Categoria: Tips

  • Token Shock 2.0: quando il modello “più economico” ti costa di più

    Token Shock 2.0: quando il modello “più economico” ti costa di più

    Un modello può costare meno per token e, contemporaneamente, costare di più per risolvere lo stesso problema. I thinking token stanno rendendo il listino una metrica sempre meno affidabile.

    Qualche giorno fa è apparso su Spiceworks un articolo interessante di Rose de Fremery intitolato “Token shock and the hidden cost of AI consumption”. Il pezzo mette il dito sulla “piaga” che tanti team IT stanno vivendo nel 2026: i prezzi per token continuano a scendere, eppure le bollette AI salgono.

    La diagnosi è corretta. Il passaggio da pricing a postazione (seat-based) a pricing a consumo, combinato con workflow sempre più agentici, prompt di sistema ripetuti, cronologie di conversazione che crescono e output tokens più cari, sta creando un problema di prevedibilità dei costi. Molte aziende si ritrovano con fatture impreviste e progetti tagliati.

    Fin qui tutto condivisibile. C’è però un aspetto che l’articolo non approfondisce e che, secondo me, sta diventando ancora più insidioso.

    Il prezzo per token non è più una metrica sufficiente

    Negli ultimi mesi è emerso con chiarezza un fenomeno che alcuni ricercatori stanno chiamando price reversal (o, più informalmente, “overthinking tax”).

    In sintesi: modelli presentati come più economici a listino spesso finiscono per costare di più sul totale, perché consumano significativamente più token rispetto a modelli più cari ma più efficienti.

    Studi recenti (tra cui un paper arXiv uscito tra maggio e agosto 2026) mostrano che in una percentuale non banale di confronti — tra il 22% e il 32% a seconda del set di task — il modello con prezzo per token più basso risulta più costoso una volta misurato il consumo reale. In alcuni casi estremi il divario arriva a 20-28 volte.

    La causa principale? I thinking tokens.

    I modelli di reasoning (soprattutto quelli di fascia media e “Flash/mini”) tendono a compensare una minore densità di intelligenza con ragionamenti più lunghi, ridondanti e verbosi. Su una stessa query un modello può generare migliaia di token di ragionamento interno, mentre un altro arriva allo stesso risultato con una frazione di token.

    Succede soprattutto con:

    • modelli “economici” di reasoning
    • varianti Flash o mini di modelli frontier
    • alcuni open-weight specializzati

    Il risultato è paradossale: scegli il modello più conveniente sulla carta e ti ritrovi a pagare di più perché ha “pensato” troppo.

    Il controsenso dei modelli più costosi

    C’è anche il fenomeno inverso. Alcuni modelli frontier più cari a listino si rivelano più economici sul costo per task, proprio perché sono più efficienti. Risolvono lo stesso problema con meno passaggi, meno backtracking e meno parole inutili.

    È già successo in passato (es. certe versioni di Claude Opus rispetto a Sonnet) e continua a verificarsi. In questi casi il modello “premium” non solo dà risultati migliori, ma brucia meno token totali.

    Cosa cambia per chi gestisce budget e architetture

    Tutto questo rende ancora più debole la metrica del prezzo per token. Quello che conta davvero è il costo per workflow (o costo per task, o costo per unità di valore generato).

    Le pratiche utili diventano:

    1. Misurare sempre sui propri workload
      Non fidarsi dei benchmark generici. Prendere i task reali dell’azienda e confrontare i modelli non solo sulla qualità, ma anche sui token effettivamente consumati (input + output + thinking).
    2. Routing intelligente
      Usare modelli piccoli e non-reasoning per i task ripetitivi e banali, riservandosi l’uso di modelli di reasoning (anche quelli più costosi) solo dove serve davvero.
    3. Controllare la verbosità
      Impostare limiti di output, usare istruzioni esplicite di concisione, e dove possibile preferire modelli che ragionano in modo più “compresso”.
    4. Spend caps e monitoring per workflow
      Non solo tetti di spesa globali, ma alert e dashboard basati sul costo medio per processo (es. “costo medio di una ricerca vendor”, “costo medio di una risposta ticket complessa”).
    5. Trattare l’AI come una utility
      Come suggerisce bene l’articolo di Spiceworks: non è più un costo fisso prevedibile, ma piuttosto un costo variabile che scala con l’uso e con le scelte architetturali. Occorre regolarsi di conseguenza.

    Conclusione

    L’articolo di Spiceworks ha ragione sul “token shock” generato dal consumo crescente e dal passaggio al pricing a uso. Ma il quadro è ancora più complesso: non tutti i token sono uguali, e non tutti i modelli “economici” lo sono davvero.

    Nel 2026 chi continua a scegliere i modelli solo guardando il prezzo per milione di token rischia di farsi male due volte: una volta sulla qualità e una volta sul portafoglio.

    La vera domanda non è più “quanto costa un token?”, ma “quanto mi costa risolvere questo problema in modo affidabile?”.

    E quella, al momento, solo i test sui propri dati possono rispondere.

    P.S. La soluzione, naturalmente, potrebbe essere cominciare a ragionare in termini di approccio “ibrido”, avvicinandosi all’AI locale che sta diventando sempre più accessibile e promettente. Se l’argomento ti interessa, il mio libro nella collana “for Dummies” è disponibile in tutte le librerie fisiche e virtuali:

  • Dal Prompt Design al Context Design

    Dal Prompt Design al Context Design

    Perché i prompt migliori nascono alla fine di una conversazione, non all’inizio.

    C’è stato un tempo, e non parlo di secoli ma di un paio d’anni appena, in cui la formula magica per ottenere risposte decenti da un modello linguistico cominciava quasi sempre con le stesse quattro parole: “Sei un esperto di…”. Esperto di marketing, di diritto tributario, di pasticceria siciliana, a seconda delle necessità, come se bastasse appuntare un distintivo sul petto del modello per trasformarlo nel professionista desiderato (e, a dire il vero, un po’ funzionava, il che spiega perché quella formula sia sopravvissuta in centinaia di guide, corsi e caroselli su LinkedIn).

    Il ruolo era una scorciatoia ragionevole. Diceva al modello quale porzione del suo sapere attivare, con quale registro esprimersi, da quale punto di vista guardare il problema. Il suo limite, però, stava proprio nella sua natura di dichiarazione: affermava una competenza senza costruirla, e lasciava al modello il compito di immaginare che cosa, esattamente, quell’esperto avrebbe dovuto sapere nel caso specifico.

    Negli ultimi mesi mi sono accorto che il mio modo di lavorare si è spostato altrove, quasi senza che lo decidessi. I prompt che funzionano davvero, quelli che producono risultati riutilizzabili, oggi li scrivo alla fine di un percorso, non all’inizio. E quel percorso ha un nome che vale la pena di chiarire, perché il settore ne ha appena adottato uno molto simile per indicare tutt’altra cosa.

    Che cosa è cambiato nel settore

    A fine giugno 2025 Tobi Lütke, CEO di Shopify, ha proposto di sostituire “prompt engineering” con “context engineering”, e pochi giorni dopo Andrej Karpathy ha rilanciato l’idea con l’autorevolezza che gli viene riconosciuta. Il suo argomento, in sostanza: nelle applicazioni serie conta molto più ciò con cui si riempie la finestra di contesto che il modo in cui si formula la richiesta.

