi sull’AI paradox nei consumi europei, formalizza la difficoltà in una frase che vale come sintesi di tutto il filone:

[…] Boards want to understand where AI investments are going. CFOs want to see measurable returns. Strategy teams point to an expanding set of AI initiatives across marketing, customer experience, supply chain, and technology development. Yet when pressed on bottom-line impact, many organizations still give the same answer: It is too early to tell.

“It is too early to tell.” La frase appare cortese, ma è la confessione di un’incapacità di misurazione che si sblocca soltanto se, a un certo punto, si decide di costruire le metriche che oggi non esistono. Misurare l’AI guardando solo al costo dei token, alla latenza, all’utilizzo delle licenze e al numero di pilot in corso equivale a misurare l’output del sistema tecnico. L’outcome del business è un’altra cosa e si misura in modo ben diverso.

A febbraio scorso, in un post sullo sviluppo software assistito dall’AI, scrivevo che la produttività in quel dominio non è misurabile guardando soltanto alla fase di coding. La stessa logica vale, in scala, per l’impresa: la produttività dell’AI va misurata alla scala giusta, quella del processo o della catena di valore. Misurare solo la fase in cui il modello produce l’output è troppo poco; pretenderne gli effetti netti sull’EBIT aziendale è troppo. La granularità utile sta nel mezzo: la durata di un ciclo di vendita, il tempo di chiusura di una pratica, il numero di interventi necessari per completare un’istanza del processo.

Il “baratro della disillusione”

Resta una nota sulla curva del ciclo dell’hype di Gartner. The Economist ha pubblicato a dicembre, citando S&P Global, un dato alquanto significativo:

the share of companies abandoning most of their generative-AI pilot projects has risen to 42%, up from 17% last year.

Il 42% delle imprese ha abbandonato la maggior parte dei propri pilot generativi. Un anno prima era il 17%. La pendenza è netta. La collocazione sulla curva di Gartner del baratro della disillusione (trough of disillusionment) è netta e non sorprende: è un meccanismo empiricamente consolidato. Quel che mi interessa, però, è che il baratro è il momento in cui scoperchiamo i problemi che ho descritto sopra: i dati, i processi, le metriche. Chi resta dentro la curva, senza porsi la domanda del perché, non vede il ritorno e rischia di sospendere gli investimenti proprio mentre la vera maturazione potrebbe cominciare a dare i primi risultati. Chi si ferma a chiedersi perché e accetta la risposta scomoda, che riguarda dati, processi e metriche, può ripartire con un setup diverso e raggiungere il plateau di produttività con un vantaggio che oggi non si vede.

L’onestà intellettuale di cui abbiamo bisogno

Torno a Wanamaker per una sola riga. La sua frase ha attraversato un secolo perché contiene una postura: l’onestà intellettuale di chi sa di non sapere. Il problema è che facciamo finta di sapere. Le presentazioni dei vendor le fanno per mestiere; i board le fanno per fiducia; gli executive le fanno per inerzia, perché ammettere l’incertezza significa esporsi. L’unica cosa peggiore di non sapere quanto stiamo spendendo bene è raccontare che lo sappiamo.

Per questo la responsabilità non ricade interamente su una sola parte. Le imprese sono partite senza basi solide perché hanno operato in un mercato che premiava la fretta: vendor che hanno venduto risparmi rapidi, board che hanno chiesto numeri prima del tempo, una curva di hype che ha punito la prudenza. La trasformazione digitale saltata è responsabilità dell’impresa. Il contesto che l’ha resa visibile solo oggi è frutto di una responsabilità collettiva.

Per approfondire

[1] Bain & Company, Your AI Budget Is Growing. Your Returns Aren’t. Here’s Why, giugno 2026. https://www.bain.com/insights/your-ai-budget-is-growing-your-returns-arent-heres-why/

[2] Maria Korolov, “Data lakehouses are becoming foundations for enterprise AI”, CIO.com, giugno 2026. https://www.cio.com/article/4184051/data-lakehouses-are-becoming-foundations-for-enterprise-ai.html

[3] MIT NANDA (MIT Media Lab), The GenAI Divide: State of AI in Business 2025, luglio 2025 (release: 16 agosto 2025). https://nanda.media.mit.edu/ai_report_2025.pdf

[4] “AI-Generated ‘Workslop’ Is Destroying Productivity”, Harvard Business Review, settembre 2025 — riprende lo studio del MIT al punto [3]. https://hbr.org/2025/09/ai-generated-workslop-is-destroying-productivity

[5] “AI-driven layoffs aren’t making business sense”, CIO, maggio 2026 — commenta la survey Gartner sui tagli del personale dopo l’automazione, con interventi di Helen Poitevin sul nesso tagli/ROI dell’AI. https://www.cio.com/article/4171054/ai-driven-layoffs-arent-making-business-sense.html

[6] Marc Zao-Sanders, “How People Are Really Using AI in 2026”, Harvard Business Review, giugno 2026. https://hbr.org/2026/06/how-people-are-really-using-ai-in-2026

[7] McKinsey & Company (QuantumBlack), The AI paradox in Europe’s consumer industries: More spending, elusive impact, 2026. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-ai-paradox-in-europes-consumer-industries-more-spending-elusive-impact

[8] The Economist, sulla quota di imprese che abbandonano i pilot generativi (42% nel 2025, 17% l’anno prima), citando S&P Global, dicembre 2025. Dato originale: S&P Global, “Generative AI shows rapid growth but yields mixed results”, ottobre 2025. https://www.spglobal.com/market-intelligence/en/news-insights/research/2025/10/generative-ai-shows-rapid-growth-but-yields-mixed-results

Questo post è stato scritto con l’assistenza di Claude. Le idee, le posizioni e il ragionamento sono miei.

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

Where Rivers Meet mi ha tenuto coinvolto fino alla fine. Your Brother’s Keeper non lo conoscevo; Gary Bartz neanche. Ho scoperto un musicista che ha suonato con Miles Davis e con altri grandi del jazz, e adesso ho molto da recuperare del suo percorso musicale.

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

Nel quadro di Putnam il lavoro non era nella lista delle attività umane erose. La vita sociale in ufficio era l’ambito che le persone sperimentavano cinque giorni su sette, in cui trascorrevano otto-dieci ore al giorno, in cui imparavano un mestiere e stringevano relazioni che spesso superavano la durata del loro impiego. Ricordate il film 9 to 5 con Dolly Parton, Lily Tomlin e Jane Fonda?

Ventisei anni dopo, il 17 giugno 2026, Emma Harrington e Natalia Emanuel hanno firmato sul New York Times un guest essay che chiude così: “Twenty-six years after Robert Putnam warned that Americans were bowling alone, many of us are now typing alone.”

La frase riconosce, da parte di due economiste del lavoro, che l’erosione descritta da Putnam si è manifestata anche nell’ultimo ambito in cui la cultura del tardo Novecento aveva dato per scontato che il legame sociale si formasse da sé.

Cosa dicono i dati

Harrington ed Emanuel, insieme ad Amanda Pallais, hanno appena pubblicato su Science uno studio basato su sondaggi condotti su oltre mezzo milione di lavoratori americani tra il 2011 e il 2024. Confrontano due popolazioni: chi svolge un lavoro tecnicamente svolgibile da remoto e chi svolge un lavoro che richiede la presenza fisica. Il primo gruppo, dal 2019 al 2024, ha triplicato il numero di giornate lavorate da casa. Le sue giornate sono diventate più solitarie: oggi l’84% dei remote worker trascorre l’intera giornata di lavoro da solo. Oltre la metà si sente meno connessa ai propri colleghi. Chi vive da solo ha visto il proprio benessere mentale calare del 20%, mentre per chi vive con un partner o con figli la salute mentale è rimasta sostanzialmente stabile. Il distress dei lavoratori in mansioni svolgibili da remoto è cresciuto del 7% rispetto al gruppo di controllo e tale incremento spiega circa un terzo dell'aumento dal 2011 al 2024 del distress mentale tra i lavoratori americani.

Cosa abbiamo demolito senza chiamarlo per nome

Il dato che mi ha colpito di più nel pezzo riguarda la sociologia, non la salute mentale. Citando la ricerca del Survey Center on American Life, Harrington ed Emanuel ricordano che l’ufficio è il luogo numero uno in cui gli adulti americani stringono nuove amicizie. Il sondaggio colloca l’ufficio davanti alla scuola, alle amicizie già esistenti, al vicinato, alla parrocchia, ai club e alle organizzazioni. Nessuno aveva progettato l’ufficio per quella funzione: è successo, di fatto, come sottoprodotto della convivenza forzata per otto ore al giorno. Per molti adulti, l’ufficio è lo spazio della vita in cui il legame si forma per default, senza doverlo decidere, organizzare, calendarizzare. La socialità per appuntamento raggiunge una quota ristretta: la socialità ambientale, quella che capita perché si è nello stesso posto a fare la stessa cosa, scala da sola.

In questa storia, anch’io devo fare un po’ di esame di coscienza. Quando ho riguardato il mio archivio per scrivere queste righe, ho trovato tre vecchi post su Medium. Nel novembre 2011 segnalavo con entusiasmo i primi risultati dello studio di Stanford sul telecommuting di Nicholas Bloom (il paper completo sarebbe arrivato nel 2013), intitolato “Finally, a Proper Study to Scientifically Show Telecommuting is More Productive”. Già allora nella citazione che riportavo dal pezzo originale, c’era un dettaglio che è opportuno ricordare: alcuni dipendenti di un’agenzia di viaggi cinese avevano rifiutato di passare al telelavoro perché apprezzavano il tempo trascorso a socializzare con i colleghi. Lo riportai come una nota di colore. Avevo il segnale davanti e non l’ho visto. Pochi mesi dopo, nel marzo 2012, segnalavo, con tono neutro-positivo, un sondaggio Wrike (di fine 2011) che indicava che l'83% dei lavoratori già lavorava da remoto almeno qualche ora a settimana. Ancora prima, nel 2007, avevo scritto un breve post intitolato Vorrei vedere come fanno i conti: dubitavo dei numeri sui risparmi di CO₂ attribuiti al telelavoro, ma non avevo pensato di chiedermi che cosa il telelavoro sottraesse. Allora nessuno se lo chiedeva, me incluso. Per quindici anni, quei segnali sono rimasti in archivio, mentre lo studio su Science di giugno 2026 li esplicita e li rende visibili.

E poi è arrivato il COVID. In Cefriel, quando l’emergenza si è conclusa, abbiamo definito una policy di smart working che riconosceva la centralità delle giornate in presenza: un modello di collaborazione, non un’autorizzazione permanente al lavoro da remoto. Era la direzione giusta, ma ho sbagliato a non aumentare la percentuale di giornate in ufficio una volta superato il momento critico: ciò che lo studio su Science misura oggi, all’epoca lo intuivo ma non ebbi il coraggio di concretizzarlo fino in fondo.

