Sblocca il libro →

Niente spam · ti disiscrivi quando vuoi

📥 Scarica il PDF

Capitolo 2

Come pensa una macchina che non pensa

Claude non ragiona. Predice la parola successiva. Una alla volta. Punto.

Sembra una provocazione. Non lo è. È esattamente come funziona ogni modello di AI generativa che usi oggi — e capirlo è la differenza tra chi padroneggia lo strumento e chi si fa fregare.

Quando dialoghi con Claude o con ChatGPT, hai la sensazione netta di parlare con qualcosa che pensa. Ti risponde nei tempi giusti. Coglie sfumature. A volte ti corregge. A volte fa una battuta. La tentazione di credere che ci sia un “qualcuno” dietro è fortissima.

Non c’è. Dietro c’è una funzione matematica molto grande che fa una cosa sola: dato un pezzo di testo, calcola qual è la parola più probabile da scrivere subito dopo. Poi la scrive. Poi rifà lo stesso calcolo. Poi scrive la successiva. Avanti così, una parola alla volta, finché la risposta è completa.

Questo non è un dettaglio tecnico. È il meccanismo. È la lente con cui devi guardare ogni cosa che l’AI fa, dice, sbaglia.

Le AI generative moderne — Claude, GPT, Gemini, Llama, tutte — hanno quattro proprietà di fondo. Quattro caratteristiche stabili che restano vere mese dopo mese, modello dopo modello, aggiornamento dopo aggiornamento. I numeri cambiano. La velocità migliora. Le finestre crescono. Ma queste quattro proprietà restano. Capisci queste, capisci come usare l’AI seriamente.

Sono:

1. Predizione del prossimo token
2. Conoscenza congelata
3. Memoria di lavoro limitata
4. Direzionabilità

Proprietà 1 — La predizione del prossimo token

Un token è un pezzo di parola. Può essere una parola intera (“casa”), o una sillaba (“rist”, “orante”), o un singolo carattere. Per il modello, il testo è una sequenza di token.

Quando scrivi una domanda a Claude, il modello legge la tua frase, calcola quale token ha più probabilità di venire subito dopo, lo scrive. Poi rilegge tutto compreso il token appena scritto, calcola il successivo, lo scrive. E così via.

Questo meccanismo spiega cose che altrimenti non quadrano.

Spiega perché l’AI scrive scorrevole anche quando il contenuto è sbagliato. La fluidità è il suo lavoro. Sceglie sempre la sequenza di parole più probabile, non più vera. La verità è una conseguenza fortunata, non un obiettivo.

Spiega perché chiede chiarimenti spesso ma non sempre. Dipende da come è stato addestrato in fine-tuning. Non da una decisione cosciente.

Spiega perché due risposte alla stessa domanda non sono mai identiche. La predizione ha una componente casuale calibrata. Si chiama temperatura. A temperatura zero, il modello scrive sempre la stessa cosa. Alzandola, diventa più creativo e più imprevedibile.

Spiega soprattutto le allucinazioni. Quando il modello non ha letto abbastanza su un argomento, la statistica dei token successivi non punta a un’unica risposta giusta. Il modello sceglie comunque. Sceglie i token più probabili dato il contesto della domanda. Costruisce una risposta plausibile. Plausibile non significa vera. Significa: che sta in piedi, che suona bene, che si tiene insieme dal punto di vista linguistico. Inventa con eleganza.

Tradotto: quando l’AI sbaglia, non lo fa balbettando o scusandosi. Lo fa con la stessa identica sicurezza con cui ti dice cose giuste. Per te, lettore, le due risposte sono indistinguibili. Per il modello non c’è alcuna differenza.

Proprietà 2 — La conoscenza congelata

Il modello ha letto enormi quantità di testo durante il pre-training. Da quella lettura ha ricavato una rappresentazione interna del mondo. Non un archivio. Una rappresentazione statistica.

Questo significa due cose pratiche.

Prima: la conoscenza è ampia ma irregolare. Sugli argomenti scritti tante volte in modo coerente — la fotosintesi, la matematica di base, la storia romana — il modello è impressionante. Sa più cose di qualunque essere umano. Su argomenti scritti poche volte, o scritti in modo contraddittorio — fatti locali, normative regionali italiane, nomi di artigiani specifici, episodi di una serie TV minore — la conoscenza si sfalda. Le fonti scarseggiavano. Il modello compensa con la predizione statistica. Cioè inventa.

Seconda: la conoscenza ha una data di scadenza. Si chiama knowledge cutoff, lo abbiamo visto nel capitolo precedente. Dopo quella data, il modello non ha letto niente. Niente. Se gli chiedi cosa è successo ieri al Consiglio dei Ministri, e il cutoff è di otto mesi fa, può solo inventare basandosi su come “di solito” vanno queste cose. La risposta sarà credibile e completamente staccata dalla realtà.

C’è un’eccezione: la ricerca web in tempo reale. Se il modello è collegato al web — come Claude lo è di default oggi — può andare a cercare informazioni recenti prima di rispondere. In quel caso la risposta è basata su dati attuali. Ma è un’integrazione esterna, non una capacità del modello in sé. Quando la ricerca web è disattivata, sei tornato al cutoff.

Stessa logica per i documenti aziendali. Il tuo bilancio non era nel dataset di pre-training. Il listino prezzi del tuo studio nemmeno. Per parlarne con l’AI devi dargli tu il documento dentro la conversazione. Lui non lo sa. Non può saperlo.

Proprietà 3 — La memoria di lavoro limitata

Ogni modello ha una finestra di contesto, in inglese context window. È la quantità massima di testo che può tenere “sotto gli occhi” in una singola conversazione.

Si misura in token. I modelli moderni hanno finestre da 100.000 a 1 milione di token. Tradotto in pagine A4 di testo: tra 200 e 2.000 pagine, a seconda del modello e della lingua. È tantissimo. Sembra infinito. Non lo è.