    A settembre dello stesso anno è arrivata la versione istituzionale. Il team di Applied AI di Anthropic ha pubblicato un lungo articolo tecnico, Effective context engineering for AI agents, che presenta il context engineering come la naturale evoluzione del prompt engineering. Non più soltanto scrivere buone istruzioni, ma curare l’intero stato del contesto: istruzioni di sistema, strumenti, connettori, dati esterni, cronologia dei messaggi. Con un principio guida che merita di essere ricordato: trovare il più piccolo insieme di informazioni ad alto segnale capace di massimizzare la probabilità del risultato desiderato.

    Tutto vero, tutto utile. Ma basta scorrere i temi di quell’articolo (recupero dinamico delle informazioni, compattazione della cronologia, note persistenti fuori dalla finestra di contesto, architetture a sub-agenti) per capire a chi si rivolge: a chi costruisce agenti e sistemi, non a chi apre una chat il lunedì mattina per preparare una campagna o una lezione. Il context engineering, nel senso in cui il settore usa il termine, è un mestiere da sviluppatori.

    Engineering e design: due mestieri diversi

    Propongo allora una distinzione semplice, che il dibattito corrente tende a confondere. Il context engineering progetta i sistemi che riempiono il contesto in modo automatico. Il context design progetta il dialogo con cui il contesto viene costruito, un passaggio alla volta, da chi usa il modello.

    Il primo lavora su pipeline, database e regole di selezione, e il suo prodotto è un’architettura. Il secondo lavora su domande, verifiche e correzioni, e il suo prodotto è una comprensione condivisa del problema, che alla fine si può condensare in un prompt. Il primo riguarda poche migliaia di professionisti; il secondo riguarda chiunque usi un modello linguistico per lavoro, cioè, ormai, quasi tutti.

    Non si tratta di contrapporre le due cose (chi mi legge da tempo sa quanto diffidi delle dicotomie nette), ma di riconoscere che l’utente evoluto ha bisogno di un nome per ciò che sta già facendo, e che quel nome non può essere preso in prestito da un manuale per ingegneri.

    Il metodo: dal ruolo dichiarato alla competenza costruita

    Il context design, in fondo, è ciò che resta del vecchio ruolo quando si smette di dichiararlo e si comincia a costruirlo. Invece di scrivere “Sei un esperto di comunicazione visiva”, si porta il modello a “diventarlo”, per quel compito specifico, attraverso una conversazione.

    Prendiamo un caso che mi capita spesso: preparare un meta-prompt, cioè un prompt che genera altri prompt, per esempio uno che serva a produrre immagini efficaci in ambito marketing. L’approccio classico consisterebbe nello scriverlo subito, elencando stile, formato e qualche aggettivo ben scelto. Il mio, oggi, parte da tutt’altra parte. Prima chiedo al modello quali caratteristiche rendono efficace un’immagine pubblicitaria, poi discuto le sue risposte, le correggo dove sono generiche, le specifico dove restano vaghe. Composizione, gerarchia visiva, rapporto tra immagine e testo, coerenza con il marchio, differenze tra un post social e un manifesto: ogni punto diventa oggetto di domande, verifiche e chiarimenti, spesso posti dal modello stesso.

    Solo verso la fine allego alcuni esempi di immagini pubblicitarie celebri e chiedo che siano analizzate nell’ottica di quanto discusso. L’ordine non è casuale. Gli esempi mostrati all’inizio orientano tutto il resto e tendono a essere imitati; mostrati alla fine, quando i criteri sono già definiti, servono invece a metterli alla prova e a raffinarli. A quel punto, e soltanto a quel punto, chiedo di scrivere il meta-prompt. Che a volte può risultare anche più breve di quanto ci si aspetterebbe, ma in ogni caso molto più preciso di un prompt “progettato a mano da zero”.

    Lo stesso schema funziona per una scaletta di corso, per la revisione di un capitolo, per l’analisi di un mercato. Cambia la materia, non la sequenza: prima si costruisce la competenza, poi la si mette per iscritto.

    Perché funziona

    Il primo meccanismo riguarda l’implicito. Quando scriviamo un prompt a freddo omettiamo proprio le informazioni che per noi sono ovvie, e che per il modello non lo sono affatto. Le domande del modello fanno emergere questi vuoti meglio di qualsiasi autoanalisi, perché arrivano da chi, letteralmente, non sa ciò che noi invece diamo per scontato.

    Il secondo riguarda i punti fermi. Ogni verifica superata, ogni definizione concordata, ogni correzione accettata diventa un pezzo di terreno comune su cui il resto del lavoro può appoggiarsi senza bisogno di ripetere tutto da capo. È la stessa differenza che passa tra spiegare un progetto a un collaboratore nuovo e discuterne con qualcuno che aveva partecipato alla riunione precedente.

    Il terzo riguarda la compressione. Il prompt finale funziona così bene perché è il distillato di tutto il lavoro precedente, ed è per questo che può anche essere composto da poche righe che rimandano a un contesto ricco, già costruito e già verificato. In questo caso è corto non perché sia semplice, ma perché tutto il resto è già stato discusso e infine sintetizzato.

    Le due trappole

    La prima è il contesto “contaminato”. Ciò che il modello scrive durante la conversazione entra a far parte del contesto, compresi gli errori, le approssimazioni e le generalizzazioni sbrigative. Una verifica sbagliata lasciata passare non resta isolata: orienta le risposte successive e finisce, puntualmente, nel prompt finale. Il context design richiede quindi una lettura attenta di ogni passaggio, e la disponibilità a correggere subito anche ciò che sembra un dettaglio.

    Il rimedio più efficace che ho trovato è anche il più semplice: prima di chiedere il prompt, chiedo un recap. Il modello riassume ciò che è stato stabilito durante la conversazione, distinguendo quanto è stato effettivamente confermato da quanto è rimasto un’ipotesi, una sua proposta mai discussa o un punto lasciato in sospeso. Io lo rileggo, correggo ciò che non torna, elimino ciò che non avevo mai approvato, e solo allora chiedo di distillare il prompt da quel recap, non dall’intera conversazione. È un passaggio che costa due minuti e che fa da filtro: nel prompt finale entra soltanto ciò che ha superato la discussione, non tutto ciò che vi è stato detto.

    La seconda è la portabilità. Un prompt eccellente dentro la conversazione che lo ha generato può risultare mediocre se lo si incolla in una sessione nuova, perché la sua efficacia dipendeva da tutto ciò che lo precedeva. Se lo si vuole riutilizzare bisogna fare un ultimo passaggio, il più trascurato: chiedere al modello di rendere esplicito nel prompt ciò che nella conversazione era rimasto implicito, e poi verificarlo in una chat pulita. Qui il recap torna utile una seconda volta: un prompt distillato da un riepilogo già esplicito e già controllato ha molto meno implicito da recuperare, e sopravvive meglio al trasloco in una conversazione nuova.

    Il prompt come distillato

    Il prompt design, dunque, non è morto, nonostante i necrologi che circolano da un anno a questa parte. Ha soltanto cambiato posizione: prima era l’intero lavoro, oggi è il momento conclusivo di un lavoro più ampio, quello in cui la conversazione si condensa in uno strumento.