Nota: non lavoro più in Cefriel e al momento non so quali siano le policy su questo tema.

Perché non basta tornare indietro né bastano i rituali

Le autrici del pezzo NYT propongono una via d'uscita “soft”: ripristinare le interazioni informali e incidentali che il remote work ha eliminato, ridisegnare gli ambienti per favorire gli incontri spontanei, riconoscere il valore del “lavoro di connessione” negli incentivi aziendali. Sono interventi che hanno senso. Ma sono correttivi, non strutturali. E sono fragili per tre ragioni.

La prima: il prepandemia non era un paradiso e neanche oggi lo sarebbe. L’ufficio, dalle 9 alle 18, cinque giorni su cinque, insieme al tempo di viaggio, assorbe una parte significativa della nostra vita che non possiamo dedicare alla famiglia, agli amici, agli impegni personali. Il remote work libera ore di viaggio che alcune persone reinvestono in famiglia, hobby, relazioni fuori dal lavoro. Il bilancio aggregato resta però negativo e ricade soprattutto su chi vive da solo, chi non reinveste quelle ore in legami significativi. Il fatto che al modello prepandemia sia subentrato qualcosa di peggio non lo trasforma retroattivamente in un punto di equilibrio. Non c’è un 2019 a cui tornare con serenità.

La seconda: le pezze non scalano. Coffee chat, weekly one-on-one, sessioni di “team building” definiscono i momenti di vita sociale come un opt-in nell’organizzazione del lavoro, mentre nell’epoca dell’ufficio erano un opt-out. È una differenza decisiva. Quando una pratica è di default (cioè succede a tutti, sempre), funziona. Quando è opt-in (succede a chi se la ricorda, ha tempo e non ha già altri impegni), avviene nel 15-20% dei casi e poi scompare.

La terza: il danno misurato è troppo grande. Chi vive da solo perde un quinto del proprio benessere mentale. Non lo si risolve con qualche coffee chat settimanale.

Cosa significa per noi

Lo studio è americano, ma la dinamica descritta ha valenza generale. In Italia, tutto questo ci riguarda direttamente. Sulla carta, lo smart working italiano (L. 81/2017) è più ampio del remote work americano: autonomia, gestione per obiettivi, flessibilità di tempi e luoghi. Nella pratica, però, in molte organizzazioni si è ridotto a “lavorare da casa”, cioè a lavorare da remoto. Quando lo smart working scivola verso il remote-by-default, lo studio di Harrington, Emanuel e Pallais parla anche di noi. Non perché il nostro lavoro sia diverso, ma perché stiamo replicando le stesse scelte senza nemmeno il dibattito che le accompagna negli Stati Uniti.

La pubblica amministrazione è entrata nello smart working di massa nel marzo 2020 e da allora discute quasi soltanto della percentuale di giorni lavorati da casa, riducendo di fatto al remote work ciò che la legge aveva pensato come modello più ampio. Quasi nessuno discute la funzione relazionale del servizio pubblico, che è in larga parte un mestiere di mediazione tra cittadino e Stato e che richiede presenza non tanto fisica al cittadino quanto fisica tra colleghi che imparano quel mestiere guardandolo fare. L’università italiana è uscita dall’online del COVID senza ricostruire i meccanismi informali di formazione dell’identità accademica: la chiacchiera in dipartimento, il corridoio prima del seminario, la birra dopo. Sono pratiche che i senior ricordano e che i nuovi arrivati non hanno mai vissuto o solo marginalmente. Stiamo formando una generazione di ricercatori che non ha vissuto appieno il proprio lavoro come parte di una comunità. La consulenza, infine, ha fatto dell’ibrido la sua forma definitiva. “Ibrido” che, nella maggior parte dei casi, è remote-by-default mascherato da smart working, più qualche giornata dal cliente. Il mestiere del consulente è, prima di tutto, un mestiere di relazione, interna all’azienda, prima ancora che verso il committente. Smontare queste dinamiche è una perdita di capitale sociale che vedremo solo tra cinque o dieci anni, quando i senior di oggi cominceranno a uscire e coloro che li hanno sostituiti si scopriranno a corto di qualcosa che non hanno mai vissuto né sviluppato.

Adesso tocca a noi

Putnam aveva mostrato un’erosione che la cultura del suo tempo aveva faticato a leggere. Harrington, Emanuel e Pallais documentano una versione più dura della stessa storia. Da qui non si esce con un coffee chat settimanale, né con un nostalgico ritorno alle 9-18 di prima. Si esce riconoscendo che certi legami, quelli che tengono insieme una società, una professione, una vita, non si formano da soli nei modelli organizzativi costruiti negli ultimi cinque anni: vanno progettati e ripensati rimettendo al centro l’incontro e la vita in comune. Servono scelte aziendali, contrattuali e individuali che oggi quasi nessuno fa. Per anni l'ufficio produceva quelle dinamiche come sottoprodotto della giornata lavorativa, senza che nessuno dovesse occuparsene esplicitamente. Ora che non si producono più nella stessa forma, vanno costruite deliberatamente. Sono decisioni sui tempi e i modi del lavoro che, prese nel loro complesso, determinano se la prossima generazione vedrà la propria professione come un’esperienza di comunità o come una somma di contratti e dinamiche individuali.

Come al solito, Madame Realtà ci mette di fronte alle nostre responsabilità e al bisogno di scegliere.

Questo post è stato scritto con l’assistenza di Claude. Le idee, le posizioni e il ragionamento sono miei.

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 primo grazie a chi mi legge, anche solo a settimane alterne, anche quando salta un pezzo perché non interessa, anche quando una notifica si perde nella massa delle altre. La pubblicazione esiste perché c’è qualcuno dall’altra parte che la riceve e la legge. Non è un fatto scontato.

Un secondo grazie va a chi di voi ha risposto al sondaggio che ho inviato ieri. A bassa voce è in cammino ormai da un po’ ed era il momento di chiedere come stesse andando.

I numeri

Il quadro è positivo, meglio di quanto mi aspettassi. Due segnali vanno presi in considerazione: una parte di voi percepisce la frequenza come alta e un'altra trova il mix dei temi troppo vario.

Cosa avete chiesto

Chi dice “troppo frequente” sta chiedendo di poter scegliere quando ricevere cosa. Chi dice “troppo vario” sta chiedendo un modo per filtrare i post che non interessano. Sono due forme della stessa richiesta: maggiore controllo.

Una lettrice me l’ha messa nero su bianco:

Io mi sono iscritta pensando parlassi di AI e argomenti correlati ad essa, ogni tanto inserisci recensioni di album legacy… hai pensato di creare una nuova pubblicazione?

La risposta: sei sezioni

Ci ho pensato e ho riorganizzato A bassa voce in sei sezioni. Le prime tre sono di taglio argomentativo:

• AI e dintorni — AI, software, modelli, strumenti, policy AI, mercato tech.

• Costume e cultura — società, etica, cinema, scuola, riflessioni personali e culturali.

• Imprese, mercati, policy — organizzazioni, mercati, politiche industriali, lavoro.

Le altre tre sono le rubriche fisse già attive da tempo:

• Album della settimana — un disco a settimana, qualche riga di accompagnamento.

• Libro della settimana — un libro a settimana, della stessa misura.

• Prodotti riusabili — il racconto dei piccoli strumenti che costruisco per lavorare, in particolare con l’AI.

Cosa cambia per voi

Se vi va bene il flusso attuale, non dovete fare nulla e continuerete a ricevere tutti i post di tutte le sezioni come adesso.

Se invece volete ricevere solo alcune sezioni e toglierne altre (perché vi interessa la musica e non l’AI, o viceversa, o perché vi basta un pezzo a settimana e non tre) il flusso è questo:

1. Andate su substack.com/settings, loggati.

2. Nella sezione Iscrizioni, cliccate su A bassa voce.

3. Scorrete fino a Notifiche. Disattivate i toggle delle sezioni che non volete ricevere.

Una cosa sui toggle. Substack li mostra in modo che può confondere. Non sono gerarchici: ognuno controlla un flusso separato e indipendente dagli altri. Spegnere quello di una sezione non tocca le altre. Accendere quello in alto non accende tutto.

Vediamoli per quello che sono:

• I sei toggle delle sezioni — AI e dintorni, Imprese mercati policy, Costume e cultura, Album della settimana, Libro della settimana, Prodotti riusabili — controllano ciascuno la rispettiva sezione. Lasciate ON quelle che volete ricevere, OFF quelle che non vi interessano.

• Il toggle in alto, “A bassa voce — Ricevi email per i nuovi post”, controlla i miei post pubblicati senza averli assegnati a una sezione. D’ora in avanti lo userò solo per le comunicazioni di servizio, come questa. Se lo lasciate ON, ricevete quelle poche email (per definizione rare). Se lo spegnete, vi arriveranno solo i post delle sezioni selezionate.

Le email arrivano per i soli toggle rimasti attivi. Tutti i post di tutte le sezioni restano comunque leggibili sul sito, se in futuro vi viene voglia di recuperarli. Potete cambiare idea in qualunque momento.

Quello che resta da capire

Sulla domanda «I contributi sono utili?» un quarto di voi ha risposto «Mediamente sì». È la voce più tiepida del sondaggio. Le sezioni non risolvono questo problema: il problema sta nel valore di ciò che scrivo.

Su questo ho bisogno di voi. Se un pezzo non vi convince, se vi sembra che tralasci un tema importante, se pensate che potesse essere fatto meglio: scrivetelo in un commento o mandatemi una mail. Sono i commenti di merito che mi aiutano a migliorare.

Vi leggo.

Questo post è stato scritto con l’assistenza di Claude. Le idee, le posizioni e il ragionamento sono miei.

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 che ne derivava, secondo cui due filosofie regolatorie fossero inconciliabili, era netta. Ma in coda alla sintesi c’era una nota a margine che a marzo era passata quasi inosservata: alcuni segnali (il Digital Omnibus allo studio, il ritiro della direttiva sulla responsabilità IA) suggerivano che l’UE stesse iniziando a ripensare la propria posizione. L’analisi la presentava come un’ipotesi.

L’UE alleggerisce

Il 7 maggio, Consiglio, Parlamento e Commissione hanno raggiunto un accordo politico provvisorio sul cosiddetto Digital Omnibus on AI, un pacchetto di modifiche all’AI Act che posticipa le scadenze e semplifica alcuni passaggi. Gli obblighi per i sistemi ad alto rischio elencati nell’Annex III sono rinviati al 2 dicembre 2027; quelli per l’AI incorporata nei prodotti regolati dall’Annex I al 2 agosto 2028.

Il rinvio è subordinato alla conformità agli standard in corso di elaborazione da parte di CEN-CENELEC. La Commissione, nei fatti, ha riconosciuto che imporre obblighi senza gli standard tecnici di riferimento crea una compliance impossibile da onorare: una posizione che da un anno l’industria europea sosteneva e che Mario Draghi aveva messo per iscritto nel rapporto del settembre 2024.