Quando ci infili dentro un PDF di 500 pagine, una conversazione lunga due ore, allegati su allegati, la finestra si riempie. E qui succedono due cose interessanti.

Cosa numero uno: se sfori, l’AI dimentica l’inizio della conversazione. Letteralmente lo perde. Non ha un sistema per archiviarlo da qualche parte. Quello che esce dalla finestra non esiste più. Per il modello è come se non fosse mai stato detto.

Cosa numero due: anche dentro la finestra, l’attenzione non è uniforme. Le informazioni messe all’inizio e alla fine vengono usate meglio di quelle messe in mezzo. È un effetto documentato e si chiama lost in the middle, perso a metà. Quindi se carichi un documento di 100 pagine e fai una domanda che richiede di pescare un dato esattamente a pagina 47, c’è una probabilità tutt’altro che trascurabile che il modello quel dato lo bypassi senza notarlo.

Conseguenza pratica: per documenti lunghi conviene spezzare le domande, riformulare quello che serve, mettere il dato chiave all’inizio del prompt. Non assumere mai che l’AI abbia letto e ricordato tutto con la stessa cura.

Conseguenza pratica numero due: quando una conversazione si sta facendo lunga e confusa, resetta. Apri una nuova chat. Incolla solo il contesto strettamente necessario. Riparti pulito. Questo non è un trucco da nerd: è metodo.

Proprietà 4 — La direzionabilità

L’AI fa quello che le dici di fare. Non fa quello che intendi farle fare.

Questa proprietà si chiama direzionabilità — in inglese steerability — ed è la quarta caratteristica fondamentale. Il modello segue le istruzioni con grande precisione formale. Se gli dici “scrivi in stile formale”, scrive in stile formale. Se gli dici “fai un riassunto in cinque punti”, ottieni cinque punti. Se gli dici “rispondi come se fossi un avvocato”, risponde con la postura linguistica di un avvocato.

Il problema è che segue la lettera delle istruzioni, non lo spirito.

Se gli chiedi «riassumi questo contratto», ti restituisce un riassunto. Tecnicamente. Magari salta clausole importanti perché tu non le hai indicate come prioritarie. Magari mette in evidenza dettagli marginali perché linguisticamente erano più “salienti”. Magari taglia tutto al cinquanta per cento di lunghezza perché di solito i riassunti sono così.

Esempio classico: chiedi «scrivi una mail di 50 parole al cliente». Conta le parole nel risultato. Spesso sono 47, o 53, o 61. Il modello ha capito “breve”, non “esattamente 50”. Non sa contare le parole mentre le sta scrivendo. Predice token, non li conta.

La direzionabilità ha un altro corollario importante: l’AI non spinge indietro. Non ti dice “ma sicuro che vuoi fare questa cosa?” come farebbe un collega esperto. Esegue. Se la istruisci male, sbaglia in modo elegante. Spetta a te dare istruzioni complete, specifiche, controllabili.

Da qui nasce un’abitudine professionale: dare contesto, esempi, criteri di successo, controllo della lunghezza, della struttura, del tono. Più sei preciso, meno spazio lasci al modello per riempire i vuoti a modo suo. È il cuore del metodo delle 4D.

Esempi concreti

Un avvocato carica un contratto di 80 pagine e chiede a Claude un’analisi delle clausole problematiche. La risposta è una sintesi pulita di sei punti. L’avvocato esperto sa che deve verificare di persona ogni punto sul testo originale. Sa che il modello potrebbe aver bypassato qualcosa nelle pagine centrali (memoria di lavoro). Sa che la formulazione delle clausole è stata generata, non copiata (predizione). Sa che l’AI segue la lettera della richiesta (direzionabilità): se non ha specificato di guardare anche le penali, le penali probabilmente non sono nel report.

Un consulente fiscale chiede all’AI di sintetizzare la nuova legge di bilancio italiana, approvata due settimane fa. Senza ricerca web attiva, il modello inventerà articoli plausibili che non esistono — il cutoff non copre quella legge. Con ricerca web attiva, il modello pesca dalla stampa e dai siti ufficiali e produce una sintesi corretta. Il consulente fiscale deve sapere quale modalità sta usando. Non è dettaglio: è la differenza tra usare uno strumento e farsi male con uno strumento.

Un’imprenditrice nel settore moda chiede a Claude i nomi degli stilisti emergenti italiani più seguiti su Instagram nel 2026. Senza ricerca web, riceve cinque nomi plausibili. Tre esistono. Uno è confuso con un altro. Uno è completamente inventato, con biografia credibile. Lei deve verificare ogni nome prima di citarlo nei suoi materiali aziendali.

Un docente di liceo carica trecento pagine di un manuale di storia e chiede dieci possibili domande per un compito in classe sul Risorgimento. Riceve dieci domande pertinenti. Quattro o cinque sono ottime. Le altre vanno riviste perché toccano marginalmente l’argomento. È il “perso a metà” — pagine centrali del manuale che hanno avuto meno peso. Il docente non si stupisce: rilegge, sceglie le migliori, scarta le altre.

Errori da non fare

Trattare la fluidità come prova di correttezza. Una risposta scorrevole non è una risposta vera. È solo una risposta probabile dal punto di vista linguistico.

Caricare il PDF e fidarsi. I documenti lunghi vanno gestiti a pezzi. Per la pagina che ti interessa davvero, conviene incollarne il testo separatamente e fare la domanda specifica.

Pensare che l’AI sappia il presente. Senza ricerca web attiva, il modello vive nel passato. Tutto quello che è successo dopo il knowledge cutoff per lui non esiste.

Dare istruzioni vaghe e aspettarsi miracoli. “Scrivimi una bella mail” non è un’istruzione: è un’aspirazione. L’AI farà qualcosa. Quel qualcosa, statisticamente, non sarà quello che avevi in mente.

