Ricerca intelligente con Reader, Fenn e Claude
Tre strumenti e un flusso di lavoro: come riuso la mia base di conoscenza per scrivere e creare presentazioni.
Ogni volta che mi siedo a scrivere un post o a preparare una presentazione, mi ritrovo con lo stesso problema. So che da qualche parte — tra gli articoli che ho salvato su Reader/Readwise e le slide che ho costruito negli ultimi anni — c'è materiale che fa esattamente al caso mio. Ricerche che ho già letto, argomenti che ho già trattato, fonti che ho già verificato. In prima battuta, il problema non è trovare cose nuove: è ritrovare ciò che ho già e che potrei riusare come base di partenza o come complemento a ciò che sto facendo o leggendo.
In questo post racconto come sto provando a risolvere il problema attraverso un flusso di lavoro abbastanza pratico, basato su tre strumenti: Reader/Readwise, Fenn e Claude.
Il problema reale
Chi lavora con informazioni, dati e conoscenza — ricercatori, manager, consulenti, docenti, autori — accumula materiale nel tempo: articoli salvati, presentazioni già tenute, note sparse, report letti e dimenticati.
Il paradosso è noto: più materiale hai, più è difficile ritrovarlo e riusarlo. I sistemi di archiviazione tradizionali — cartelle, tag, segnalibri — funzionano bene per ritrovare qualcosa di cui ricordi il titolo o l’autore. Funzionano male quando parti da un tema e vuoi sapere cosa hai già.
Da anni salvo articoli che trovo su Internet o brani che leggo in libri con Reader/Readwise (ha un ottimo plugin per browser e una comodissima estensione per iOS). Inoltre, ho centinaia di presentazioni sul disco. Quando comincio a lavorare su un nuovo tema, non posso permettermi di ignorare quel patrimonio di contenuti. Ma recuperarlo manualmente richiederebbe troppo tempo che di solito non ho. E necessiterebbe anche di una memoria che, invece, troppo spesso fa cilecca.
Sto provando a risolvere questo problema con l’AI. Questo è il test che sto conducendo.
Gli strumenti
Reader/Readwise è un servizio per salvare articoli dal web, PDF, newsletter, video o brani da libri su Kindle e Apple Books. Non è un semplice sistema di bookmarking: consente di evidenziare passaggi, aggiungere note e organizzare con tag. Nel tempo diventa una biblioteca personale strutturata, ricca di metadati.
Fenn indicizza con l'AI i file sul tuo Mac — presentazioni, documenti, PDF — e li rende ricercabili in base al contenuto semantico, non per nome del file. Per impostazione predefinita lavora interamente in locale, senza trasmettere nulla all'esterno; chi vuole può attivare un'opzione cloud per indicizzare più velocemente, cedendo in termini di privacy. L'effetto pratico è avere un disco "interrogabile": non cerchi un file, cerchi un concetto. La sto provando da poco, ma mi sembra molto promettente.
Claude è il connettore. Tramite l’integrazione MCP con Reader, Claude può cercare direttamente nella mia biblioteca di articoli salvati — per tema, per tag, per contenuto. Con Fenn, il flusso è leggermente diverso: cerco io, Fenn restituisce i risultati e li passo a Claude per l’analisi e la sintesi.
Tre strumenti, un flusso unico.
Il flusso in pratica
Il punto di partenza è sempre un tema. “Voglio scrivere un post sulla governance dell’AI.” Oppure: “Devo preparare una presentazione sulla trasformazione digitale nelle PMI.” Da lì, la ricerca si muove su due binari paralleli.
Binario 1 — Reader via Claude. Grazie al connettore con Reader, posso chiedere direttamente a Claude di cercare gli articoli pertinenti al tema nella mia libreria di Reader. Claude accede agli articoli salvati, agli highlight che ho fatto, ai tag che ho assegnato e restituisce una lista ragionata di fonti rilevanti — con titolo, autore, data, fonte originale e i passaggi che ho evidenziato. Non è una ricerca per parole chiave: è una ricerca semantica che considera il contesto della domanda.