C’è poi una semplificazione di merito del concetto di safety component. Un sistema AI che si limita ad assistere l’utente o ad ottimizzare la prestazione di un sistema più ampio non sarà classificato automaticamente come ad alto rischio, se il suo malfunzionamento non genera rischi per la salute o la sicurezza. Un chiarimento che restringe la perimetrazione dell’AI Act ai casi in cui la posta in gioco è sostanziale, escludendo le applicazioni di efficienza operativa che il testo iniziale rischiava di includere.

Gli USA stringono (e di parecchio)

Alcuni fatti recenti hanno cambiato il giudizio su ciò che avviene negli USA.

In primo luogo, il vetting governativo dei modelli prima del rilascio. All’inizio del 2026 il Center for AI Standards and Innovation (CAISI) del Dipartimento del Commercio aveva firmato accordi con Google DeepMind, Microsoft e xAI per valutare i loro modelli di frontiera prima della messa in commercio. A giugno il CAISI aveva completato oltre quaranta valutazioni, rese pubbliche e diventate per ricercatori e policymaker un riferimento condiviso su ciò che i modelli potevano fare. La rotta è cambiata nelle settimane successive alla scoperta che il modello Mythos di Anthropic, precursore dell’attuale Mythos 5, era in grado di individuare e sfruttare vulnerabilità di rete con relativa facilità. Il 2 giugno Trump ha firmato l’executive order Promoting Advanced Artificial Intelligence Innovation and Security, che sposta il vetting dal CAISI a un framework classificato gestito dalle agenzie di national security, impone una revisione governativa di 30 giorni prima del rilascio pubblico di qualunque modello di frontiera, e ordina al CAISI di smettere di pubblicare le proprie analisi: la supervisione resta, ma diventa opaca.

In secondo luogo, le partecipazioni pubbliche in aziende private. Il 5 giugno, Trump ha confermato che l’amministrazione sta esplorando un equity stake in OpenAI e in altri leader del settore. Pochi giorni dopo, il vicepresidente JD Vance, nel podcast di Steven Bartlett, ha risposto a una proposta di Bernie Sanders sull’azionariato dei lavoratori delle grandi aziende AI dicendo che «al presidente, fra l’altro, l’idea piace. Sì, gli piace». La modalità tecnica a cui l’amministrazione pensa, però, è quella di un sovereign wealth fund americano, con quote intorno al 9,9% nelle principali aziende di AI. L’amministrazione ha già acquisito partecipazioni in Intel, IBM e in operatori nei settori del quantum e dei minerali critici. Entrare nel capitale dei leader dell’AI cambia la natura dell’operazione: un azionista pubblico del 9,9% inciderebbe sulle decisioni di prodotto, di pricing e di rilascio.

In terzo luogo, l’AI come oggetto di controllo per l’export. Il 12 giugno l’amministrazione ha disposto, per ragioni di sicurezza nazionale, il blocco dell’accesso ai modelli Fable 5 e Mythos 5 di Anthropic da parte di qualunque cittadino straniero, inclusi i dipendenti stranieri di Anthropic. L’azienda ha dovuto disabilitare l’accesso a livello globale per conformarsi e ha contestato pubblicamente il provvedimento, osservando che, se applicato sistematicamente, bloccherebbe il rilascio di qualsiasi modello di frontiera. La misura ha incrinato i rapporti con gli alleati. È un trattamento da arma da esportazione: l’AI entra nel perimetro dei controlli di sicurezza riservati ai semiconduttori, alle tecnologie duali e ai materiali strategici.

Il giusto sta nel mezzo

I due estremi si sono mossi l’uno verso l’altro, in modi e con culture diversi. L’UE ha riconosciuto che gli obblighi imposti prima degli standard tecnici non possono essere rispettati, sono controproducenti e che la tassonomia del rischio va ricalibrata. Gli USA, partiti dall’astensione dichiarata, sono passati a misure che non hanno equivalenti nel quadro europeo: lo Stato che entra nel capitale delle aziende private, l’export control sui modelli AI applicato anche ai dipendenti stranieri delle aziende americane stesse.

La lezione è che nessuna delle due posizioni di partenza era sostenibile nel lungo periodo. Regolare prima di sapere genera obblighi che non si possono adempiere; astenersi per principio lascia il campo a interventi di emergenza fatti con strumenti pensati per altro: il Defense Production Act, i controlli export-style, le acquisizioni governative nel capitale di aziende strategiche.

Si può obiettare che le mosse americane hanno origini geopolitiche più che regolatorie, e che la rivalità con la Cina conta più della teoria del laissez-faire. Vero, ma l’effetto regolatorio è lo stesso: lo Stato è nel capitale delle aziende AI e nella decisione su quali modelli rilasciare e a chi.

Quello che serve è una regolazione capace di evolvere: principî stabili e strumenti rivedibili, da aggiornare quando la realtà tecnologica cambia. È quello che entrambe le sponde dell’Atlantico stanno cercando di costruire, sotto la pressione dei fatti, mentre la conversazione pubblica continua a discutere di chi sia più “amico dell’innovazione”. È una domanda che, a giugno 2026, ha perso gran parte del suo significato.

A marzo, in calce a quel confronto, era rimasta a margine l’ipotesi di una “dinamica convergente paradossale” tra le due sponde. Tre mesi dopo, l’ipotesi è diventata il titolo della storia e si è materializzata in modo più netto di quanto immaginassi: l’UE ha allentato i suoi obblighi più rapidamente del previsto, gli USA hanno introdotto controlli che a marzo non vedevo all’orizzonte.

Il centro è quello che resta dopo aver scartato le due posizioni estreme: l’UE si è accorta che la propria era inapplicabile nei tempi previsti, gli USA che la propria li obbligava a improvvisare.

Questo post è stato scritto con l’assistenza di Claude. Le idee, le posizioni e il ragionamento sono miei.

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

È sorto un mondo di qualità senza uomo, di esperienze senza colui che le vive, e si può quasi immaginare che nel caso limite l’uomo non potrà più vivere nessuna esperienza privata, e il peso amico della responsabilità personale finirà per dissolversi in un sistema di formule di possibili significati.

Conviene ricordare di cosa parla il libro. Vienna, 1913, alla vigilia della catastrofe che travolgerà l’impero austro-ungarico, lo stesso che Musil ribattezza con scherno “Kakania”. Un gruppo di notabili lancia l’“Azione Parallela”, una grande campagna patriottica per celebrare i settant’anni di regno di Francesco Giuseppe. Mesi di riunioni, di salotti, di discorsi altissimi sull’anima, sulla nazione, sul progresso. Risultato: nulla. La macchina gira a vuoto, mentre ciascuno insegue il proprio interesse: il generale Stumm vuole fondi per l’esercito, l’industriale Arnheim punta a comprare giacimenti petroliferi.

Il protagonista, Ulrich, è “l’uomo senza qualità” del titolo. Ma la sua mancanza di qualità è più ambigua di quanto sembri. Ulrich si è preso quello che chiama un “congedo dalla vita”: un anno in cui rifiuta di irrigidirsi in una professione, in un carattere, in una stabilità, perché in ciascuna di queste forme vede già la “carcassa” che gli sopravvivrà. Tiene aperto quello che Musil chiama il senso della possibilità (la capacità di pensare le cose come potrebbero essere e non solo come sono), perché sospetta che ridursi a una forma definita sia un modo prematuro di morire. Una condizione che, scrive Musil, capita di scoprire in sé:

E poiché possedere delle qualità presuppone una certa soddisfazione di constatarle reali, è lecito prevedere come a uno cui manchi il senso della realtà anche nei confronti di se stesso possa un bel giorno capitare di scoprire in sé un uomo senza qualità.

Più che un eroe in fuga o un nichilista lucido, Ulrich è qualcuno che cerca, sperimentalmente, un modo giusto di vivere. Persino le qualità che possiede non le sente sue:

Ha ingegno, volontà, spregiudicatezza, coraggio, perseveranza, slancio e prudenza […] diciamo che possiede tutte queste qualità. Eppure non le possiede! Esse hanno fatto di lui quello che è, e hanno segnato il suo cammino, ma non gli appartengono.

Se Ulrich porta dentro di sé questa condizione con una buona dose di consapevolezza, Arnheim la trasforma in una posa. Arnheim, il grande industriale-intellettuale che Musil modella su Walther Rathenau, è il “grande uomo” per eccellenza: la sintesi perfetta di denaro e spirito, capace di parlare di economia e di anima nella stessa frase, ammirato da tutti. Ma la sua è una sintesi falsa. Dietro la facciata c'è un affare sul petrolio, e la profondità che mostra è una recita. Accanto a lui c’è Diotima, che trasforma il salotto in una fucina di idee sublimi e inconcludenti. È proprio questa doppiezza che Musil prende di mira.

Quasi vent’anni fa, sul mio vecchio blog, citavo la battuta di Al Capone in Gli intoccabili: “Sei solo chiacchiere e distintivo.” La trovavo perfetta per descrivere tanta gente, tutta apparenza e niente sostanza. Musil mi dà qualcosa di più preciso e inquietante perché non parla soltanto di qualche impostore. La condizione che descrive ci riguarda tutti: un “uomo senza qualità”, come ricordavo, finisce per consistere in “qualità senza uomo”. Le opinioni, gli sdegni, le competenze circolano staccati dalla persona che dovrebbe garantirli. Lo sdegno che esprimo è ancora il mio o me l’ha messo in bocca qualcun altro? Musil se lo chiedeva un secolo fa.

C’è qualcosa di salutare, allora, in chi esita a indossare le proprie qualità come un distintivo e preferisce restare incerto piuttosto che ridursi a una posa.

Musil non ha finito il romanzo: morì nel 1942 lasciando Ulrich a metà strada. Ma il punto, per noi, resta. Un uomo senza qualità come Ulrich, almeno, resta presente a se stesso. A preoccuparmi sono le qualità senza uomo: la competenza, lo sdegno, la cultura che continuano a circolare anche quando dietro non c’è nulla che le renda realmente vissute e sincere.

Questo post è stato scritto con l’assistenza di Claude. Le idee, le posizioni e il ragionamento sono miei.

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’altra scoperta per caso. Di Gainsbourg avevo in mente le solite cose: “Je t’aime moi non plus”, i famosi legami con Jane Birkin e Brigitte Bardot, l’immagine pubblica. Poi salta fuori Histoire de Melody Nelson, 1971. Mezz’ora di un’altra musica, di un altro Gainsbourg.

Non so bene come qualificarlo. Ai confini tra canzone d’autore e (un accenno di) prog. Mai del tutto né l’uno né l’altro. Un’assoluta sorpresa dal ‘71.

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

Nadella is right about the loop. He presents it in the manifesto as a competitive strategy. Every firm should own its loop; otherwise, value flows to the few companies that own the models. The framing is strategic, the audience is the CIO (and CEOs), and the call to action is to build infrastructure, competence, and processes around AI rather than buy it off the shelf.