    E gli strumenti, a differenza delle conversazioni, si conservano. Il meta-prompt per le immagini di marketing, una volta reso esplicito e verificato, diventa un modello riutilizzabile, una skill, una parte del proprio metodo di lavoro. Il vecchio “Sei un esperto di…” chiedeva al modello di fingere una competenza; il context design gliela fa costruire, e poi la consegna a noi in una forma che possiamo usare ancora, e ancora.

    Fonti

    P.S. Durante la stesura cooperativa di questo articolo Claude ha attivato la nuova modalità Claude Docs, che essendo ancora in beta non credo sia stata resa accessibile a tutti gli utenti. Rispetto a quanto già avevamo visto con le modalità di editing nei documenti prodotti sia in Claude sia in ChatGPT e Gemini (Artifact, Canvas ,ecc.) in questo caso l’IA partecipa attivamente e non solo se “interpellata”. Vi lascio qui sotto tre screenshot che ho catturato durante la sessione.

  • Il paradosso della “gentilezza artificiale”: perché chiedere “per favore” a ChatGPT fa bene a noi, ma male all’algoritmo

    Il paradosso della “gentilezza artificiale”: perché chiedere “per favore” a ChatGPT fa bene a noi, ma male all’algoritmo

    Dire “per favore” a ChatGPT non è necessario per ottenere una risposta migliore. Il vero vantaggio sembra stare, piuttosto, nella chiarezza con cui formuliamo obiettivi e vincoli.

    Sono le sette e mezza di sera, la giornata ha lasciato sul divano il suo residuo di stanchezza, e state digitando a un chatbot: «Grazie mille, sei stato gentilissimo, potresti per favore riassumermi il documento in tre punti?». Vi siete mai chiesti a chi, esattamente, state rivolgendo quel ringraziamento? Non a una persona, non a un animale domestico, nemmeno a un impiegato del catasto che almeno un caffè lo merita: a un’enorme “macchina statistica” che prevede la parola successiva, e che del vostro garbo fa, con tutto il rispetto, un uso piuttosto marginale.

    Eppure lo facciamo, e lo facciamo in massa, proiettando le nostre regole sociali su un ammasso di silicio e codice come se il galateo fosse una legge fisica e non una convenzione tra primati. La tesi di questo articolo è che tra l’efficienza della macchina, che preferirebbe comandi secchi, e la salute della nostra mente, che ha bisogno di rituali di cortesia, esista un cortocircuito vero. E che la via d’uscita non sia scegliere da che parte stare, ma capire dove il “per favore” serve e dove è soltanto “rumore”.

    Cosa dice la scienza: i dati che processano il “per favore”

    Ai tempi in cui scrivevo avventure testuali con The Quill, negli anni Ottanta, il computer capiva due parole per volta, un verbo e un sostantivo, e chiunque avesse digitato «per cortesia, vorrei prendere la lampada» avrebbe ricevuto in risposta un desolato “non capisco”. Nessuno ne fu mai offeso. Oggi i modelli linguistici capiscono tutto, o meglio sembrano capire tutto, e questa apparenza ci ha convinti che valga la pena trattarli come interlocutori di buona famiglia.

    I numeri, però, raccontano una storia meno rassicurante. Uno studio della Penn State University del 2025, intitolato con un certo umorismo Mind Your Tone, ha messo alla prova ChatGPT con cinquanta domande a risposta multipla, riformulate ciascuna in cinque toni diversi, dal cortesissimo allo sgarbato. Il risultato è che la precisione saliva man mano che il tono si faceva brusco: circa l’80,8% di risposte corrette con i prompt molto educati, circa l’84,8% con quelli molto scortesi. Quattro punti percentuali (non pochi, se moltiplicati per i milioni di conversazioni quotidiane) a favore di chi il “per favore” lo lascia sulla porta.

    Va detto, per onestà e per non farne un dogma, che si tratta di un campione piccolo, di un solo modello e di un lavoro non ancora passato attraverso tutta la trafila della revisione tra pari. Il senso più prudente è quindi questo: non che la maleducazione sia una tecnica di prompting, ma che il contorno cerimonioso aggiunge parole che non portano informazione. Il modello deve leggere anche quelle, e ogni frase decorativa è una piccola diluizione del compito, quello che in gergo tecnico si chiama “rumore di fondo”.

    C’è poi il capitolo dei token, le unità in cui la macchina spezzetta il testo. Un “per favore” ne costa almeno un paio, il che è irrilevante per il vostro portafoglio e trascurabile per il pianeta, benché lo stesso Sam Altman abbia scherzato sul fatto che la cortesia degli utenti costi a OpenAI decine di milioni di dollari in elettricità, e che siano soldi ben spesi. Il vero spreco è altrove, nella nostra abitudine di avvolgere una richiesta nitida in tre strati di preamboli, come si fa con un oggetto fragile che in realtà è un mattone.

    Per capirci, ecco il confronto. Il prompt cortese: «Ciao! Spero tu stia bene. Se non ti disturba, potresti gentilmente aiutarmi a scrivere una mail di sollecito per una fattura non pagata? Grazie mille in anticipo!». Il prompt ottimizzato: «Scrivi una mail di sollecito per una fattura scaduta da 30 giorni. Tono fermo ma cordiale, massimo 120 parole». Il secondo contiene più informazione utile in metà dello spazio, ed è precisamente per questo che funziona meglio.

    L’ansia da separazione digitale: il dovere di rispondere

    Il secondo cortocircuito è più sottile, e riguarda quello che accade quando è la macchina a parlare per ultima. Avete chiesto una ricetta, l’avete ottenuta, e in coda trovate: «Vuoi che ti suggerisca anche un vino da abbinare? Oppure preferisci un dolce per completare il menù?». Sentite quella piccola pressione allo sterno? Rispondere sembra un dovere, ignorare sembra una scortesia, e voi, un adulto vaccinato, vi ritrovate a scrivere «No, grazie, va benissimo così» a un software che non ha alcuna aspettativa, alcun turno di parola da difendere e, con ogni probabilità, alcuna sensazione di essere stato lasciato lì con il suo dolce in sospeso.

    Il fatto è che quelle domande di chiusura non nascono dalla curiosità della macchina ma dal design del prodotto: un assistente che propone sempre un passo successivo tiene la conversazione viva, e una conversazione viva è un utente che resta. Il resto lo fa il nostro cervello, che di regole conversazionali è pieno da prima dell’invenzione della scrittura. I sociolinguisti le chiamano coppie adiacenti: a un saluto si risponde con un saluto, a una domanda con una risposta, a un’offerta con un’accettazione o un rifiuto, e lasciare la seconda metà della coppia orfana produce un disagio quasi fisico. A rincarare la dose interviene l’effetto Zeigarnik, l’osservazione secondo cui ricordiamo meglio, e ci inquietiamo di più, per i compiti interrotti che per quelli conclusi (un effetto la cui portata è discussa, ma la cui intuizione di fondo, quella del ciclo lasciato aperto che “gratta” nella testa, resta dolorosamente riconoscibile).