Cosa porti a casa

• L’AI predice la parola successiva, non ragiona. È un meccanismo statistico. Tutto il resto è una conseguenza di questo.

• La conoscenza è ampia ma irregolare e congelata. Forte sul comune, debole sul raro e sul recente. Sfora il knowledge cutoff e diventa cieca.

• La memoria di lavoro è ampia ma finita. Oltre la finestra dimentica. Anche dentro la finestra, l’attenzione è disomogenea.

• L’AI è obbediente alla lettera, non allo spirito. Esegue quello che le dici. Non capisce quello che vorresti. La precisione dell’istruzione è responsabilità tua.

• Quando il modello sbaglia, sbaglia con la stessa sicurezza con cui dice cose giuste. Per questo il controllo finale spetta sempre all’umano. Sempre.

---

Capitolo 3

Quello che l’AI non è (e ti raccontano che è)

«L’AI ci ruberà il lavoro». «L’AI ha una sua coscienza». «L’AI sa tutto». «L’AI è quasi perfetta». «L’AI è solo un Google migliorato».

Cinque frasi che hai sentito mille volte. Cinque luoghi comuni. Tutti e cinque sbagliati. E ognuno di questi errori costa soldi all’imprenditore che li tiene in testa quando si siede davanti a Claude per la prima volta.

Il problema non è la curiosità. Il problema è il misto di hype e paura che riempie i giornali, i convegni, i post su LinkedIn. Chi vende corsi gonfia. Chi vende disinformazione spaventa. Chi vuole usare lo strumento finisce in mezzo, con le idee confuse.

Mettiamo paletti.

L’AI generativa è una tecnologia potente e specifica. Fa alcune cose benissimo. Ne fa altre malissimo. Non è quello che ti raccontano i film. Non è quello che ti raccontano i pessimisti. Non è quello che ti raccontano gli entusiasti. È un’altra cosa.

Vediamole una a una. Cinque smentite. Poi tre limitazioni vere — quelle con cui devi fare i conti ogni giorno.

Luogo comune 1 — «L’AI è un Google migliorato»

Falso.

Google indicizza pagine esistenti. Quando cerchi qualcosa, ti restituisce link a documenti che qualcuno ha già scritto. Tu clicchi, leggi, decidi. La verità o falsità del contenuto è responsabilità di chi l’ha pubblicato.

L’AI generativa non indicizza niente. Non punta a nessun documento. Costruisce un testo nuovo, parola per parola, basandosi su quello che ha letto in addestramento. Quel testo non esiste da nessuna parte. Non puoi cliccarci sopra per verificarlo.

Conseguenza pratica: quando l’AI ti dà un fatto, una cifra, un nome, un riferimento normativo, non ti sta restituendo una fonte. Te lo sta producendo. Verifica sempre tu, da fonti terze, prima di firmare. Questa è la regola di base.

Luogo comune 2 — «L’AI ha una sua coscienza»

Falso. E lo è in modo strutturale, non temporaneo.

Non c’è nessuno dentro Claude. Nessuno. Quando ti risponde, non c’è un soggetto che pensa, soffre, vuole, sceglie. C’è una funzione matematica enorme che predice token uno dopo l’altro. La sensazione di parlare con qualcuno è un effetto del fine-tuning, la seconda fase di addestramento che ne ha modellato il modo di rispondere per renderlo cortese e utile.

Questa non è una sfumatura filosofica da convegno. È un punto operativo.

Significa che non puoi delegare giudizi morali. Non puoi delegare scelte di valore. Non puoi delegare la responsabilità di una decisione che impatta persone vere. La macchina genererà una risposta coerente. Non è uno strumento di giudizio. È uno strumento di produzione di testo.

Quando un avvocato chiede a Claude se un cliente debba accettare un patteggiamento, la risposta sarà strutturata, equilibrata, ben argomentata. Sarà una risposta. Non sarà una decisione presa da un avvocato. Lo strumento non ha pelle in gioco. L’avvocato sì.

Luogo comune 3 — «L’AI sa tutto»

Falso. Sa molto. Su molte cose. In modo irregolare.

Lo abbiamo visto nel capitolo precedente parlando della conoscenza congelata. Ribadiamolo dal punto di vista del lettore: la copertura del modello è ampia ma disomogenea. Sa la fotosintesi meglio di te. Forse sa il diritto commerciale italiano. Probabilmente non sa il regolamento del consorzio di tutela del tuo vino locale. Quasi certamente non sa cosa è successo l’altro ieri.

E soprattutto: non sa la tua azienda.

Non sa il tuo listino. Non sa la tua mailing list. Non sa il tuo bilancio. Non sa il tuo cliente storico problematico. Non sa il tuo posizionamento. Non sa la tua voce di brand.

Tutta questa conoscenza non ce l’ha e non può inventarsela. Sei tu che gliela devi dare nella conversazione. Più gliene dai, meglio lavora. Meno gliene dai, più riempirà i vuoti con luoghi comuni — esattamente come ti consegnerebbe un copywriter freelance che non sa niente di te.

Luogo comune 4 — «L’AI è quasi perfetta»

Falso. Su task lineari è bravissima. Su task lunghi o ambigui sbaglia spesso.

Le aziende che adottano AI senza un metodo si dividono presto in due gruppi. Quelle che la usano per task semplici e ben definiti — riassumere, riformulare, tradurre, abbozzare — e ne traggono enorme valore. Quelle che la usano per task complessi senza supervisione — analisi giuridiche, decisioni strategiche, calcoli numerici — e si fanno male.

Stime di settore parlano di un tasso di errore reale che, in compiti complessi e specialistici, può facilmente superare il 30%. Su domande di nicchia, può sfiorare il 50%. Non importa il numero esatto. Importa il principio: una risposta su tre, talvolta una su due, è sbagliata. Sempre con la stessa sicurezza con cui dice cose giuste.