The manifesto does one thing well and skips one thing entirely. It names a real asset, but it does not explain why that asset is real in the first place. Not the strategic reason, the structural one. Why is owning a loop an actual asset, and not just a managerial aspiration?

On April 27, 2026, I submitted a paper for publication that discusses these questions. The paper was written from the perspective of LLM epistemology, not from the economics of the AI market. It focuses on Software Engineering, and within it on coding agents, because that is where a structural vacuum is most visible (and where most of the media attention is concentrated).

These three properties are architectural, not application-specific, which is why the framework derived from them applies to any work in which an organization wants to govern an agent rather than supervise it on a case-by-case basis. The tradition the paper rests on is decades old; what the paper adds is a structured account of why the architecture itself requires external knowledge by construction, not because of the current state of the technology.

The mechanism Nadella names but does not explain

Three properties of a large language model, taken together, produce the condition that makes Nadella’s loop necessary. Once they are on the table, the loop stops being a generic declaration and becomes a description of the work that needs to be done.

The first property is probabilistic generation. An LLM does not compute; it generates. Every output is a navigation over a probability distribution conditioned on training and context. The model carries no internal reference for whether its output is adequate. Correctness lives outside the model, as a specification, a test, a domain constraint, or an organizational rule. Any judgment of adequacy requires an external reference. The model cannot supply it. No improvement in scale changes the situation, because what is missing is not training data but a reference against which the output can be checked. That reference is rarely fixed: it varies by context, evolves with the project, and has to be negotiated among the people who hold the relevant knowledge.

The second property is agnosticism. The model has absorbed text and code from the public body of knowledge. It has not absorbed organization-specific knowledge: the risk models of this bank, the legacy constraints of this system, the tacit understanding that has never been articulated, not even by the people who hold it. Part of this can be reduced with training, retrieval, and fine-tuning. Part of it cannot. Organizational knowledge is continuously renegotiated, semantically defined by the practice it describes, and permanently inconsistent in functional ways. Training presupposes a stable ground truth that organizational knowledge lacks. A model that forces this material into a consistent representation assumes a coherence the organization itself does not possess.

The third property is statelessness. Within one session, the model retains a working footprint. Across sessions, it retains nothing. The architectural decision made last Tuesday, the domain constraint introduced by the expert last week, and the trade-off accepted last month: none of them survives a session boundary unless they have been externalized as a persistent artifact. New LLM mechanisms being introduced extend the ability to retain knowledge, but they cannot entirely fill the gap or provide structure and governance.

None of these three properties can be eliminated by more training data or by larger models (scaling). The vacuum is a condition of the conceptual architecture, not a gap that closes with scale. Each property resists reduction for its own reason. Probabilistic generation lacks an internal reference for correctness because correctness lives outside the model by construction, no matter how much training it has received. Agnosticism toward organization-specific knowledge resists training because that knowledge is continuously renegotiated by the practice that holds it, and no stable corpus exists for a training run to absorb. Statelessness across sessions is architectural rather than transitional. The most sophisticated state-management mechanisms are powerless if the first two properties are not addressed first: without an external reference for correctness and without organization-specific knowledge, there is nothing of substance for memory to preserve. And storing “a state” is not the same as representing it correctly and completely. The knowledge must be captured in a structured, navigable form for the agent. Representation is what makes preserved knowledge usable. The conclusion is the same in all three cases: scaling produces a larger generative engine, not one that holds external reference, organization-specific knowledge, or project memory inside itself.

What goes inside the loop, and who owns it

The loop is not a monolithic entity. It carries four kinds of knowledge, each with its own source and channel of provision.

Methodological knowledge is the discipline of building correctly: specifications, architectural principles, testing frameworks, and process governance. It is fifty years of accumulated practice, codified as a discipline by Software Engineering.

Domain knowledge is what the system must mean and do in its world. It is held by the people who work in the domain: the clinicians, traders, operators, and analysts. It is partly tacit, often inconsistent, and irreducible to any corpus that lives outside the organization.

Design choices are the project-specific decisions made by the engineer as the system grows: architectural structures, component boundaries, trade-offs, and interfaces. Each choice becomes a constraint on what follows. None of them is elicited from anyone; they are produced and owned by the engineer.

Process choices concern how the work is organized for this project: the adopted lifecycle, the criteria for agent autonomy, and the review structure. They derive from methodological knowledge and must be instantiated for each context.

All four kinds of knowledge require reification. They must be materialized as persistent, accessible artifacts. Knowledge that exists only in someone’s head, or in a conversation that ended last week, does not exist for a stateless agent. Reification is not documentation overhead. It is the condition under which any knowledge becomes operational for the system at all.

Three actors structure the provision of all four. The domain expert is the source of semantic knowledge. The AI agent is the executor. The software engineer is the mediator and the custodian: the one who knows what to give the agent, how to structure it, and when to override its output.

Where the manifesto stops short

Nadella collapses these four kinds of knowledge into two (“human capital” and “token capital”) and the three actors into one (“humans”). The collapse obscures the real work.

You cannot compound what you cannot distinguish. If methodology, domain, design, and process are one undifferentiated blob, the loop has nothing to grip. The engineer’s role becomes indistinguishable from the domain expert’s; the domain expert becomes a generic stakeholder; and the agent is asked to do work that requires structured input nobody is responsible for producing. The result is what already shows up in many enterprise AI deployments: a generic agent dropped into a workflow with the assumption that judgment will somehow emerge from use.

The strategy and asset Nadella names are real, but the operational shape of that asset is not in the manifesto. The shape is the four levers, the three actors, and the reification that makes the loop into something an organization can own. Without that shape, the loop is a phrase a CIO (or CEO) repeats in steering meetings while nothing changes underneath.

Strategy and mechanism

Nadella has packaged the architecture that compensates for his company’s generic model into a statement. The statement does something the architecture itself cannot do: it sells. The statement invites a CIO to spend money on infrastructure that doesn’t yet have a shape. The conceptual architecture tells the CIO what shape the infrastructure must have, who must build it, and what knowledge must be reified for it to work. The first sells a vision. The second describes a job to be done.

Nadella’s manifesto is not empty. The loop is real, the warning about value concentration is real, and the principle that owning a learning loop is the new IP of the firm is correct. Correctness without structure is rhetoric. The asset Nadella names is the asset my paper describes. The difference is that the paper explains why building the asset is not optional and what it takes to do so.

This post was written with the assistance of Claude. The ideas, positions, and reasoning are mine.

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

Il 9 giugno 2026, Anthropic ha lanciato Claude Fable 5 e Mythos 5, gli ultimi modelli della propria famiglia: Mythos 5 come modello di punta, Fable 5 come versione pubblica accessibile. Tre giorni dopo, il 12 giugno alle 17:21 di Washington, è arrivato un ordine del governo americano. Il comunicato ufficiale di Anthropic lo riporta con parole nette: «Il governo USA, citando le autorità di sicurezza nazionale, ha emesso una direttiva di controllo all’esportazione per sospendere ogni accesso a Fable 5 e Mythos 5 da parte di qualsiasi cittadino straniero, dentro o fuori gli Stati Uniti, inclusi i dipendenti stranieri di Anthropic». Dovendo bloccare l’accesso a tutti i “foreign national” (categoria che include una parte significativa della sua stessa forza lavoro), Anthropic ha concluso che l’unico modo per essere compliant era spegnere i modelli per tutti i suoi clienti. Il motivo invocato è una vulnerabilità nelle protezioni del modello (un aggiramento, in gergo “jailbreak”) che Anthropic considera di minore entità, replicabile su modelli commerciali concorrenti e priva di danni dimostrati.

Si può osservare che si tratta di un blocco temporaneo. Anthropic dichiara di voler ripristinare l’accesso «il prima possibile». La causa tecnica è un aggiramento, di portata limitata, delle protezioni del modello; il governo USA potrebbe rivedere la decisione entro pochi giorni.

Di fronte a questo scenario, due fatti diventano evidenti. La vicenda Fable mostra la debolezza dell’UE come attore tecnologico e la dipendenza dell’Europa dal sistema politico-economico americano. L’UE, com’è oggi, dispone di leve limitate per attenuare tale dipendenza. I programmi che finanziano ricerca e tecnologia, da Horizon Europe (il programma europeo di ricerca e innovazione, circa 95 miliardi su 2021-2027) al Chips Act (il piano europeo sui semiconduttori) e all’European Innovation Council (l’agenzia UE per l’innovazione), esistono e contano, ma sono di un ordine di grandezza inferiore agli investimenti privati USA e hanno la forma di un sussidio alla ricerca, non di capitale di rischio. L’UE ha un proprio regime di controllo all’esportazione e altri strumenti di pressione commerciale (lo strumento anti-coercizione economica, le sanzioni, il regolamento sui sussidi esteri), ma manca il monopolio tecnologico che dà a Washington la leva per spegnere modelli AI nel mondo. L’Europa, come continente, avrebbe gli ingredienti per costruire un proprio peso: capitali, industria, filiere della potenza di calcolo. Non li ha valorizzati né sfruttati.

Eppure la reazione più diffusa prende la direzione opposta. Un riflesso automatico: «colpa dell’UE». L’AI Act, il GDPR, Bruxelles. È una scorciatoia che fa due cose contemporaneamente. La prima è confondere due entità distinte: l’UE, organismo politico con leve precise, e l’Europa, continente con una storia industriale, finanziaria e sociale che precede e supera Bruxelles. La seconda, conseguenza della prima, è chiamare in causa un livello istituzionale (l’UE) per non guardarne uno molto più scomodo. È da questa confusione che bisogna partire.

Nota: in questo post non discuto né degli aspetti tecnici né dell’efficacia di GenAI. Ne parlo in altri post. Qui considero solo gli aspetti relativi alle politiche pubbliche, lasciando da parte, per questa volta, le considerazioni di merito.

UE non è Europa

L’UE è un organismo politico. Ha tre istituzioni principali (Commissione, Parlamento, Consiglio) e leve definite: regolazione del mercato unico, bilancio comunitario pari a circa l’1% del PIL aggregato, politica commerciale, antitrust, alcuni programmi di finanziamento (Horizon, Recovery Fund). Non emette debito sovrano. Non gestisce sistemi pensionistici. Non possiede banche. Non decide sugli investimenti delle assicurazioni. Non finanzia i sistemi universitari. Non controlla l’azionariato delle imprese.

L’Europa è una realtà molto più grande e articolata. È un continente con 27 Stati membri dell’UE, oltre al Regno Unito, alla Svizzera e alla Norvegia. Cinquecento milioni di persone. Mercati di capitale costruiti su trenta ordinamenti nazionali, con regole fiscali, di vigilanza e di trasparenza che ogni Stato continua a scrivere per sé. Fondi pensione gestiti a Roma, Berlino, Parigi, Amsterdam. Banche che rispondono alle assemblee e ai regolatori nazionali. Università finanziate dagli Stati. Industrie con azionariato e governance disegnati nei singoli paesi.