    Il senso di colpa, in questa scena, è un bug del nostro cervello e non una virtù morale, un automatismo nato per tenere insieme le comunità di cacciatori-raccoglitori e ora messo a lavorare, senza stipendio, per il retention rate di un’azienda californiana. Possiamo quindi concederci quello che chiamerei ghosting efficiente: non rispondere a un chatbot non è maleducazione, è igiene digitale, e l’unica creatura che soffre per la conversazione lasciata a metà siamo noi, per un riflesso di cui è saggio diventare consapevoli.

    Perché essere gentili “fa bene all’uomo”

    Se tutto questo fosse la storia completa, dovremmo concludere che la cortesia con le macchine è una zavorra da buttare, e invece no, perché la scena si rovescia appena si smette di guardare la macchina e si guarda chi scrive. Gli studiosi di psicologia comportamentale parlano di behavioral spillover, “travaso comportamentale”: le abitudini che coltiviamo in un contesto tendono a sconfinare negli altri. Chi passa otto ore al giorno a impartire ordini asciutti e sprezzanti a un assistente docile rischia, per pura inerzia, di portare un po’ di quell’asprezza alla riunione delle undici, alla cassa del supermercato, a tavola con i familiari, senza nemmeno accorgersene. Il tono che usiamo con le macchine non le educa, ma educa noi.

    C’è poi un beneficio più discreto, e in fondo più interessante per chi lavora con le parole. Scrivere bene un prompt è un esercizio di formulazione del pensiero: per spiegare a una macchina che cosa vogliamo dobbiamo prima averlo capito noi, e la cortesia intesa in senso alto, come attenzione all’interlocutore, alla chiarezza, al contesto, al risultato desiderato, coincide quasi perfettamente con il buon prompting. Il problema non è la gentilezza, ma la sua versione rituale, il “gentilissimo” che copre il vuoto di una richiesta vaga, come un centrotavola messo su un tavolo senza il pranzo.

    C’è infine una questione di etica della comunicazione, che nell’era dell’intelligenza artificiale ci riguarda più di quanto amiamo ammettere: non sappiamo che cosa siano davvero questi sistemi, e non è necessario stabilirlo per riconoscere che il modo in cui parliamo, anche a un interlocutore che forse non ascolta, è una forma di autoritratto.

    Il toolkit: essere assertivi senza smettere di essere umani

    La soluzione, dunque, non è diventare dei bruti né restare dei maggiordomi, ma imparare a essere programmatori più assertivi, e per questo propongo l’approccio PAD, ovvero Positive, Assertive, Direct. Positivo significa che il tono resta civile e senza aggressività, perché il fatto che la macchina non si offenda non autorizza noi a prendere l’abitudine di sbuffare. Assertivo significa che l’obiettivo, il formato e i vincoli vengono dichiarati con la stessa nettezza con cui si dà un incarico a un collaboratore competente. Diretto significa che si parte dal compito, senza preamboli, senza il “ciao come stai” di rito e senza il “spero di non disturbare”.

    Sul piano pratico, si traduce in poche abitudini facili da adottare. Eliminare i saluti isolati, quelli che aprono la chat con un “Ciao!” e lasciano la macchina in attesa del vero messaggio. Usare verbi all’imperativo, che in un prompt non sono aggressivi ma semplicemente precisi: “riassumi”, “confronta”, “riscrivi”. Indicare subito destinatario, lunghezza e risultato atteso. Concedersi il “grazie” quando fa piacere a noi e non quando lo pretende il rituale. E soprattutto, a compito finito, chiudere la scheda senza salutare.

    Oggi provate a “chiudere la chat in faccia” all’IA. Vi prometto che non piangerà.

  • ChatGPT, l’assistente che ti conosce

    ChatGPT, l’assistente che ti conosce

    Cosa cambia quando è ChatGPT a suggerire un’attività ricorrente sulla base di ciò che conosce dalle vostre conversazioni? Un piccolo esempio mostra dove potrebbero andare gli assistenti personali AI.

    L’altro ieri ChatGPT mi ha proposto, come link rapido da cliccare sotto il riquadro del prompt, un task pianificato. Riguardava una delle mie passioni, i romanzi di fantascienza.

    Facendo clic sul link mi ha presentato questo prompt: “Ogni venerdì, consiglierai tre libri di fantascienza da leggere con attenzione, privilegiando romanzi di spessore o raccolte di saggi rispetto a titoli più leggeri. Per ciascuno di essi, spiegherai la trama, perché merita un’attenzione costante e a quale tipo di lettore è adatto. Eviterai di ripetere titoli già citati nelle settimane precedenti.“

    In aggiunta, mi ha chiesto in che orario preferissi ricevere la selezione, usando le domande a scelta rapida cui ci ha da tempo abituato Claude di Anthropic (non è l’unica feature che le due piattaforme si contendono/copiano e non sarà l’ultima).

    Stamattina, puntuale, arriva la prima selezione, che vi riporto qui di seguito, e che riflette in modo particolare le caratteristiche emerse già durante la creazione di un progetto che avevo ideato per sviluppare un elenco di letture di fantascienza basate su titoli che avevo già letto e apprezzato.

    ChatGPT, quindi, grazie alla sua nuova funzione di “memoria utente evoluta”, ha pensato di suggerirmi il task pianificato di cui sopra. Insomma, un’AI che si avvicina sempre di più all’assistente personale “stile Jarvis”.

    Eccovi, quindi, le prime proposte in modo che possiate valutarne la qualità di selezione e descrizione:

    Tre letture di fantascienza — prima selezione

    1. Solaris — Stanisław Lem

    Premessa
    Lo psicologo Kris Kelvin raggiunge una stazione orbitante intorno a Solaris, pianeta ricoperto da un oceano forse senziente. L’equipaggio è sconvolto da presenze che sembrano materializzare ricordi, desideri e colpe.

    Perché merita una lettura profonda
    Lem mette in discussione l’idea che ogni intelligenza debba risultare comprensibile agli esseri umani. Le pagine dedicate alla “solaristica” mostrano anche come la ricerca possa accumulare teorie senza avvicinarsi realmente al proprio oggetto.

    Sotto la storia di primo contatto agiscono temi come identità, memoria, lutto e limiti della conoscenza.

    Lettore ideale
    Chi apprezza Dick, Borges, Tarkovskij e gli enigmi che continuano a lavorare nella mente dopo l’ultima pagina.

    Edizione italiana
    Sellerio, collana “La memoria”, 328 pagine, traduzione diretta dal polacco di Vera Verdiani. Disponibile anche in ebook.

    2. Le prime quindici vite di Harry August — Claire North

    Premessa
    Ogni volta che muore, Harry August rinasce nello stesso luogo e momento, conservando progressivamente i ricordi delle esistenze precedenti. Alla fine della sua undicesima vita, una bambina gli consegna un messaggio dal futuro: il mondo sta finendo sempre prima.

    Perché merita una lettura profonda
    La struttura invita a ricostruire cause, variazioni e conseguenze attraverso differenti versioni del Novecento. Il nucleo più interessante è morale: cosa diventa la responsabilità individuale quando si dispone di tempo e conoscenze potenzialmente illimitati?

    È il titolo più scorrevole della terna, ma può essere letto come confronto fra due concezioni del progresso: comprensione paziente e dominio accelerato.