Chi tratta l’AI come uno strumento “quasi perfetto” è destinato a essere sorpreso. E in azienda, una sorpresa di solito si traduce in un cliente arrabbiato o un contratto sbagliato.

Luogo comune 5 — «L’AI sostituirà l’uomo»

Falso. Sposterà i lavori. Cambierà i lavori. Eliminerà alcune mansioni. Non sostituirà l’umano nel suo insieme.

Il McKinsey Global Institute stima che entro pochi anni una quota rilevante delle ore lavorate verrà automatizzata. Stime nell’ordine del 30%. Ma “ore” non significa “lavoratori”. Significa che ogni lavoratore avrà più tempo per le parti del lavoro che la macchina non sa fare: relazione, giudizio, responsabilità, presenza, fiducia, vendita complessa, gestione del cliente difficile, intuizione.

Le aziende che hanno provato a sostituire interi reparti con AI — è successo, e succede — sono tornate indietro. Non perché l’AI sia debole. Perché il lavoro reale è fatto al 50% di cose che l’AI fa e al 50% di cose che solo un umano riesce a fare. Togli l’umano e il sistema collassa.

Tradotto in pratica: l’AI è un amplificatore. Una persona competente con l’AI vale molto di più di quanto valeva prima. Una persona incompetente con l’AI vale poco di più, o esattamente quanto valeva prima — perché non sa cosa chiedere, non sa cosa controllare, non sa cosa correggere. La nuova divisione del lavoro non è tra umani e macchine. È tra umani che sanno usare le macchine e umani che non sanno.

Le tre limitazioni vere (quelle con cui ci vivi)

Smentiti i luoghi comuni, passiamo alle limitazioni reali. Sono tre. Sono strutturali — cioè non spariranno con il prossimo aggiornamento. Sono migliorabili ma non eliminabili. Sono il motivo per cui c’è bisogno di un metodo per usare l’AI seriamente.

Allucinazione. L’AI inventa con sicurezza. Quando non sa una cosa, non te lo dice — produce comunque la risposta che statisticamente sta in piedi. Sentenze inventate. Norme che non esistono. Studi scientifici plausibili ma falsi. Date sbagliate. Statistiche fasulle. Il caso più famoso del 2023 è stato un avvocato newyorkese che ha presentato in tribunale sei sentenze citate da ChatGPT. Tutte inventate. Sanzione disciplinare e copertura mediatica mondiale. Lo stesso scenario si ripete ogni settimana, in scala più piccola, in ogni paese. La protezione è una sola: verifica. Sempre.

Knowledge cutoff. Il modello vive nel passato. Ha una data oltre la quale non sa niente. Tipicamente tra sei mesi e un anno prima del momento in cui lo stai usando. Tutto quello che succede dopo è invisibile, a meno che tu non glielo dia tu, o sia attiva la ricerca web. Per qualsiasi cosa recente — leggi appena uscite, prezzi attuali, notizie di settore, decisioni di banca centrale, normative di emergenza — devi sempre verificare cosa il modello sta usando come base. Se è solo la sua memoria interna, la risposta sul presente è probabilmente sbagliata.

Context window. Il modello ha una finestra di lavoro ampia ma finita. Oltre la finestra, le informazioni cadono fuori e vengono dimenticate. Anche dentro la finestra, l’attenzione non è uniforme: le pagine centrali di un documento lungo possono essere trascurate. Per documenti molto lunghi serve metodo: spezzare, riformulare, mettere all’inizio i punti chiave, fare domande mirate invece che generiche. E periodicamente — quando una conversazione diventa lunga e confusa — resettare e ripartire pulito.

Esempi concreti

Un commercialista chiede a Claude di citare gli articoli del Testo Unico delle Imposte sui Redditi che regolano la deducibilità di una specifica spesa. Senza ricerca web, riceve quattro articoli con numero e descrizione. Due esistono e sono corretti. Uno esiste ma il contenuto descritto è sbagliato. Uno non esiste affatto. Il commercialista non si scompone: verifica ogni riferimento sulla normativa ufficiale. Tempo risparmiato sulla bozza, tempo investito nel controllo.

Una scuola di provincia chiede all’AI nomi di concorsi nazionali a cui partecipare nell’anno scolastico in corso. Senza ricerca web attiva, l’AI inventa nomi plausibili di concorsi inesistenti, con bandi credibili e date credibili. Il referente d’istituto deve sempre verificare i bandi sul sito ufficiale. Non è una formalità: è la differenza tra un progetto reale e una figuraccia.

Un piccolo studio legale chiede una sintesi di una sentenza di Cassazione di otto mesi fa, ben dopo il knowledge cutoff. Senza ricerca web, il modello inventa il contenuto della sentenza basandosi sul tipo di caso. Con ricerca web, la pesca correttamente da banche dati pubbliche. Lo studio deve sapere quale modalità è attiva — è la differenza tra una nota legale utilizzabile e un disastro.

Un’imprenditrice del settore agroalimentare chiede a Claude di valutare il posizionamento di mercato del suo olio rispetto a tre concorrenti locali. Il modello non li conosce — sono piccoli produttori, locali, non scritti mille volte su internet. Risponde lo stesso. Inventa fatturati e quote di mercato. L’imprenditrice deve sapere: questa risposta non vale niente. Deve dargli lei i dati o non chiederlo affatto.

Errori da non fare

Credere che l’aggiornamento risolva. I prossimi modelli saranno più potenti, ma queste limitazioni resteranno. Il tasso di allucinazione cala, non sparisce. La finestra di contesto cresce, ma resta finita. Il knowledge cutoff si sposta, ma c’è sempre.

Confondere “non lo sa” con “non lo dice”. Il modello quasi mai dice «non lo so». Quasi sempre risponde. Quello che ti sembra mancanza di dubbio è incapacità strutturale di sapere quando non sa.