Quando un CEO o un editorialista dice «colpa dell’UE» nel contesto dell’AI, intende quasi sempre una di queste due cose: l’AI Act, entrato in vigore progressivamente dal 2025, o il GDPR. Sono critiche regolatorie. Hanno ragioni legittime (la frammentazione applicativa, i costi di compliance, l’ambiguità su alcune categorie di modelli) e altre meno legittime, soprattutto quando la regolazione viene presentata come causa di un divario di scala miliardaria. Il problema dell’AI in Europa è il capitale, non la regolamentazione. E il capitale, in Europa, è materia degli Stati, dei fondi pensione, delle banche, degli azionariati. È materia dell’Europa, non dell’UE. Quanto meno, ad oggi.

I numeri del continente

Il rapporto di Mario Draghi, The Future of European Competitiveness (settembre 2024), ha fissato un dato che vale la pena leggere con cura: il 61% dei finanziamenti globali alle start-up AI va a società statunitensi, il 17% va in Cina, il 6% nell’Unione Europea. Sul quantum computing il quadro è peggiore: 50% USA, 5% UE.

Lo Stanford AI Index Report 2026 aggiorna e amplia il quadro. Nel 2025, negli Stati Uniti l’investimento privato in AI è stato di 285,9 miliardi di dollari, mentre in Cina di 12,4 miliardi. Tutta l’Europa messa insieme (UE, Regno Unito, Svizzera e Norvegia) si ferma a 20,9 miliardi, pari a un quattordicesimo di quello degli Stati Uniti. Se si guarda alla sola AI generativa, l’asimmetria diventa grottesca: 163,6 miliardi negli Stati Uniti, e Cina ed Europa combinate 4,7 miliardi. Anche nel lungo periodo il quadro non cambia: il cumulato 2013-2025 vede gli Stati Uniti a 757,3 miliardi, contro un’Europa che, sommando i paesi pubblicati nel rapporto (Regno Unito 34,1, Germania 17,2) e stimando in modo generoso il resto del continente, non supera gli 80-100 miliardi, tra un settimo e un nono degli Stati Uniti. La crescita anno su anno tra 2024 e 2025 ha amplificato il divario: USA +160%, Cina +32%, Europa +7%.

Due osservazioni cambiano la lettura del problema. La prima: i numeri si riferiscono al continente europeo, non all’UE. Il Regno Unito è fuori dall’Unione dal 2020 e non ha colmato il proprio divario con gli Stati Uniti più rapidamente rispetto ai principali paesi dell’UE. La Brexit non ha decuplicato il capitale di rischio nel Regno Unito. Se la regolazione UE fosse la causa del divario, ci aspetteremmo che chi è fuori volasse. Non vola.

La seconda osservazione riguarda la scala. Anthropic, in un solo round di finanziamento (i 30 miliardi di febbraio 2026), raccoglie più di quanto tutto il capitale di rischio AI continentale (UE + UK + Svizzera) raccolga in un anno intero. Il progetto Stargate, annunciato a gennaio 2025 da OpenAI, SoftBank, Oracle e MGX (fondo sovrano emiratino), prevede un investimento fino a 500 miliardi di dollari in data center per l'AI negli Stati Uniti nei quattro anni successivi all'annuncio (con 100 miliardi mobilitati immediatamente). Cinquecento miliardi sono più del PIL del Belgio o della Polonia. Sono ordini di grandezza che nessuna correzione regolatoria può colmare. Quando i numeri sono così, la conversazione su “regolamentare meno per crescere di più” si fa surreale: anche raddoppiando il capitale di rischio AI europeo da un anno all’altro, resteremmo a un decimo di quello degli Stati Uniti.

Il quadro, però, non è statico. A febbraio 2025, il presidente Macron ha annunciato a Parigi un piano AI nazionale da 109 miliardi di euro, un mix di impegni pubblici e capitali esteri, il più grande mai annunciato in Europa. La quota di AI nel capitale di rischio europeo è salita al 31% secondo i dati più recenti (Atomico, State of European Tech), segno di una riallocazione delle priorità del VC continentale. Helsing, la start-up di AI per la difesa tedesco-britannica, ha chiuso a giugno 2025 un round da 600 milioni di euro, diventando un secondo campione europeo di frontiera dopo Mistral, in un settore strategico per l’autonomia. Sono segnali che l’Europa sta reagendo. Ma la scala resta di un ordine di grandezza inferiore rispetto a quella degli Stati Uniti, e la tesi del post non cambia: il problema è il capitale, non la regolamentazione.

Le cause sono nazionali

La diagnosi non è nuova. McKinsey, nel rapporto Accelerating Europe’s Competitiveness (gennaio 2024), ha quantificato il divario strutturale tra Europa e Stati Uniti: il capitale di rischio europeo è circa un quarto di quello americano; le grandi imprese USA hanno investito circa 700 miliardi di euro in più rispetto alle pari europee, tra capex e R&D, nel periodo 2015-2022 — pari a circa 3.000 euro pro capite di differenza. Tutte queste asimmetrie hanno una caratteristica in comune: non si risolvono a Bruxelles. Sono il risultato di trent’anni di scelte compiute nelle capitali nazionali e nei consigli di amministrazione di banche, assicurazioni e fondi pensione europei.

Prendiamo i fondi pensione. In Europa, solo l’11% della raccolta di capitale di rischio proviene dai fondi pensione (Invest Europe, 2024). Negli Stati Uniti è la principale fonte di capitale di rischio, poiché i grandi fondi pubblici e privati allocano una quota stabile al capitale di rischio e ai fondi di investimento privati. La direttiva europea sulle assicurazioni (Solvency II) e gli altri regolamenti europei sulla previdenza pongono vincoli, è vero. Ma la quota effettivamente investita in capitale di rischio dai grandi fondi pensione tedeschi, italiani, francesi e olandesi è quasi sempre ben al di sotto dei tetti consentiti. La scelta di non investire in tecnologie ad alto rischio è una decisione dei consigli di amministrazione dei fondi, non un divieto imposto da Bruxelles. Allianz, AXA, Generali e Aviva possono acquistare azioni di Anthropic. Non lo fanno. E quando lo fanno, con altre tecnologie, vendono spesso prima che la posizione maturi.

Stesso discorso per le banche. I grandi gruppi bancari europei rispondono alle assemblee dei rispettivi paesi. Il loro modello di business privilegia l’intermediazione commerciale e l’investimento in titoli di Stato. Il finanziamento azionario di lungo periodo per le start-up tecnologiche è marginale nei loro bilanci e raramente strategico per le loro direzioni. Anche in questo caso, nessuna direttiva impone tale allocazione: è una scelta gestionale ripetuta per decenni.

Il capitale “paziente” è la categoria che sintetizza il problema. Il capitale di rischio americano investe con orizzonti di 7-10 anni, accetta tassi di mortalità altissimi nel portafoglio e si aspetta che pochi exit colossali ripaghino l’intero fondo. Il capitale europeo, anche quando arriva, vuole un rientro più rapido e un rischio più basso. Cassa Depositi e Prestiti in Italia, KfW in Germania e Bpifrance in Francia sarebbero strumenti potenti: istituzioni pubbliche con bilanci ingenti e un mandato a lungo termine. Vengono usati soprattutto per stabilizzare le situazioni di crisi industriali, per i salvataggi e per le infrastrutture. Non per spingere il rischio dove il privato non arriva. Nel 1993, il programma Yozma, lo strumento pubblico israeliano di capitale di rischio, ha dimostrato cosa significhi farlo: 100 milioni di dollari di fondi pubblici hanno attratto 150 milioni di dollari di capitali privati e hanno fatto nascere l’industria del capitale di rischio israeliana, che oggi finanzia ogni anno più start-up AI del nostro continente.

Aggiungo un’osservazione che deriva dalla mia esperienza al Politecnico di Milano e da quella maturata con Cefriel. Le start-up AI italiane buone (ne ho viste passare diverse negli ultimi anni) non chiudono perché l’AI Act le strangola. Spesso vendono ai gruppi USA o si trasferiscono. Il punto di rottura, nei loro racconti, è quasi sempre lo stesso: round di finanziamento successivi da 30, 50, 100 milioni di euro che non esistono. Si trovano i 2 milioni dei primi finanziamenti; si trovano i 5-10 milioni del round successivo. Sopra quella soglia, il capitale europeo finisce e chi vuole crescere deve attraversare l’Atlantico. Il problema è la profondità di mercato, non la regolamentazione.

L’AI Act è dell’UE. I capitali sono Europa

L’AI Act ha problemi reali. La frammentazione applicativa tra i 27 Stati moltiplica i costi di adeguamento normativo per le PMI. Le definizioni dei modelli generalisti presentano margini di ambiguità che rendono difficile la pianificazione. La forma stessa del regolamento (un atto unico per un campo che evolve ogni sei mesi) è sotto stress. Sono critiche tecniche legittime e una revisione del regolamento è necessaria.

La fotografia di oggi lo dimostra. Anche nell’UE e con l’AI Act, l’AI europea cresce. Mistral, la start-up francese di AI, l’unico campione di frontiera nato nel continente, è pienamente soggetta all’AI Act e ha chiuso a settembre 2025 un round di finanziamento da 1,7 miliardi di euro a una valutazione di 11,7 miliardi; oggi è in trattativa per un nuovo round di circa 3 miliardi a una valutazione di circa 20 miliardi. Anthropic apre quattro uffici nel territorio dell’UE (Dublino, Parigi, Monaco, Milano), oltre ai due fuori dall’UE (Londra e Zurigo). Meta ha a Parigi, dal 2015, uno dei suoi tre laboratori AI principali, FAIR, all’interno della giurisdizione dell’UE. La regolazione non sta bloccando la crescita all’interno dell’UE.

Ma è una crescita a chiaroscuri, troppo lenta rispetto agli ordini di grandezza richiesti. Per quali motivi? Mistral ha trovato i capitali per scalare aprendosi a fondi e gruppi americani (Nvidia, Andreessen Horowitz, General Catalyst) accanto ai partner europei (ASML, il monopolista olandese delle macchine per produrre chip, è l’investitore principale con 1,3 miliardi; Bpifrance, la banca pubblica di investimento francese, compare in tutti i round): senza il capitale statunitense il round non sarebbe esistito. I centri di ricerca europei delle big tech USA, dentro l’UE (FAIR di Meta a Parigi, presidi di Anthropic in Irlanda e in Italia) o fuori (DeepMind, il laboratorio AI di Google, e gli hub di OpenAI e Anthropic a Londra, Google Research a Zurigo), restano filiali di gruppi americani che, ovviamente, decidono di allocare risorse, talento e budget a casa propria.