Un prompt tipico è questo:
“Cerca in Reader articoli pertinenti al tema della governance dell’AI. Includimi titolo, autore, link originale, tag e gli highlight che ho salvato.”
Il risultato è una lista di materiale già letto, già selezionato, già annotato. Non devo rileggere tutto da capo: ho già fatto quel lavoro quando ho salvato e evidenziato gli articoli.
Binario 2 — Fenn + Claude. Per le presentazioni e i documenti sul disco, cerco su Fenn usando il tema come criterio di ricerca. Fenn restituisce i file pertinenti con un’anteprima del contenuto. Copio quei risultati e li incollo a Claude, che li analizza e li integra con il materiale trovato in Reader.
Il prompt di passaggio è semplice:
“Ecco i risultati di una ricerca in Fenn sul tema X. Integrali con il materiale che abbiamo trovato in Reader e dimmi cosa posso riusare per il post / per la presentazione.”
Il risultato combinato è una sintesi del materiale disponibile: articoli rilevanti con i passaggi chiave già evidenziati, presentazioni esistenti da cui estrarre slide o argomenti, sovrapposizioni e gap tematici. Da lì si può scrivere il post o costruire la presentazione su una base solida — senza partire da zero né perdere tempo a cercare tra file e cartelle sparse.
Cosa cambia davvero
Questo flusso non è automatico nel senso che “l’AI fa tutto”. Richiede che io abbia lavorato bene a monte, salvando gli articoli con Reader, aggiungendo tag sensati, evidenziando i passaggi che ritengo importanti, organizzando i file sul disco in modo che Fenn li possa indicizzare. La qualità dell’output dipende da quella dell’input. Un Reader pieno di articoli salvati a caso, senza tag né evidenziazioni, restituisce risultati mediocri. Una libreria curata restituisce risultati precisi.
Questo è il punto che trovo più interessante:
L’AI riduce il costo del disordine, ma non elimina il bisogno di chiarezza di idee.
La differenza si vede quando non stai cercando un file: stai cercando un insight da trasformare in un nuovo contesto. Lì, la qualità di ciò che trovi dipende ancora da quanto hai lavorato sulle fonti mentre le leggevi — gli highlight, i tag, le note che hai preso. Su questo, l’AI amplifica le abitudini che hai già.
Va anche detto con chiarezza che questo flusso risolve il problema del recupero, non quello della sintesi. Trovare il materiale giusto è il primo ostacolo; capire come usarlo, combinarlo, trasformarlo in qualcosa di nuovo — è lavoro dell'autore.
C'è però una differenza importante rispetto agli strumenti pre-AI generativa. Ora si può dialogare con il materiale trovato — chiedere sintesi, confronti, gap tematici — e questo cambia non solo la velocità del recupero, ma anche il modo in cui si lavora su ciò che si trova.
Conclusione
Torno al punto di partenza. Il mio problema non era trovare cose nuove (o non solo quello): era ritrovare ciò che sapevo già di avere. Reader, Fenn e Claude potrebbero aver risolto i problemi in modo pragmatico, senza magia né promesse eccessive. È un test in corso che mi permette anche di valutare il funzionamento di questi strumenti basati su GenAI.
Come ogni strumento, funziona meglio con un po’ d’uso: Reader diventa prezioso quando ci sono mesi di letture annotate. Ma si può cominciare subito. Ed è comunque un flusso replicabile. Non dipende da capacità particolari né da configurazioni esotiche. Dipende dall’abitudine di curare le proprie fonti. L’AI non ha radicalmente cambiato questa abitudine. L’ha resa molto più utile e facile da applicare e valorizzare.
P.S.: Ovviamente, i vostri suggerimenti sono i benvenuti. Ci tengo a dire che non voglio sviluppare soluzioni ad hoc, ma usare strumenti disponibili con modalità di lavoro semplici e affidabili (e facilmente ripetibili).
Disclaimer: questo post è stato realizzato con il supporto di Claude.
© 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