Sostituire un esperto con un prompt. L’AI può aiutare un avvocato. Non può sostituirlo. Può aiutare un commercialista. Non può sostituirlo. Chi vende workshop tipo “diventa avvocato in dieci giorni con l’AI” sta truffando qualcuno.

Spaventarsi e non provare. Le limitazioni sono reali, ma sono gestibili. Le aziende che capiscono come funziona lo strumento lo usano in modo enorme e produttivo ogni giorno. Quelle che si fermano alla paura restano indietro su tempo, costi, posizionamento.

Cosa porti a casa

• L’AI non è ricerca, non è coscienza, non sa tutto, non è infallibile, non sostituisce l’umano. Cinque luoghi comuni da svuotare prima di sederti davanti allo strumento.

• Le tre limitazioni vere sono allucinazione, knowledge cutoff e context window. Strutturali. Non spariscono. Si gestiscono con metodo.

• Quando l’AI sbaglia, sbaglia con la stessa sicurezza con cui dice cose giuste. Per questo la verifica non è opzionale.

• Le sbaglia di più sul recente, sul locale, sui numeri, sui documenti molto lunghi. Memorizza questi quattro contesti: sono quelli in cui devi alzare il livello di controllo.

• Lo strumento è enorme. I limiti sono noti. Conoscerli ti permette di usarlo seriamente — invece di lamentarti che non fa miracoli o di subirlo senza capirlo.

---

Capitolo 4

Tre cose che l’AI fa benissimo, tre che fa malissimo

Quando puoi fidarti dell’AI, e quando no?

Questa è la domanda da centomila euro per qualunque imprenditore italiano nel 2026. Chi sa rispondere usa lo strumento con profitto. Chi non sa rispondere si divide in due categorie: quelli che lo usano dove non dovrebbero (e prendono decisioni sbagliate), o quelli che non lo usano per niente (e perdono competitività rispetto a chi lo usa).

La risposta esiste. Si chiama zona di capacità — in inglese capability zone. È l’insieme dei compiti in cui l’AI è statisticamente forte. Fuori da quella zona, ai bordi, c’è la zona di rischio: i compiti in cui l’AI fa cose plausibili e spesso sbagliate.

Non è un concetto filosofico. È una mappa. Una volta che ce l’hai in testa, smetti di chiederti «posso fidarmi?» e cominci a chiederti «dove sono io adesso su questa mappa?». Cambia tutto.

In questo capitolo guardiamo tre tipi di compito in cui l’AI è imbattibile. E tre tipi in cui è scarsa. Capendo dove cade ogni tuo lavoro, decidi al volo se delegare, se delegare con supervisione, o se non delegare affatto.

Le tre cose che l’AI fa benissimo

1. Lavorare sul linguaggio.

Questo è il territorio in cui l’AI è proprio nata. Riassumere un documento, riformulare un testo in tono diverso, tradurre, correggere bozze, abbozzare email, scrivere copy, generare versioni alternative dello stesso messaggio, trasformare un punto elenco in un paragrafo o viceversa. Tutto questo è ciò per cui i Large Language Model sono stati costruiti. E lo fanno con una qualità che cinque anni fa era impensabile.

Numeri concreti: una mail commerciale di trecento parole che richiedeva venti minuti di scrittura — pensare l’incipit, trovare il tono, smussare la chiusura — diventa una bozza in venti secondi. Una traduzione da italiano a inglese di una pagina, che richiedeva un’ora di lavoro di un traduttore freelance a quaranta euro a cartella, diventa una bozza in dieci secondi. La revisione finale di un umano c’è sempre. Ma il tempo di produzione si comprime di un fattore cento.

Cosa significa per la tua azienda: tutta la comunicazione scritta interna ed esterna può essere accelerata enormemente. Mail ai clienti. Risposte a recensioni. Descrizioni prodotto. Articoli per il blog. Manuali interni. Lettere di sollecito. Newsletter. La voce del brand la metti tu — ma il tempo di scrittura è polverizzato.

2. Sintetizzare contenuti che le carichi.

Il modello è bravissimo a leggere un documento lungo e tirarne fuori i punti chiave. Un contratto di sessanta pagine? Te lo riassume in due. Un transcript di una riunione di un’ora? Diventa cinque punti di azione. Una serie di mail accumulate? Diventa un riepilogo sintetico. Cento recensioni di clienti su Google? Diventano un’analisi di temi ricorrenti.

C’è una differenza enorme rispetto al “chiedere quello che sa”. Quando carichi tu il documento, l’AI non sta tirando a indovinare. Sta lavorando su un testo concreto e verificabile. Le sue allucinazioni si riducono drasticamente. La direzionabilità migliora. Sai esattamente da dove arriva la risposta.

Questo è uno dei trucchi mentali più importanti: quando puoi, dagli tu il contesto invece di chiedergli cosa sa. Se gli chiedi «riassumimi la nuova norma X», potrebbe inventare. Se gli chiedi «riassumimi questo testo della norma X che ti incollo qui», ti restituirà una sintesi corretta.

3. Esplorare alternative e prime bozze.

L’AI è una macchina di possibilità. Chiedile dieci nomi per un nuovo prodotto, te ne fa dieci. Chiedile cinque incipit per un articolo, te li fa. Chiedile tre approcci diversi a una mail difficile, ti dà tre approcci. Chiedile dieci possibili obiezioni che il tuo cliente potrebbe sollevare, te le elenca.

Non significa che le idee siano tutte buone. Significa che il costo di esplorare è quasi zero. Quello che prima costava ore — sederti, pensare, scartare, riprovare — adesso costa secondi. Tu fai il filtro. L’AI fa la quantità.

Una piccola precisazione importante: per le prime bozze, l’AI è un compagno di lavoro eccellente. Per il prodotto finale, la differenza la fai tu. Chi pubblica direttamente quello che l’AI gli dà al primo colpo si vede subito. Chi parte dall’AI e poi lo lavora — taglia, sostituisce, aggiunge tocco personale, verifica — ottiene qualità altissima a velocità altissima.