    Lettore ideale
    Chi ama paradossi temporali, strutture a scatole cinesi e romanzi filosofici con una robusta tensione narrativa.

    Edizione italiana
    NN Editore, seconda edizione, 368 pagine, traduzione di Valentina Daniele.

    3. The Broken Earth Trilogy – La Terra spezzata — N. K. Jemisin

    Premessa
    L’Immoto è un continente periodicamente devastato dalle “Quinte Stagioni”. Gli orogeni possono percepire e manipolare le forze geologiche, ma la società che dipende da loro li teme, controlla e disumanizza. Una nuova frattura continentale annuncia una catastrofe forse definitiva.

    Perché merita una lettura profonda
    Jemisin adopera punti di vista, cronologie e persone grammaticali differenti come componenti del meccanismo narrativo. Capire chi racconta, da quale posizione e per quale ragione è parte integrante dell’esperienza.

    La catastrofe ambientale diventa uno strumento per esplorare trauma, oppressione, maternità, memoria culturale e trasmissione della violenza. Non domanda soltanto come sopravvivere alla fine del mondo, ma quali strutture sociali meritino di sopravvivere.

    Lettore ideale
    Chi cerca worldbuilding stratificato, personaggi psicologicamente complessi e una contaminazione ambiziosa fra fantascienza planetaria, distopia ed epic fantasy.

    Edizione italiana
    Mondadori pubblica l’intera trilogia, tradotta da Alba Mantovani, nel volume unico The Broken Earth Trilogy. Il primo romanzo è disponibile separatamente come La Quinta Stagione.

    La mia priorità: Solaris per la massima densità filosofica; La Terra spezzata per un’immersione lunga e totalizzante.

  • Il motore, l’auto e il pilota

    Il motore, l’auto e il pilota

    Perché le differenze tra le applicazioni di intelligenza artificiale contano meno di quanto pensiamo (e cosa conta davvero)

    Quando si parla di ChatGPT, Claude, Grok, Gemini o delle interfacce locali come LM Studio e Ollama, la domanda che torna più spesso è: «Quale è meglio?». La risposta più onesta, e anche la più interessante, è che per il compito di base — prendere un input e generare una risposta — le differenze sono minori di quanto si pensi.
    “Sotto il cofano”, quasi tutte queste applicazioni fanno sostanzialmente la stessa cosa: mandano un prompt a un modello e restituiscono i token generati. L’inferenza, in sé, non è magica né particolarmente diversa da un sistema all’altro.
    Quello che cambia è tutto il resto.

    La macchina

    Il modello (i suoi parametri, l’architettura, i dati di training, il tipo di allineamento) è solo il motore. Intorno c’è un’intera macchina:

    – la dimensione e la gestione del contesto
    – la capacità di usare strumenti (ricerca, codice, API)
    – la multimodalità (testo, immagini, audio, video)
    – l’infrastruttura (velocità, costo, affidabilità)
    – l’interfaccia e le funzioni di supporto (memoria, progetti, personalizzazione)

    Due modelli con parametri simili possono dare esperienze completamente diverse a seconda di come è costruita questa “macchina”.

    Il pilota

    Ma c’è un elemento che spesso viene dimenticato nella metafora: il guidatore.

    Lo stesso identico modello, sulla stessa piattaforma, produce risultati drasticamente diversi a seconda di chi lo usa. La capacità di strutturare il ragionamento, di decomporre i problemi, di iterare in modo intelligente, di conoscere i limiti dello strumento e di valutarne criticamente gli output fa una differenza enorme.

    Come la fa, naturalmente, la competenza nel settore specifico è l’esperienza pregressa nel “dominio”.

    E questo non vale solo per il testo.

    Con la generazione di immagini, video e audio il divario tra un utente mediocre e uno bravo tende ad allargarsi, non a ridursi. Un prompt vago produce risultati mediocri. Un prompt preciso, gerarchico, consapevole dei meccanismi del modello e accompagnato da un processo di raffinamento intelligente può portare a risultati di un altro livello — anche partendo dallo stesso motore.

    La conclusione “scomoda”

    Più i modelli diventano potenti e flessibili, più il fattore umano torna a essere decisivo. Non nel senso romantico del “l’AI non sostituirà mai la creatività”, ma in un senso molto più pragmatico: la qualità dell’output dipende sempre di più dalla qualità dell’interazione.

    Il motore conta. 
    La macchina conta. 
    Ma senza un pilota capace, anche un’auto di Formula 1 resta ferma ai box.

    Da diversi anni mi impegno a formare, con libri e formazione, dei “bravi piloti”.

    Testi specifici dedicati alle singole piattaforme (ChatGPT, Gemini), ai diversi ambiti (Didattica, Comunicazione, Grafica) e ovviamente al prompt design/engineering e all’uso “locale” dell’AI.

    Se vuoi diventare un bravo pilota e farti assistere sempre meglio dall’AI nell’ambito (o negli ambiti) di tuo interesse, non hai che andare in libreria (fisica o virtuale), scegliere e cominciare.

  • Un Mac (anche ricondizionato) sta diventando sempre di più il “miglior amico” di chi vuole usare l’AI in modo completo e produttivo?

    Un Mac (anche ricondizionato) sta diventando sempre di più il “miglior amico” di chi vuole usare l’AI in modo completo e produttivo?

    Un MacBook Air M1 o M2 (anche ricondizionato) può ancora avere più senso di un laptop Windows come macchina dedicata all’AI? Tra assistenti desktop e modelli locali, la risposta è meno scontata di quanto sembri.

    Nei giorni scorsi Meta ha rilasciato la sua app desktop di Meta AI esclusivamente per macOS: nativa (AppKit + SwiftUI), leggera (~16 MB), completa della solita “scorciatoia da tastiera” (quick invoke), nella forma Option + Spazio, “dettatura” di sistema e soprattutto la possibilità di condividere una finestra o lo schermo così che l’AI “veda” ciò che stai facendo e ti fornisca suggerimenti contestuali. Per ora non esiste la versione Windows.

    ChatGPT e Claude, invece, hanno già da tempo le loro app desktop su entrambe le piattaforme, ma su Mac le integrazioni di sistema, i shortcut globali, le funzioni di screen/window sharing e alcune funzioni “agentiche” arrivano puntualmente prima o risultano più fluide e native. Su Windows, purtroppo, spesso si resta un passo indietro o con meno “superpoteri” di interazione con il resto del sistema.

    Perché un MacBook (anche un Air ricondizionato con M1 o M2) fa la differenza

    1. App desktop AI di prima classe
      Meta AI, ChatGPT e Claude sfruttano meglio l’ecosistema Apple: invochi l’assistente da ovunque, gli fai “guardare” lo schermo, usi la dittatura globale e ottieni un’esperienza più integrata nel flusso di lavoro quotidiano.
    2. AI locale davvero “usabile“
      I chip Apple Silicon (M1, M2 e successivi) con memoria unificata e Neural Engine sono tra le piattaforme consumer più efficienti per far girare modelli locali (Ollama, MLX, LM Studio, ecc.). Su un MacBook Air M1/M2 con 16 GB puoi far girare comodamente modelli 7B–9B (e anche qualcosa di più) in modo silenzioso, a basso consumo e senza dipendere continuamente dal cloud. Privacy, costi e disponibilità offline cambiano significativamente.
    3. Costo accessibile
      Un MacBook Air M1 o M2 ricondizionato costa oggi una frazione rispetto a un modello nuovo (e non si allontana molto da un laptop Windows nuovo) e offre ancora prestazioni più che sufficienti per lavoro + AI desktop + AI locale. Non serve necessariamente avere l’ultimo modello M4, insomma.