Il discorso «colpa dell’UE» ha due motori. Il primo è interno al continente: la regolazione è un bersaglio comodo perché si può riformare in 12-24 mesi; è materia di Commissione e di Parlamento; è un terreno in cui i governi possono mostrare un risultato. La costruzione di profondità nei mercati di capitale, la riallocazione dei fondi pensione, il riorientamento di Cassa Depositi e Prestiti, KfW, Bpifrance verso il rischio richiedono quindici, vent’anni di politica industriale paziente e impopolare. È più facile attaccare Bruxelles davanti all’opinione pubblica che riformare le banche e i fondi pensione di casa.

Il secondo motore è esterno e va nominato. Gli Stati Uniti, sia l’amministrazione sia le grandi piattaforme, soffiano sul fuoco della narrativa «colpa UE» perché ogni regolamentazione europea che limita Apple, Google, Meta, OpenAI o Anthropic intacca un loro vantaggio competitivo. L’AI Act, il Digital Markets Act, il Digital Services Act e il GDPR vengono attaccati frontalmente da Washington come ostacoli all’innovazione americana. Quando un CEO o un editorialista europeo riprende quella narrativa, sta amplificando una pressione che non nasce dall’interesse del continente.

Cosa servirebbe

Distinguere i livelli serve a capire dove agire. A livello UE, le cose che andrebbero fatte sono note e, in larga parte, indicate nel rapporto Draghi: completare l’unione europea dei mercati dei capitali (sul serio, non in PowerPoint); riformare la direttiva sulle assicurazioni (Solvency II) per liberare l’allocazione del capitale di rischio dei grandi fondi pensione e assicurativi; ampliare il mandato della Banca Europea degli Investimenti e del suo Fondo (EIB-EIF) perché possano co-investire su scala più grande e con un appetito di rischio maggiore; costruire un veicolo europeo di co-investimento dedicato alle tecnologie strategiche. Sono interventi capaci di cambiare le regole del gioco.

A livello degli Stati europei, però, le decisioni più pesanti restano di competenza nazionale. I fondi pensione italiani, tedeschi e francesi possono cambiare l’allocazione già da domani. Non lo fanno perché i loro consigli di amministrazione non vogliono o non sanno farlo. Cassa Depositi e Prestiti può ripensare il proprio mandato e dotarsi di una vera linea di capitale paziente per tech avanzata; lo stesso vale per KfW e Bpifrance. Le grandi banche e le assicurazioni possono diventare azionisti di società tecnologiche di frontiera. I sistemi universitari possono cominciare a pagare i ricercatori a livelli competitivi rispetto alla Bay Area e a Londra: è una scelta di bilancio. Le politiche industriali nazionali possono selezionare le nicchie in cui l’Europa ha un vantaggio (ASML nei semiconduttori, modelli verticali B2B, AI industriale applicata) e concentrare risorse pubbliche e private attraverso strumenti di intervento mirati.

In conclusione

Il 12 giugno, il governo USA ha sospeso Fable e Mythos con una direttiva di controllo all’esportazione. La quotazione in borsa (IPO) che Anthropic ha depositato il 1º giugno avverrà negli Stati Uniti, non a Francoforte. Tra gli investitori della società figurano Google, Amazon, Microsoft, Fidelity, ICONIQ, Lightspeed; nei round più recenti, Altimeter, Dragoneer, Greenoaks, Sequoia, Capital Group, Coatue, GIC. Non Allianz, AXA, Generali, Intesa, Deutsche Bank, BNP Paribas. Allianz e AXA non sono istituzioni dell’Unione Europea: sono assicurazioni europee. Se non figurano nella tabella degli investitori di una società tecnologica valutata 965 miliardi di dollari nell'ultimo round privato (e attesa in IPO a una valutazione molto superiore), non è perché Bruxelles glielo impedisca. È perché il sistema finanziario europeo, costruito in trent’anni di scelte nazionali, predilige gli immobili, i bond sovrani e gli investimenti meno rischiosi. E quando una direttiva di Washington spegne un modello di AI in tutto il mondo, l’Europa scopre che la dipendenza che si è scelta è al tempo stesso tecnologica e politica.

La domanda da farsi non è «cosa ha fatto male Bruxelles». È «cosa hanno costruito Roma, Berlino, Parigi», e cosa hanno costruito le grandi istituzioni private del continente. Il dibattito sull’AI in Europa diventa serio quando si smette di confondere l’UE con l’Europa e si comincia a porre le domande giuste a chi detiene gran parte delle leve decisionali.

P.S. Al WWDC dell'8 giugno Apple ha annunciato che Siri AI non sarà disponibile in Europa su iOS 27, iPadOS 27 e watchOS 27: la disputa con la Commissione UE riguarda il Digital Markets Act, che chiede a Cupertino di rendere accessibili agli assistenti AI di terzi le stesse capacità di sistema concesse a Siri. Apple ha chiesto una deroga di 18 mesi; Bruxelles l’ha respinta. In queste settimane, molti commentatori hanno descritto la richiesta dell’UE come l’ennesima ingerenza regolatoria che ostacola l’innovazione. Alla luce del caso Fable, vale la pena rovesciare la domanda: è proprio sbagliato che l’UE chieda interoperabilità anche per altri motori di AI? Quando il governo USA può spegnere un modello in tre giorni, una clausola che impedisca a una sola società americana di diventare il punto di passaggio obbligato per l’AI nel continente non è più una rottura di scatole. Diventa una forma minima di autonomia. Magari l’unica che l’Europa può costruire al momento.

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 pressione fiscale italiana del 2025, secondo l’Istat, è pari al 43,1 per cento del PIL. È il valore più alto dal 2014. I dati OCSE Revenue Statistics 2025 la collocano sostanzialmente in linea con i paesi scandinavi: nel 2023 Danimarca 43,4 per cento, Finlandia 42,4 per cento, Norvegia e Svezia 41,4 per cento. A parità di prelievo, però, la qualità dei servizi pubblici percepita dai cittadini italiani è inferiore: scuole, sanità, asili nido, welfare familiare, trasporto pubblico. Il problema fiscale italiano non riguarda il versante delle entrate: è nell’uso che se ne fa.

Eppure, il dibattito di queste settimane ruota tutto attorno a un solo tema: aumentare la spesa pubblica attraverso una nuova imposta sui patrimoni e prelievi sui fantomatici extraprofitti delle imprese.

Le proposte sul tavolo

Tra il novembre 2025 e i primi giorni del giugno 2026 si sono accumulate tre proposte di patrimoniale e due di tassazione degli extraprofitti. La CGIL ha chiesto un contributo di solidarietà dell’1,5 per cento sui patrimoni superiori a due milioni di euro. Giuseppe Conte ha rilanciato la tassazione degli “extraprofitti” di banche, assicurazioni, energia e dei giganti del web. Alleanza Verdi e Sinistra ha proposto una patrimoniale dell’1,3 per cento sui patrimoni superiori a due milioni, in linea con la CGIL. Il comitato “1% equo” ha depositato in Cassazione una legge popolare che, secondo le stime, potrebbe generare fino a 60 miliardi annui da destinare alla sanità, all’istruzione e alla riduzione dell’Irpef. Sul fronte opposto, l’8 novembre 2025 Giorgia Meloni ha ribadito su X che “con la destra al governo” misure del genere “non vedranno mai la luce”. Lo stesso governo, però, ha riaperto il dossier in una versione settoriale: il 5 giugno 2026 il vicepremier Matteo Salvini ha chiesto alle banche un “contributo straordinario alla crescita economica del Paese”, citando i 20 miliardi di utili previsti nel 2026 da Unicredit e Intesa Sanpaolo.

Né le proposte né la loro negazione si misurano con il tema della qualità della spesa. Su lavoce.info, Bisin e Cremonini hanno analizzato di recente gli effetti di una patrimoniale sul PIL, sulla crescita e sulle reazioni dei contribuenti. Quel piano di analisi rimane essenziale. Ma è ortogonale a tre domande che dovrebbero precedere qualunque proposta di nuovo prelievo: per cosa servono i soldi, come sono stati spesi quelli già incassati, e come verrà gestita a regime la nuova spesa.

Per cosa servono, esattamente

I 60 miliardi del comitato “1% equo” andrebbero a “sanità, istruzione, Irpef”. Tre parole importanti, ma prive di contenuto operativo. La sanità italiana ha bisogno di 60 miliardi in più per fare che cosa? Per accorciare le liste d’attesa, assumere medici, ricostruire la medicina territoriale e aumentare gli stipendi del personale? Ognuna di queste destinazioni richiede numeri, riforme e tempi diversi. “Più sanità” è uno slogan, non una politica. Il fatto che la proposta non specifichi il progetto sottostante non è un dettaglio: senza progetto, l’imposta andrebbe a finanziare una spesa indistinta. L’allocazione si gioca in sede di legge di bilancio annuale, con il solito rituale di pressioni settoriali.

Come sono stati spesi quelli già incassati

La seconda domanda riguarda il pregresso e le risposte mancano per una ragione precisa: mettono in luce gli errori e gli sprechi del passato. La Corte dei Conti e l’Ufficio parlamentare di bilancio segnalano da tempo la stessa carenza: lo Stato spende ma non valuta. Misure approvate senza analisi di impatto, programmi rifinanziati per inerzia, bonus che si sovrappongono, capitoli che si gonfiano e non si chiudono mai. Quando una misura non funziona, nessuna pratica istituzionale prevede di interromperla.

Tre esempi sono particolarmente emblematici.

Il Superbonus è il caso più clamoroso. Nella relazione tecnica del Decreto Rilancio del 2020 la Ragioneria generale dello Stato aveva stimato un impatto fiscale di 35 miliardi fino al 2035. Al 30 aprile 2026, l’ultimo dato di Enea parla di 131,97 miliardi sulla sola misura “stretta”; aggiungendo il Supersismabonus e i bonus collegati, la stima ricostruita dal Corriere della Sera porta il totale tra i 170 e i 174 miliardi. A fronte di questo esborso, sono stati efficientati 505.421 edifici su un patrimonio nazionale di circa dodici milioni: meno del cinque per cento del costruito. Considerando solo il Superbonus stretto, sono oltre 260.000 euro versati in media dallo Stato per ciascun edificio efficientato; aggiungendo Supersismabonus e bonus collegati il rapporto sale a oltre 330.000 euro per edificio. A questo si sommano circa quindici miliardi di frodi intercettate. Nei conti del 2026 e del 2027 la misura continua a pesare per 60 miliardi tra compensazioni e crediti d’imposta. La Corte dei Conti, nella requisitoria del Procuratore Generale sul rendiconto generale dello Stato 2023, ha definito le ricadute “assai negative” e di “dimensione macroscopica”. Nessuno ha mai valutato se, con 170 miliardi, sarebbe stato possibile fare cose diverse: un piano di riqualificazione e potenziamento dell’edilizia popolare e delle aree fragili, investimenti per il risanamento ambientale, interventi sistematici di riqualificazione dell’edilizia scolastica, potenziamento infrastrutturale e tecnologico degli ospedali.