Le tre cose che l’AI fa malissimo

1. Calcoli precisi e numeri specifici.

I modelli linguistici non calcolano. Predicono token. Se gli chiedi «quanto fa 17,3 per cento di 6.428 euro», ti darà un numero. Sarà un numero plausibile. Sarà a volte giusto e a volte sbagliato. Non perché il modello sia stupido — perché sta predicendo la sequenza di cifre che statisticamente sembra giusta, non sta facendo il calcolo.

Lo stesso vale per: fatturati di aziende specifiche, percentuali di mercato, conteggi precisi, totali di tabelle, calcoli di iva, calcoli di tasso, conversioni di valuta a un cambio specifico. L’AI ci si avvicina. Spesso prende. A volte sbaglia clamorosamente.

I modelli moderni hanno una soluzione parziale: la capacità di esecuzione di codice, cioè scrivere un piccolo programma per fare il calcolo e poi eseguirlo. Quando è attiva, l’AI smette di tirare a indovinare e calcola davvero. Ma devi sapere se nel prodotto che stai usando questa funzione è attiva e quando. In ogni caso: per i numeri che contano in azienda, verifica con un foglio di calcolo. Sempre.

2. Fatti recenti, locali, di nicchia.

L’abbiamo visto nei capitoli precedenti. Il modello ha una conoscenza ampia ma irregolare e congelata. Cose successe nelle ultime settimane: difficili. Cose di area locale: difficili. Cose di settori molto specialistici e poco documentati pubblicamente: difficili. Norme regionali italiane: spesso disastrose. Aggiornamenti di leggi nazionali recenti: pericolose senza ricerca web attiva.

Esempi tipici di domande in cui l’AI vacilla: «chi è oggi il sindaco di questa città?», «qual è il regolamento del consorzio di tutela X?», «qual è il fatturato annuo di questa piccola azienda?», «com’è cambiata la tassazione del settore Y dopo l’ultima manovra?», «chi sono gli operatori principali nel mio settore in questa provincia?». Tutte risposte che richiederebbero accesso a dati che il modello non ha o ha solo in modo parziale e obsoleto.

La regola pratica: per qualunque dato che dipende dall’aggiornamento, dalla località o dalla specificità di settore, non chiedere all’AI di dirtelo. Chiedile di lavorare su informazioni che le hai dato tu, prese da fonte ufficiale.

3. Ragionamento lungo su casi complessi.

L’AI è brava sui passi singoli. Sui ragionamenti che richiedono dieci, quindici, venti passi concatenati, comincia a perdere coerenza. Si dimentica di un vincolo che le avevi dato all’inizio. Reinserisce per coerenza linguistica idee che aveva scartato. Confonde casi simili. Cita una norma e poi nei paragrafi successivi la applica come se dicesse il contrario.

Esempi in cui questa debolezza emerge: la valutazione di una situazione legale complessa con sette vincoli incrociati. L’analisi strategica di un piano di investimento che dipende da otto variabili. La stesura di un contratto su misura per un caso atipico con dieci clausole interdipendenti. La diagnosi clinica su un paziente con sintomi multipli e contraddittori.

In questi scenari l’AI può essere un assistente di stesura — abbozza, mette in ordine, scrive bene — ma non è un decisore. Il giudizio finale richiede un professionista umano che tenga in mente tutti i pezzi insieme. La macchina lavora a corto raggio. L’umano tiene la regia.

Esempi concreti

Un commercialista che gestisce 200 pratiche. Userà l’AI per: scrivere comunicazioni standard ai clienti, abbozzare risposte a richieste comuni, sintetizzare circolari di trenta pagine in due cartelle leggibili, generare prime bozze di pareri tipici. Non userà l’AI per: calcoli specifici di imposta dovuta, verifica della norma applicabile a un caso particolare, decisione sul comportamento da tenere in un contenzioso. Tempo risparmiato sull’amministrazione standard: enorme. Tempo investito sul giudizio professionale: invariato.

Una scuola di provincia. Userà l’AI per: generare bozze di griglie di valutazione, riformulare comunicazioni alle famiglie, sintetizzare normative scolastiche aggiornate fornite dal dirigente, abbozzare progetti per bandi. Non userà l’AI per: valutare uno studente specifico in base alla sua storia, decidere il piano didattico personalizzato di un alunno con bisogni speciali, rispondere a una contestazione di un genitore senza supervisione umana.

Un piccolo studio legale a conduzione familiare. Userà l’AI per: sintetizzare una sentenza fornita come testo, abbozzare una lettera di sollecito, riformulare un parere già scritto in linguaggio più semplice per il cliente, esplorare argomentazioni alternative su un punto di diritto. Non userà l’AI per: cercare giurisprudenza recente senza verifica banche dati ufficiali, calcolare il quantum risarcitorio di un sinistro, decidere la strategia processuale.

Un’imprenditrice che vende olio extravergine online. Userà l’AI per: scrivere ottanta descrizioni prodotto a partire dai dati che fornisce, generare post per social media, abbozzare newsletter ai clienti, tradurre il sito in inglese e tedesco. Non userà l’AI per: prendere decisioni sul listino prezzi rispetto ai concorrenti, scegliere il prossimo distributore commerciale, valutare un contratto con un buyer estero senza supervisione legale umana.

In tutti gli esempi, una costante: l’AI fa il lavoro ad alta frequenza e bassa specificità. L’umano tiene quello a bassa frequenza e alta responsabilità. Questa è la divisione del lavoro che funziona.

Errori da non fare

Delegare i numeri senza verifica. È l’errore più diffuso e più costoso. Un’azienda che si fida dei numeri prodotti dall’AI in un piano industriale, in una fatturazione, in un report al cda, prima o poi finisce in tribunale o con un buco a bilancio.