    In pratica: se usi l’AI non solo per “fare domande”, ma per lavorare davvero (analisi di ciò che hai sullo schermo, automatismi, coding, scrittura contestuale, modelli locali), un laptop Mac ti dà oggi un vantaggio concreto rispetto a un PC Windows equivalente.

    State già usando le app desktop di ChatGPT/Claude/Meta AI? O state valutando un passaggio (o un rientro) al Mac proprio per questo motivo? Sarei curioso di sapere come state combinando AI cloud e locale nel 2026.

    Ecco una tabella riassuntiva dei prezzi medi nel momento in cui ho scritto questo articolo:

    Modello e ChipRAM / SSDPrezzo Medio RicondizionatoCaratteristiche ChiaveCanale Consigliato
    MacBook Air 13″ M1 (2020)8 GB / 256 GB450 € – 490 €Design classico a cuneo, eccezionale rapporto qualità-prezzo, batteria a lunga durata.Back Market / Trovaprezzi
    MacBook Air 13″ M1 (2020)16 GB / 256 GB530 € – 580 €Ideale per multitasking pesante, longevità del sistema superiore.Amazon Seconda Mano / TrenDevice
    MacBook Air 13″ M2 (2022)8 GB / 256 GB740 € – 800 €Nuovo design squadrato, ricarica MagSafe, schermo più luminoso con notch.Back Market / Trovaprezzi
    MacBook Air 13″ M2 (2022)Config. VarieSconto ~15% sul nuovoComponenti originali al 100%, batteria nuova, scocca immacolata, garanzia Apple 1 anno.Apple Store Ricondizionati
  • Quando lavori con l’AI, il file di “handoff” è importante quanto i prompt

    Quando lavori con l’AI, il file di “handoff” è importante quanto i prompt

    Come si trasferiscono decisioni, vincoli e stato di un progetto da una sessione AI all’altra senza trascinarsi dietro migliaia di messaggi? Un “handoff file” prova a risolvere proprio questo problema. Scopri come funziona e perché.

    Hai mai chiuso una sessione di lavoro con ChatGPT, Claude o un agente AI sentendoti soddisfatto… e poi, giorni dopo, riaprendo la chat, hai scoperto di aver perso il filo?
    Decisioni prese e dimenticate, contesto che si è “diluito”, domande come “Ma perché avevamo scartato quella soluzione?” o “Qual era esattamente lo stato dell’arte del progetto?”
    Tranquillo, succede a tutti, e più il progetto è complesso, più il problema diventa serio.
    Nel contesto dell’IA generativa, un handoff file è qualcosa di più di un semplice riassunto, potremmo definirlo una “memoria operativa portatile”.
    Per capirci, mentre una sintesi dice “Ecco cosa abbiamo fatto”, un handoff dice “Ecco tutto ciò che devi sapere per continuare correttamente dal punto in cui ci siamo fermati”.

    Cosa contiene un buon “handoff file”?

    • L’obiettivo del progetto e il risultato finale atteso
    • Il contesto essenziale (senza dover rileggere 80 messaggi)
    • Le decisioni prese… e quelle scartate (con il perché)
    • Terminologia, framework e convenzioni adottate
    • Lo stato attuale: cosa è fatto, cosa è provvisorio, cosa manca
    • Vincoli e regole da rispettare
    • Risorse chiave (file, prompt, dataset, versioni)
    • Domande ancora aperte
    • Le next actions precise
    • E, soprattutto, istruzioni esplicite per l’AI (o la persona) che riceve il file

    Quest’ultimo punto è potentissimo, perché trasforma il documento da informativo a cognitivamente eseguibile : il nuovo modello (o la nuova sessione) non deve limitarsi a “capire cosa è successo” ma sapere come continuare.

    Perché è così importante?

    Perché stiamo entrando nell’era del Context Engineering, un’era in cui non basta più scrivere buoni prompt ma diventa importante gestire, comprimere e trasferire il contesto in modo affidabile.

    Se l’uso dei progetti ha permesso di andare oltre la chat e concentrare contesto e regole all’interno di un contenitore specifico, trasferire questa “base di conoscenza” e le informazioni sul lavoro svolto all’interno del progetto stesso diventa un ottimo “Piano B” nel caso sia necessario migrare verso una piattaforma diversa o anche solo tenere traccia del lavoro in modo sintetico ma esaustivo e soprattutto efficace.

    Un handoff file di 2.000–5.000 token può sostituire, infatti, 100.000 token di conversazione, conservando stato, intenzioni, dipendenze e decisioni. Potremmo definirlo, in sostanza, una forma di context compression “controllata”.

    E, quando lavori su progetti multi-sessione, multi-agente o collaborativi (umano + AI), un file di questo tipo diventa quasi indispensabile. Per questo, nei progetti più strutturati, personalmente sto iniziando a formalizzarlo come un vero e proprio Handoff Protocol. Ecco un esempio che potrai usare per istruire la tua AI a generare un documento che rispetta i canoni di un buon handoff file:

    # PROJECT HANDOFF

## 1. Project Identity
## 2. Objective
## 3. Current State
## 4. Established Concepts
## 5. Decisions Made
## 6. Rejected Alternatives
## 7. Rules & Constraints
## 8. Key Artifacts
## 9. Open Questions
## 10. Next Recommended Actions
## 11. Instructions for the Receiving AI

    L’handoff file, come dovrebbe a questo punto esserti chiaro, non è solo un documento, ma un vero e proprio checkpoint semantico del tuo lavoro, un ponte tra sessioni, tra modelli, tra persone e AI.

    Se lavori seriamente con l’intelligenza artificiale generativa, smetti di affidarti solo alla memoria della chat. Inizia a costruire handoff solidi, il tuo sé futuro te ne sarà grato.

    P.S. Ti ho preparato una infografica riassuntiva, che potrai anche stampare per averla sempre a disposizione (o passarla al tuo chatbot come “istruzioni”, se vuoi):

  • Che fine ha fatto la “modalità apprendimento” in ChatGPT?

    Che fine ha fatto la “modalità apprendimento” in ChatGPT?

    Come sapete, mi occupo di formazione e di divulgazione, e come autore di manuali nel settore informatico e in particolare dell’Intelligenza Artificiale mi ritrovo regolarmente di fronte a situazioni in cui uno strumento o un qualsiasi elemento viene periodicamente modificato all’interno dell’interfaccia di un software o di un sito web (quando addirittura l’interfaccia stessa non viene letteralmente stravolta).

    Ciò mi ha spinto a introdurre, nei miei libri, un approccio sempre più “tematico” e sempre meno “orientato agli screenshot”, in modo da anticipare tali cambiamenti e guidare i lettori in modo che possano individuare (o ritrovare) più facilmente un elemento o strumento di cui si parla nel testo.