Il PNRR racconta un problema diverso ma collegato: la spesa gestita male e il vuoto sul “dopo”. Nella relazione semestrale del 29 maggio 2026 la Corte dei Conti certifica un avanzamento del 72 per cento — riforme all’85 per cento, investimenti al 67, milestone all’87, target al 56 — e segnala uno slittamento di 24,2 miliardi oltre il 2026 su 66 misure. Ma il punto critico è un altro. Se consideriamo uno dei capitoli più importanti, una quota rilevante dei circa 14 miliardi della Missione 4 (istruzione e ricerca) dedicati a ricerca, innovazione, dottorati e formazione avanzata è stata impiegata per amplificare a tempo determinato le spese ordinarie — borse di dottorato, contratti di ricerca a termine, strutture di governance prive di ricercatori propri — invece di acquistare beni che la spesa ordinaria non potrebbe permettersi (infrastrutture di ricerca, laboratori, impianti pilota). Trentacinquemila contratti precari sono in scadenza; i cinque Centri Nazionali, già dalla fine del 2025, sono alla ricerca di una propria strategia di uscita, chiedendo contributi annuali agli atenei per continuare a operare una volta esaurite le risorse del PNRR. Si è trattato di un incremento una tantum delle spese ordinarie: l’esatto contrario di ciò che dovrebbe fare un piano straordinario. Finiti i fondi, l’ordinario torna a essere quello che era, con in più una bolla di persone, strutture e attese che il sistema non sa assorbire.

Il POS-RT è la prova del nove rovesciata: un provvedimento che produce effetti sistemici permanenti. La Legge di Bilancio 2025 ha introdotto l’obbligo di collegamento tra i dispositivi di pagamento elettronico e i registratori telematici. Costo per lo Stato: zero. Nei primi quattro mesi e mezzo del 2026 il direttore dell’Agenzia delle Entrate, Vincenzo Carbone, ha annunciato 115 milioni di scontrini in più, 5,3 miliardi di base imponibile aggiuntiva, circa un miliardo di IVA recuperata. La relazione tecnica del MEF aveva stimato un recupero di 50 milioni: la realtà è 20 volte superiore.

«Pertanto, in termini di maggior gettito IVA, alla presente disposizione può essere prudenzialmente ascritto un importo di 50 milioni di euro annui.
Sulla base dell'esperienza storica, si è osservato che il recupero di IVA implica anche un recupero di imposte dirette, quantificato prudenzialmente nel 30 per cento del maggior gettito IVA, ovvero nel caso concreto in misura pari a 15 milioni di euro annui. Alla norma complessivamente si ascrive, quindi, un recupero di gettito complessivo pari a 65 milioni di euro».

Su base annua, il solo recupero IVA generato da questo strumento amministrativo vale già più del contributo volontario delle banche sulle riserve 2023 inserito nella manovra 2026 (1,8 miliardi). L’evasione non è un destino e gli strumenti giuridici, amministrativi e tecnologici per ridurla erano e sono disponibili da tempo.

Come si gestisce a regime quella spesa

La terza domanda è la meno attraente delle tre e, per questo, viene sempre ignorata. Una patrimoniale può produrre un gettito una tantum — 60 miliardi e poi più nulla — oppure essere un prelievo annuale permanente, da rifinanziare e difendere a ogni manovra. Sono due politiche diverse e devono servire per operazioni diverse: spese straordinarie o incremento della spesa ordinaria. Nessuno, in queste settimane, ha chiarito quale delle due ipotesi sia sul tavolo. Eppure è una distinzione decisiva: se 60 miliardi di patrimoniale finissero come i 14 della Missione 4 — straordinari che alimentano l’ordinario, una tantum che gonfiano la spesa corrente — il paese perderebbe due volte: soldi spesi in modo inefficace e persone e strutture che resterebbero appiedate quando il rubinetto delle risorse straordinarie si chiuderà.

Aprire il libro mastro

Il problema italiano, lo ricordava già Carlo Cottarelli anni fa, non è la dimensione aggregata della spesa pubblica — pari al 51,2 per cento del PIL — ma la qualità con cui si spende nei singoli capitoli. Nel 2014, con il Decreto Legge 66, una spending review intelligente — orientata a colpire le amministrazioni meno efficienti, soprattutto i ministeri che compravano fuori dai canali Consip e pagavano più caro — tagliò 2,1 miliardi di spesa per beni e servizi. Era un primo passo. Dopo Cottarelli, nessun governo ha più voluto fare quel mestiere: scomodo, tecnico, senza ritorno elettorale. Si sono preferite le formule magiche, i bonus a pioggia, le promesse di rimborso, le tasse straordinarie. Sarebbe il momento di tornare al tema centrale: valutare, qualificare e gestire al meglio una spesa pubblica che assorbe un’enorme quantità di risorse del Paese.

Questo post è stato scritto con l’assistenza di Claude. Le idee, le posizioni e il ragionamento sono miei.

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

Già dalla prima canzone sono rimasto senza fiato.

Ci sono dischi che ascolti e poi lasci per anni. Quando li ritrovi, ti chiedi come hai potuto farlo. Questo è uno di quelli. La voce di Buckley fa cose che, a più di trent’anni di distanza, continuano a sbalordire.

Unico. Non saprei dire altro.

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

Prima dell'avvento del computer, le persone usavano i classificatori: cassetti etichettati, cartelle numerate, un posto preciso per ogni documento. Il sistema funzionava perché la fisicità definiva le regole di gestione: la struttura, di fatto, imponeva l’ordine.

L’informatica ha cambiato le regole del gioco. È possibile memorizzare un file ovunque (disco, cloud), assegnare qualunque nome, creare cartelle annidate senza sostanziali limiti. Spesso, il risultato di questa libertà totale è il caos che tutti conosciamo: più versioni dello stesso documento, cartelle chiamate “Varie”, “Roba”, “Da sistemare”, file che “sono da qualche parte ma non ricordo esattamente dove”, assenza di convenzioni nella denominazione dei documenti.

Questa deriva comporta un costo reale. Cercare un’informazione richiede tempo e concentrazione. Nella vita professionale, con decine di progetti e centinaia di documenti, la situazione è ancora peggiore. E la soluzione ovvia (“organizzo tutto con un sistema preciso”) si scontra con la realtà: i sistemi strutturati richiedono disciplina e costanza.

Johnny Decimal

Johnny Decimal è un sistema di organizzazione che ho adottato tempo fa e che offre una soluzione semplice a una parte del problema: la creazione di un metodo di lavoro. A ogni area della vita di ciascuno si associa un intervallo di categorie numeriche (10–19: vita personale, 20–29: lavoro, e così via). All'interno di ogni area, le categorie hanno un codice a due cifre (per esempio, 21 Clienti, 22 Progetti, 23 Fatturazione). Questo schema di numerazione viene utilizzato per strutturare il proprio albero di cartelle. Ogni contenitore riceve un ID del tipo XX.YY: per esempio, il 21.03 è il terzo elemento nella categoria “Clienti”.

Il risultato è un sistema molto preciso e privo di ambiguità. Ogni informazione ha una collocazione precisa derivabile dal codice numerico. Se si sta cercando il contratto di un cliente, si sa che è nella categoria 21 e lo si cerca nella cartella corrispondente. Non serve navigare l'intero filesystem.

Due proprietà rendono JD più solido rispetto ad altri approcci. Lo schema numerico rende la struttura stabile: se si aggiunge una nuova categoria, le categorie esistenti restano al loro posto, a differenza dell’ordine alfabetico che le riorganizza ogni volta. E c’è un limite: ogni area ha al massimo dieci categorie, ogni categoria al massimo cento ID. Questo costringe a ragionare su dove collocare un nuovo elemento dell’albero.

Tuttavia, il problema di JD è che tutto deve essere gestito “a mano”. Ogni volta che si crea un file, è necessario ricordare il codice associato a quel tipo di informazione oppure aprire il JDex (l’indice del sistema) per cercare la categoria corretta. In sé non è un problema insuperabile, ma è un attrito costante. Col tempo l'attrito porta a scorciatoie, e le scorciatoie generano disordine.

Claude come bibliotecario

La svolta è arrivata quando ho fornito a Claude il contesto completo del mio sistema JD. In un file chiamato jd-routing.md gli ho chiesto di ricostruire la mappa completa dell’albero di folder di JD (a partire dalla documentazione di JD): ogni area, ogni categoria, le convenzioni di naming, le regole su dove vanno i tipi di documento. Il file fa parte del contesto permanente di Claude in ogni sessione di lavoro. Il risultato pratico: Claude sa dove ogni documento deve essere memorizzato, senza che glielo debba dire ogni volta. A questo ho associato uno schema di naming standard, in modo che tutti i file possano essere facilmente identificati.

Se sto lavorando a una riunione con un cliente e scrivo “salva la minuta”, Claude non chiede quale sia la cartella corretta perché la ricava leggendo il file jd-routing.md. Se chiedo “dove ho messo il brief per il convegno di marzo?”, Claude è in grado di indicarmi il percorso esatto, non una lista di possibilità. Se creo un task su ClickUp, Claude compila automaticamente il campo JD Reference con il codice corretto collegando il task a tutte le informazioni rilevanti che ho sul mio disco. Questo elimina l’attrito. Non devo ricordare la categoria, non devo aprire il JDex, non devo fermarmi a decidere.

LLM Knowledge Base: l’approccio di Karpathy

Andrej Karpathy ha descritto un altro modo per affidare a un LLM la gestione delle proprie informazioni, denominato LLM Knowledge Base (o LLM Wiki). Tutti i documenti e le informazioni rilevanti per un determinato tema (paper, articoli, dataset, immagini, repository di codice) vengono memorizzati in una cartella raw/. Da quel materiale grezzo, l’LLM compila in modo incrementale un wiki: una rete di file Markdown con riassunti delle fonti, articoli derivati per i concetti chiave e backlink che collegano tutto. Il frontend è Obsidian, utilizzato per la navigazione visiva. Una volta che il wiki ha raggiunto una dimensione significativa, l’LLM è in grado di rispondere a domande complesse usando il wiki come base di conoscenza. A loro volta, i risultati delle nuove ricerche contribuiscono a far crescere il sistema. “You rarely ever write or edit the wiki manually, it’s the domain of the LLM”, scrive Karpathy. L’utente fornisce le fonti; l’LLM costruisce la conoscenza derivata.

JD + Claude è una cosa diversa, più semplice e leggera (e meno costosa in termini di elaborazione…). Il modello non genera contenuto: applica una mappa di indirizzamento definita una volta per tutte. Funziona per la gestione quotidiana di file, brief, minute, task. Una LLM Knowledge Base è molto più impegnativa: l’LLM scrive, sintetizza, collega e deve mantenere la coerenza semantica nel tempo. Serve quando il problema da risolvere non è dove si trovano i file, ma come si organizzano le idee, le fonti e le relazioni su un tema tipicamente molto strutturato.