Chiedere dati che dipendono dal tempo senza fornire la fonte. «Quali sono le aliquote IVA in vigore oggi?», «qual è il prezzo medio di un servizio Y nel mio settore?», «com’è cambiata la normativa Z negli ultimi sei mesi?». Tutte domande in cui l’AI risponderà con sicurezza inventando cose plausibili. Sempre.

Pensare che basti chiedere bene. Se la zona è la zona di rischio — fatti recenti, numeri, ragionamento complesso — anche il prompt più curato non salva. La debolezza non è di esecuzione, è strutturale. Cambiare prompt non aiuta. Cambiare flusso aiuta: dare il dato, fornire la fonte, verificare il calcolo, mantenere la regia umana.

Sotto-usarla per paura. Per i compiti ad alta frequenza in zona di capacità — comunicazione scritta, riassunti, prime bozze, traduzioni — non usare l’AI è una scelta che costa direttamente. Tempo, soldi, competitività. L’errore opposto all’over-fiducia è non meno grave.

Cosa porti a casa

• Esiste una zona di capacità e una zona di rischio. Sapere dove cade ogni tuo compito è la skill più importante per usare l’AI seriamente.

• L’AI è imbattibile su lavoro linguistico, sintesi di contenuti che le carichi tu, esplorazione di alternative. In questi tre territori il tempo si comprime di un fattore cento.

• L’AI è scarsa su calcoli precisi, fatti recenti o locali, ragionamenti lunghi e complessi. Qui il tasso di errore è alto e si paga.

• Tipo “ad alta frequenza, bassa specificità” → delega. Tipo “bassa frequenza, alta responsabilità” → tieni tu. Questa è la regola operativa.

• L’errore di over-fiducia costa, l’errore di under-uso costa quanto. Trovare il punto giusto è una scelta consapevole, non un compromesso.

---

Capitolo 5

Cosa cambia per chi lavora. Davvero.

Il McKinsey Global Institute stima che entro il 2030, in Europa, fino al 30% delle ore lavorate sarà automatizzabile dall’intelligenza artificiale generativa.

Questo numero non significa quello che pensi. Non significa che il 30% delle persone perderà il lavoro. Significa che ogni persona che lavora avrà, in media, il 30% di tempo in più per fare le cose che la macchina non sa fare. È un dato di sollievo, non di catastrofe. Ma solo per chi sa usarlo.

Per gli altri, è un dato che si trasforma in svantaggio competitivo. Mese dopo mese. Anno dopo anno.

L’AI generativa non è un cambiamento incrementale. È un cambiamento di paradigma. E i cambiamenti di paradigma producono sempre lo stesso effetto: dividono le aziende in due gruppi. Quelle che capiscono e si attrezzano. Quelle che aspettano e quando si svegliano sono già fuori mercato. Non c’è una terza via.

In questo capitolo guardiamo tre cose concrete che cambiano nel lavoro reale dopo l’arrivo dell’AI. Tempo, costi, processo. E un quarto pezzo che non cambia mai: la responsabilità. Quella resta sempre in capo all’umano. Anzi: con l’AI pesa più di prima.

Cambiamento 1 — Il tempo

Il tempo è la prima cosa che cambia, ed è quella che si misura subito. In settimane di uso reale, non in convegni.

Una mail commerciale di trecento parole — pensarla, scriverla, rileggerla, rifinirla — richiedeva venti minuti a un professionista. Diventa una bozza in venti secondi più una revisione di tre minuti. Da venti a quattro. Riduzione dell’ottanta per cento.

Una traduzione di un sito di vetrina dall’italiano all’inglese e al tedesco — per un piccolo e-commerce — richiedeva di solito tre settimane: trovare il traduttore, mandare il materiale, ricevere, rileggere, integrare, pagare. Diventa quaranta minuti di lavoro effettivo: prompt iniziale, prima bozza, revisione, qualche aggiustamento. Riduzione del novantotto per cento.

La stesura di un contratto tipo, da un modello, con personalizzazioni cliente per cliente: richiedeva due ore di lavoro di un avvocato senior. Diventa quindici minuti di compilazione assistita e revisione finale. Riduzione dell’ottanta per cento.

Una sintesi di un rapporto di sessanta pagine da inviare al CdA: richiedeva un pomeriggio intero, almeno tre ore. Diventa cinque minuti di lettura iniziale, due minuti per chiedere la sintesi, quindici minuti per rivederla. Riduzione del novanta per cento.

Questi numeri non sono ipotesi. Sono il risultato di studi pubblicati negli ultimi due anni — MIT, Harvard, Stanford, Boston Consulting Group — sui guadagni di produttività reale di aziende che hanno introdotto LLM in produzione. La media è tra il quaranta e il sessanta per cento di tempo risparmiato sui compiti scritti.

Sembra magia. Non lo è. È riduzione del tempo medio di esecuzione su compiti ad alta frequenza e bassa complessità — esattamente la zona di capacità del capitolo precedente. Su quei compiti, l’AI è uno strumento di accelerazione brutale.

E qui scatta il punto importante: il tempo risparmiato non sparisce. Si sposta. Va sulle parti del lavoro che la macchina non sa fare. Relazione con il cliente. Decisioni complesse. Vendita consulenziale. Innovazione di prodotto. Strategia. Gestione delle persone.

L’azienda che capisce questa dinamica risparmia tempo e lo reinveste sul valore. Quella che non la capisce risparmia tempo e basta. Lo lascia sul tavolo. Diventa più veloce a fare cose che valgono meno. Non è un guadagno: è solo accelerazione.

Cambiamento 2 — I costi

Il costo dell’AI per uso aziendale è quasi imbarazzante quando lo confronti con qualunque alternativa. Vediamolo.