    Nonostante ciò, a volte questi cambiamenti sono così “radicali” da richiedere veri e propri aggiornamenti, come in questo caso, ed è per questo che aiskill.it è nato, oltre che per tenervi aggiornati sulle tendenze generali dell’AI.

    Ma passiamo all’argomento in questione: in precedenza, l’opzione per attivare in ChatGPT la “modalità apprendimento” (Study Mode) era richiamabile dal menu che compare facendo clic sul segno + a sinistra del campo dei prompt, proprio come avviene ancora, per esempio, nel chatbot Gemini.

    In questo momento, invece, per richiamare tale modalità in ChatGPT è necessario prima fare clic sul segno + sopra descritto e poi digitare “studio”, facendo così apparire all’inizio del campo dei prompt l’icona e il testo che indicano l’attivazione della modalità omonima (vedi screenshot). Non è l’unico cambiamento avvenuto nei mesi che hanno seguito la pubblicazione della seconda edizione del mio manuale “ChatGPT for Dummies”, ma vorrei inaugurare questa serie di aggiornamenti partendo proprio con la descrizione di questa novità.

    La modalità di “apprendimento” richiamata digitando la parola “studia” preceduta dal simbolo della chiocciola o dopo aver fatto clic sul segno + a sinistra del campo dei prompt.

    Il cambiamento si colloca, naturalmente, in una nuova filosofia di utilizzo del chatbot di OpenAI orientata alle cosiddette skill, familiari a chi ha utilizzato finora Claude di Anthropic, ovvero delle “competenze” richiamabili per mezzo del loro nome, anche se in questo caso è più legata al vecchio concetto di GPT, difatti la modalità di apprendimento può essere anche richiamata facendo precedere la digitazione della parola “studia” dalla “chiocciola” (@studia).

  • Creare graphic novel con ChatGPT (un esperimento)

    Chi mi segue da un po’ sa che periodicamente metto a disposizione dei prompt e persino dei GPT basati su quelli più potenti. Tempo fa avevo, per esempio, pubblicato un GPT che trasformava un racconto in una graphic novel, generando la descrizione dettagliata delle tavole corrispondenti e rispettando nel contempo principi narrativi come l’arco di trasformazione del personaggio o il viaggio dell’eroe.

    Come saprete, OpenAI ha di recente introdotto il concetto di skill, “prendendolo in prestito” da Anthropic, quindi ho pensato di far convertire a ChatGPT il JSON che avevo utilizzato per il GPT in una “competenza”, e dopo aver chiesto al chatbot di generarmi un breve racconto basato su un’idea narrativa buttata lì a caso, ho richiamato la skill per generare i dettagli delle tavole, chiedendo infine a ChatGPT di generare le tavole vere e proprie sotto forma di immagini, il tutto in Cowork. Il modello utilizzato (5.6 Sol a livello medio) ha “deciso” in questo caso di non includere testi ma lasciare i balloon in bianco per evitare errori di rendering dei testi (la frase esatta del suo “ragionamento” è stata: evito didascalie e dialoghi generati, che tenderebbero a diventare geroglifici involontari, lasciando balloon vuoti dove servono). Nello stesso tempo ha adottato autonomamente una strategia per mantenere la coerenza visiva (“La prima tavola fissa bene stile e fisionomie. La userò ora come riferimento visivo per tutte le successive, così la continuità non dipende dalla memoria “creativa” del generatore.”).

    Devo dire che il risultato ,considerando che non ho fornito alcun input riguardo allo stile o altro, è eccellente, e ve lo ripropongo in questa galleria (parziale)e in un PDF che raccoglie tutta la sequenza e che potete scaricare da questo link o dal pulsante sotto la gallery.

    Scarica il PDF completo
  • Stack AI per PMI nel 2026: quanto investire davvero per ottenere risultati nel marketing

    Stack AI per PMI nel 2026: quanto investire davvero per ottenere risultati nel marketing


    Una PMI può adottare l’intelligenza artificiale nel marketing con budget molto diversi, da soluzioni completamente gratuite fino a stack avanzati da 500 euro al mese, a seconda degli obiettivi e della maturità digitale dell’azienda.

    L’analisi presentata in questo interessante articolo evidenzia che il vero fattore determinante del ritorno sull’investimento non è il costo degli strumenti, ma la capacità di integrarli nei processi aziendali attraverso strategia, formazione e misurazione dei risultati.

    Gli stack da circa 100 euro al mese rappresentano oggi il punto di equilibrio ideale per molte PMI, consentendo di migliorare significativamente produttività e qualità dei contenuti.

    Investimenti più elevati diventano invece interessanti per team strutturati che producono contenuti in grande volume, gestiscono campagne pubblicitarie complesse o necessitano di workflow avanzati e automazioni.

    Il messaggio più importante è che l’AI non sostituisce una strategia di marketing efficace: la amplifica, nel bene e nel male.

    Link all’articolo:
    https://www.deepmarketing.it/it/blog/stack-ai-pmi-costo-reale-2026

  • Come usare l’AI senza indebolire il pensiero critico

    Come usare l’AI senza indebolire il pensiero critico

    Un’analisi del Washington Post raccoglie le più recenti ricerche sull’impatto dell’intelligenza artificiale sulle capacità cognitive, evidenziando come l’uso indiscriminato di chatbot possa ridurre l’apprendimento, il pensiero critico e la fiducia nelle proprie capacità di ragionamento.

    Diversi studi mostrano che l’AI migliora produttività e qualità dei risultati in molte attività, ma può anche favorire una sorta di “resa cognitiva”, inducendo le persone ad accettare automaticamente le risposte del modello senza verificarle.

    Gli esperti suggeriscono quindi di utilizzare l’AI come tutor, revisore o interlocutore critico, evitando di delegare completamente il processo di ragionamento e di apprendimento.

    La vera sfida non è rinunciare all’intelligenza artificiale, ma imparare a collaborare con essa in modo da potenziare, anziché sostituire, le competenze umane.


    Link alla fonte:
    https://www.washingtonpost.com/technology/2026/07/07/how-stop-chatgpt-ruining-how-you-think/⁠

  • Libreriamo lancia il decalogo anti-allucinazioni: come usare l’AI senza rinunciare al pensiero critico

    Uno studio condotto da Libreriamo su circa 1.500 interazioni con sistemi di intelligenza artificiale generativa evidenzia un problema crescente: solo il 38% delle risposte culturali fornite dall’AI risulta pienamente corretto e verificabile, mentre una larga parte appare plausibile pur contenendo inesattezze o attribuzioni errate.
    Il rischio principale non è l’errore evidente, ma la capacità dei modelli di generare contenuti credibili, grammaticalmente impeccabili e quindi difficili da mettere in discussione.
    Per contrastare questo fenomeno, definito “umanesimo plausibile”, Libreriamo ha elaborato un decalogo che invita gli utenti a verificare sempre le fonti, distinguere tra verosimile e autentico, non delegare l’apprendimento alle macchine e mantenere un approccio critico verso le informazioni generate dall’AI.
    Le raccomandazioni sottolineano inoltre l’importanza del contesto storico e culturale, del confronto umano e della consapevolezza dei limiti strutturali dei modelli linguistici.
    Il messaggio centrale è che l’intelligenza artificiale può essere uno strumento prezioso per approfondire la conoscenza, ma solo se affiancata da verifica, giudizio e responsabilità umana.