Nel mio workspace i due sistemi coesistono: JD per il filing del lavoro quotidiano e una LLM Knowledge Base basata sul modello di Karpathy (più l’integrazione MCP con Reader/Readwise) per la conoscenza derivata dalle fonti che leggo. Sono due strati distinti, non alternativi.

Il classificatore fisico funzionava bene perché qualcuno aveva definito una volta per tutte la struttura e tutti la seguivano senza doverci pensare ogni volta. JD adatta questo criterio al filesystem digitale. Claude abbassa la frizione a regime: non è l’utente a dover aprire il cassetto.

Il sito di Johnny Decimal scrive: “Nobody can find anything any more. This is stressful, and a massive waste of time.” È vero. E la risposta, alla fine, è abbastanza semplice: un sistema ben fatto, affidato a qualcuno che aiuta ad applicarlo in modo sistematico.

Questo post è stato scritto con l’assistenza di Claude. Le idee, le posizioni e il ragionamento sono miei.

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 ultimi trent’anni, quattro fenomeni si sono consolidati nel tessuto organizzativo e culturale di moltissime aziende. Li chiamo, provocatoriamente, i quattro cavalieri dell’apocalisse IT: la commoditizzazione, l’esternalizzazione, la digitalizzazione (nel senso sbagliato, che spiegherò) e la compartimentalizzazione. Presi singolarmente, ciascuno ha una propria logica (parziale) che ne ha facilitato l’adozione. Insieme, creano una condizione sistemica: l’incapacità di trasformare il digitale in una leva competitiva reale, indipendentemente da quanti keynote si ascoltino.

Primo cavaliere: la commoditizzazione

Il primo cavaliere ha un padre e una data precisa. Nel 2003, Nicholas Carr pubblicò sulla Harvard Business Review un articolo dal titolo lapidario: “IT Doesn’t Matter”. L’argomento è semplice: secondo Carr, l’IT ha le caratteristiche di una commodity infrastrutturale, come l’elettricità o le ferrovie, altamente replicabile, scalabile, standardizzabile. Non importa chi la fornisce: contano solo il prezzo e l’affidabilità. La conseguenza operativa era altrettanto diretta: ridurre la spesa, seguire i leader di mercato, senza anticiparli.

La tesi di Carr aveva una sua motivazione. A cavallo del secolo, la bolla delle dot-com aveva alimentato investimenti IT irrazionali, spesso di moda e di maniera. Un richiamo alla razionalità era opportuno. Il problema è che la provocazione fu adottata in modo acritico e letterale, con conseguenze che si pagano ancora oggi.

L’informatica fu relegata a riporto del direttore finanziario. I CIO vennero valutati in base alla disponibilità dei sistemi e al costo per utente. Le gare al ribasso divennero la norma. Ho sentito con le mie orecchie un importante dirigente della pubblica amministrazione sostenere che bastava mettere i fornitori in competizione al massimo ribasso e “avremmo risparmiato un sacco di soldi con un servizio migliore”. Era convinto di dire una cosa saggia.

Secondo cavaliere: l’esternalizzazione

Se l’IT è una commodity, la sua esternalizzazione diventa la mossa razionale da fare. Perché mantenere competenze interne costose quando si possono acquistare sul mercato a condizioni migliori? Questa fu la ragione, spesso sincera, di un’ondata di outsourcing e offshoring che attraversò le aziende europee tra gli anni Novanta e i Duemila.

L’outsourcing non è sbagliato in sé. Ha senso per componenti standardizzabili: infrastruttura di base, gestione dei PC, alcune funzioni cloud. Il problema nasce quando si esternalizza ciò che è distintivo, ciò che costituisce un elemento caratterizzante dell’impresa. In quel caso si cede non solo un servizio ma la capacità di capire cosa si sta comprando, di valutare i fornitori, di indirizzare l’evoluzione dei sistemi.

Terzo cavaliere: la digitalizzazione

Il terzo cavaliere è il più insidioso, perché si presenta sotto le sembianze di una soluzione. Quando la pressione esterna a “fare cose digitali” diventa irresistibile, le aziende prive di visione strategica rispondono con la digitalizzazione: applicano le tecnologie digitali a ciò che esiste, automatizzano i processi attuali, comprano software senza rimettere in discussione nulla.

Vale la pena rendere questa distinzione esplicita, perché è spesso ignorata e non è una questione lessicale. La digitalizzazione, spesso inconsciamente, punta a ottimizzare il presente e, talvolta, anche il passato: ci si preoccupa di automatizzare ciò che già esiste, senza porsi l’obiettivo di cambiarne la natura. La trasformazione digitale, al contrario, usa le tecnologie e i servizi digitali come leva per ripensare processi, modelli di servizio, struttura organizzativa. La prima cristallizza ciò che c’è; la seconda apre spazio a ciò che potrebbe essere.

La differenza ha conseguenze precise. Un’azienda che digitalizza i propri processi burocratici può ottenere alcuni risultati più rapidamente. Un’azienda che li trasforma può scoprire che quei processi non servono più o che possono essere radicalmente semplificati e trasformati incidendo anche sul modello di business.

Quarto cavaliere: la compartimentalizzazione

Il quarto cavaliere è quello che rende i primi tre permanenti. Anche un’azienda che riconosca i propri errori e voglia correggere la rotta si ritrova di fronte a un ostacolo strutturale: l’organizzazione in silos.

La metafora è nota. I silos sono contenitori verticali usati in agricoltura: alti, separati, privi di connessioni tra loro. Applicata all’impresa, descrive una realtà in cui ogni unità organizzativa — marketing, vendite, produzione, IT, risorse umane — opera come un’entità autonoma, con i propri processi, sistemi, dati e logiche di ottimizzazione locali. Le interazioni tra unità sono gestite in modo burocratico o, all’opposto, in modo informale e destrutturato, solo quando emergono problemi da risolvere.

Sul fronte IT, questa frammentazione comporta conseguenze precise. La funzione IT, non riconosciuta come interlocutore affidabile dal business, viene scavalcata. Le singole unità sviluppano in autonomia le proprie soluzioni, il cosiddetto shadow IT e, oggi, shadow AI: sistemi spesso replicati, mal integrati, in conflitto con le infrastrutture aziendali. I dati proliferano in copie inconsistenti. Il ruolo della funzione IT si riduce a quello di un ufficio acquisti: mediatore tra il business e il mercato, privo di leve strategiche.

Una struttura a silos è impermeabile alle visioni integrate. Qualsiasi programma di trasformazione digitale che non affronti l’organizzazione — i processi end-to-end, le regole di interazione tra le unità, il governo dei dati — è destinato a produrre un’altra variante del problema invece di risolverlo.

Come i quattro si alimentano

Questi quattro cavalieri si nutrono a vicenda. Hanno una logica di cascata: la visione commodity ha legittimato l’outsourcing; l’outsourcing ha eroso le competenze interne; senza competenze si può solo digitalizzare invece di trasformare; e i silos impediscono che emerga qualsiasi visione organica, perpetuando le condizioni in cui i primi tre prosperano.

Tornare al convegno

I manager che tornano dalle keynote portano con sé un entusiasmo reale e la consapevolezza che qualcosa stia cambiando. Il problema è che tornano in organizzazioni dove i quattro cavalieri sono strutturalmente insediati, e dove non hanno né gli strumenti né, spesso, il mandato per affrontarli.

La trasformazione digitale non comincia con una keynote. Comincia con la disponibilità a fare un’analisi onesta di quanto i quattro cavalieri abbiano già eroso la capacità competitiva dell’azienda, e con la decisione di affrontarli con metodo, sapendo che il debito accumulato in anni di scelte sbagliate non si paga in una stagione.

La domanda da portarsi a casa è una sola: quanti di questi quattro cavalieri galoppano nella vostra azienda?

Questo post è stato scritto con l’assistenza di Claude. Le idee, le posizioni e il ragionamento sono miei.

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

Mia zia viveva in Basilicata e non ci vedevamo spesso. Anzi, devo confessare che sono stato un pessimo nipote: lei è venuta a trovarmi qualche anno fa; io sono stato da lei poche volte. Sicuramente sarei dovuto andare a trovare lei e gli altri miei parenti più spesso. Ci sentivamo al telefono, ma nel suo tono sentivo il tacito rimprovero a un nipote troppo preso dalle cose del mondo per ricordare le proprie radici.

Con lei se ne sono andati tutti i fratelli e tutte le sorelle di mia mamma e di mio papà. Tutta quella generazione della famiglia si è spenta. Pochi mesi fa è morta anche l’ultima sorella di mio papà.

Questo pensiero mi ha turbato nel profondo. Non solo per la morte di mia zia. È come se i motivi di dolore accumulatisi nel tempo avessero raggiunto, con la sua morte, una soglia che ha fatto scattare in me qualcosa che non avevo mai provato prima: un senso di vuoto e di tristezza cupo e profondo.

Tanti sono i motivi per cui capita di essere addolorati, nel lavoro, nella vita sociale, nella vita quotidiana. I lutti ti colpiscono e ti lasciano segni che non si cancellano mai. Credo che poche cose segnino una persona quanto la scomparsa della propria madre, con cui si ha un legame unico, indescrivibile, viscerale, nel senso più pieno del termine, qualunque sia stato il rapporto vissuto insieme. E poi ci sono i tanti grandi e piccoli fatti della vita che, giorno dopo giorno, si accumulano, a volte quasi inconsciamente, e che pare non lascino traccia. Invece si sommano, a bassa voce, riempiendo il lago dei nostri sentimenti finché non si raggiunge il bordo della diga e l’acqua trabocca.

La scomparsa di mia zia ha segnato il destino di una generazione della mia famiglia ed è come se avesse innescato una reazione a catena che ha fatto riemergere, in un solo momento, immagini ed emozioni nascoste da tempo.

Ciò che mi strugge è non aver saputo vivere i momenti difficili del passato in modo più profondo e maturo, con una consapevolezza non puramente emotiva del loro accadere. Forse avrei potuto capirli e assorbirli meglio, prepararmi al “trabocco” e, soprattutto, apprezzare tutte le gioie e i momenti di grande felicità che ho vissuto e vivo, grazie al cielo: i volti della mia famiglia, il nipotino che si apre alla vita, i risultati del lavoro che ho lasciato alle mie spalle e che ora è nelle responsabilità di altri, i sogni che coltivo e voglio portare avanti finché ne avrò la forza e la lucidità.

In un mondo che valorizza l’immediatezza e le emozioni del momento, la morte di mia zia mi ha ricordato il bisogno di fermarsi, di pensare a tutto ciò che di bello e di doloroso accade, per farne tesoro e coltivare la forza di fare ogni giorno un passo avanti. Con tutte le debolezze e le cadute che ci accompagnano, e senza stancarci mai di cercare un senso al nostro essere umani.

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