    Link alla fonte:
    https://prometeo.adnkronos.com/intelligenza-artificiale/come-usare-intelligenza-artificiale-decalogo-libreriamo/

  • I progetti, uno strumento “evolutivo”

    Lo strumenti dei “progetti” è spesso sottovalutato, ma rappresenta invece una sorta di chatbot personalizzato ed “evolutivo”.

    Nelle slide vi mostro come aiuto i miei “studenti” (nei corsi di gruppo e nel coach individuale) a costruire gradualmente i loro progetti, in particolare con Claude (ma, volendo, anche con ChatGPT sebbene le prestazioni siano nettamente inferiori in questo caso).

    Claude_Project_ArchitectureDownload

  • Ottenere “risposte oneste” dall’AI? Tentar non nuoce.

    Per farti dire “non lo so” da Claude di Anthropic, la tecnica più efficace consiste nel fornirgli esplicitamente il permesso di ammettere incertezza all’interno del tuo prompt.

    Senza istruzioni specifiche, i modelli linguistici tendono a essere accondiscendenti o a “allucinare” (inventare informazioni) pur di fornire una risposta.

    In ogni caso, per avere maggiore certezza a riguardo, ecco come strutturare i tuoi prompt per ottenere maggiore onestà:

    1. Inserisci una “clausola di salvaguardia”

    Aggiungi una frase specifica alla fine della tua richiesta per autorizzare il modello a fermarsi se non ha dati certi:

    – “Rispondi alla seguente domanda solo se conosci la risposta o puoi fare una stima molto ben informata; altrimenti, dimmi esplicitamente che non lo sai”.

    – “Se non sei sicuro di un fatto o non trovi informazioni precise nei documenti forniti, dichiara la tua incertezza invece di provare a indovinare”.

    2. Richiedi citazioni dirette

    Per compiti basati su testi lunghi, chiedi a Claude di estrarre citazioni parola per parola prima di rispondere. Se non riesce a trovare una citazione pertinente, sarà costretto ad ammettere che l’informazione non è presente.

    Esempio: “Trova la sezione che parla del budget e citatala testualmente. Se il budget non è menzionato, scrivi ‘Dato non disponibile’”.

    3. Usa la tecnica del “ragionamento prima della risposta”

    Puoi istruire Claude a pensare ai passaggi logici prima di darti la risposta finale (spesso usando tag XML come <thinking>). Questo lo aiuta a identificare lacune nella propria base di conoscenza durante il processo di analisi.

    4. Definisci un ruolo “critico”

    Invece di chiedere semplicemente un’opinione, chiedigli di assumere un ruolo che dia priorità all’accuratezza:

    “Agisci come un verificatore di fatti rigoroso. Se una mia affermazione è falsa o se non hai dati per confermarla, segnalalo chiaramente”.

    Architecting_AI_HonestyDownload

  • Claude “raddoppia” fino al 28 marzo

    nthropic annuncia ufficialmente il raddoppio delle risorse di utilizzo di Claude per un periodo limitato, ovvero al di fuori delle “ore d’ufficio” dal lunedì al venerdì e durante tutte le 24 ore nei weekend, ma solo fino al 28 marzo.

    Questa “concessione” vale anche per gli utenti della versione gratuita, e si estende quindi alle opzioni disponibili in questa versione.

    Se non avete ancora usato intensivamente strumenti che di solito fanno un uso massiccio di risorse (Cowork, modello Opus, progetti ricchi di contenuti, ecc.) è sicuramente il momento di farlo, per valutare ancora meglio le capacità di questa splendida piattaforma.

    Qui il comunicato ufficiale con i dettagli:

    https://support.claude.com/en/articles/14063676-claude-march-2026-usage-promotion

  • Idea + Vibe Design + Vibe Coding = rivoluzione by Google

    Ieri vi ho parlato del lancio di Google Stitch, ma naturalmente non potevo esimermi dal “farci un giro” e sottoporlo a qualcosa di impegnativo.

    Usando un semplice prompt in cui chiedevo di creare qualcosa che fosse ispirato alla Kabbalah, ho ottenuto una serie di layout di interfaccia che combinavano sacro e moderno. Uno di questi è visibile in alto a sinistra nello screenshot, ed è quello che ho allegato poi in Gemini, chiedendo all’AI di sviluppare un’applicazione per l’esplorazione dei significati sacri delle 22 lettere ebraiche.

    Gemini ha sviluppato, in React, l’applicazione che si vede a destra dello screenshot, completamente interattiva.

    Un altro aspetto sicuramente interessante sono i suggerimenti che Stitch visualizza a seguito dello sviluppo, e che sono naturalmente ispirati all’idea di partenza.

    Se non avete ancora provato questa meraviglia, o non l’avete ancora abbinata ai Canvas di Gemini, è arrivato il momento di farlo e creare l’applicazione (o le applicazioni) dei vostri sogni.

    E se volete esplorare l’AI di Google e la potenza e versatilità di Gemini e NotebookLM, vi lascio il link al mio nuovo libro sull’argomento:

    https://www.hoepli.it/libro/google-ai-e-gemini-for-dummies/9788836020645.html

  • Come affermarsi nella ricerca AI nel 2026: video e infografica riassuntiva

    Il video di cui vi lascio il link qui sotto analizza l’evoluzione della SEO verso l’ottimizzazione per i motori di ricerca basati su intelligenza artificiale, sottolineando come questa transizione rappresenti una grande opportunità competitiva.

    L’autore descrive strategie pratiche per adattare i contenuti, suggerendo un approccio più conversazionale e ricco di dati autorevoli per essere citati dai modelli linguistici, dando una grande importanza alla struttura tecnica del sito, all’uso di metadati specifici e alla costruzione di una solida reputazione su piattaforme esterne come Reddit o Wikipedia.

    L’obiettivo principale è, in sostanza, trasformare la propria presenza digitale affinché gli algoritmi di IA riconoscano il brand come fonte affidabile e primaria. Nella parte finale del video l’autore incoraggia, ovviamente, l’adozione di nuovi strumenti di analisi per monitorare le menzioni e il traffico generato da chatbot come ChatGPT o Gemini.

  • Gemini è diventato ancora più potente nel generare infografiche, ma lo stai davvero utilizzando al massimo delle sue potenzialità?

    Leggendo un post di Axelle Malek (di cui vi lascio come sempre il link sotto) ho appena scoperto come attingere a una vera miniera d’oro visuale, ovvero le infografiche su Pinterest, per scoprire nuovi stili da dare in pasto a Gemini affinché ne estragga il “concept” e lo impieghi per rappresentare i miei dati.

    In Pinterest non solo puoi sfogliare all’infinito i risultati della semplice ricerca “infografiche”, ma anche mettere nei “preferiti” quelli che ti piacciono di più o salvarle come file, seguire l’autore, oppure cercare altre infografiche dallo stile simile (vedi il menu nella terza immagine in basso).

    Per il resto, vi lascio al post da cui sono partito, per scoprire altre interessanti strategie per il vostro lavoro sulle infografiche:

    https://www.linkedin.com/posts/axellemalek_people-are-making-handwritten-infographics-activity-7435618040416940032-lFz_