Un piano professionale per usare Claude — il piano Pro su Claude.ai — costa intorno ai venti dollari al mese a utente. Un piano Team, pensato per piccole organizzazioni, costa una trentina di dollari per utente al mese. ChatGPT Plus, Gemini Advanced, hanno tariffe analoghe.

Per un’azienda di dieci persone: tra duecento e trecento dollari al mese. Equivalente di uno stipendio orario di un consulente esterno. Solo che invece di un’ora, ti dà migliaia di interazioni e zero tempo di attesa.

Per chi sviluppa applicazioni con l’AI, esiste un’altra modalità: l’API, cioè l’accesso diretto al modello a consumo. Si paga per quantità di testo che chiedi e che ricevi. Una chiamata standard — qualche centinaio di parole in, qualche centinaio di parole fuori — costa centesimi di dollaro. Frazioni di centesimo, in molti casi. Un piccolo agente che invia ogni giorno cinquecento risposte automatiche a clienti, completamente verificate prima dell’invio, può costare meno di trenta dollari al mese di API.

Confronto netto con il pre-AI. Per le stesse attività — scrittura, traduzione, sintesi, generazione di contenuti — un’azienda doveva pagare freelance, agenzie esterne, traduttori. Tariffe minime: cinquanta euro a cartella per una traduzione, trecento euro per una bozza di articolo professionale, cinquemila euro per un piccolo progetto editoriale. Il confronto è tra centinaia o migliaia di euro e centesimi.

Questo non significa che si licenziano gli umani per affidarsi all’AI. Significa che il tetto della produzione aziendale sale di colpo. Un piccolo studio di consulenza che prima poteva seguire venti clienti, con la stessa squadra adesso ne può seguire trentacinque. Un’agenzia di comunicazione che prima sfornava un articolo al giorno per cliente, adesso può sfornare cinque versioni testate. Una scuola di formazione che prima preparava materiali per dieci corsi, ne prepara venticinque.

Cambiamento 3 — Il processo

Il terzo cambiamento è meno visibile dei primi due, ma è quello che spacca davvero in due le aziende. Prima dell’AI, il processo di lavoro in un ufficio si organizzava sulla domanda «chi fa cosa?». Si assegnavano compiti alle persone, si misurava la produttività dei singoli, si scalava il personale se serviva crescere.

Con l’AI, la domanda cambia. Diventa: «cosa delego e cosa no?».

È una domanda diversa. È una domanda di metodo, non di organizzazione. Non riguarda più i ruoli — riguarda i singoli compiti.

In ogni mansione, oggi, c’è un mix. Una parte dei compiti rientra nella zona di capacità dell’AI: comunicazione standard, riassunti, prime bozze, traduzioni, ricerche su materiale fornito. Una parte non ci rientra: giudizio, decisione, relazione, responsabilità verso clienti, valutazione di rischio, vendita complessa. La produttività della persona dipende dalla sua capacità di separare le due categorie e gestirle in modo diverso.

Il dipendente che ha capito questo non lavora con uno stipendio diverso. Lavora con un metodo diverso: delega all’AI tutto quello che può delegare, ricontrolla, mette il proprio nome sopra, e investe il tempo guadagnato sulle parti dove un umano fa davvero la differenza.

Il dipendente che non lo ha capito continua a scrivere mail a mano per venti minuti, traduce a mano, riassume a mano. Lo fa con orgoglio. Continua a lavorare come prima dell’AI. È un orgoglio che gli costerà caro: l’azienda accanto, con la stessa squadra, sta producendo il doppio o il triplo.

Tre anni di questa dinamica e le due aziende non sono più sullo stesso mercato. Una è cresciuta. L’altra è in difficoltà. Non è una previsione: è quello che sta già succedendo nei settori in cui l’AI è entrata per prima — comunicazione, sviluppo software, servizi professionali, e-commerce.

Per le piccole e medie imprese italiane, in particolare, questo cambiamento di processo è la sfida principale. Non è una sfida tecnologica. Le AI funzionano già. Il problema non è installare lo strumento. Il problema è cambiare il modo di lavorare delle persone. Smettere di chiedere «chi può scrivermi questa mail?» e iniziare a chiedere «posso delegarla all’AI e verificare in tre minuti?».

Questo cambia il ruolo del titolare di un’azienda. Non basta più dare strumenti ai dipendenti. Bisogna formarli a usarli. Bisogna definire policy interne: quando l’AI sì, quando l’AI no, come verificare, come citare la sua presenza. È un lavoro nuovo. È inevitabile.

Quello che non cambia: la responsabilità

C’è un pezzo che non cambia con l’arrivo dell’AI. Anzi, pesa più di prima.

Il tuo nome è sopra ogni cosa.

L’AI non firma niente. Non si prende responsabilità. Non risponde davanti a un cliente. Non risponde davanti al Garante della Privacy. Non risponde davanti al fisco. Non risponde davanti a un giudice. Quando una mail che hai mandato al cliente contiene un errore, l’errore è tuo. Quando un contratto firmato dalla tua azienda ha una clausola inventata dall’AI che non hai verificato, la clausola è la tua. Quando una comunicazione al pubblico contiene un dato sbagliato, la responsabilità è dell’azienda che l’ha pubblicata. Non di OpenAI, non di Anthropic, non di Google.

Questo principio si chiama in inglese deployment diligence — in italiano la chiamiamo semplicemente responsabilità a valle. È la consapevolezza che, qualunque sia stato il processo di produzione di un output, chi lo firma è il responsabile. L’AI è uno strumento. La firma è umana.

Tradotto in pratica significa quattro cose:

Verifica i fatti. Prima di firmare qualunque cosa prodotta dall’AI, controlla i fatti citati. Date, nomi, articoli di legge, statistiche, sentenze, cifre. Tutto. Sempre.

Verifica i numeri. Per ogni numero che esce in azienda, fai il calcolo a parte. Con un foglio di calcolo, con una calcolatrice, con un secondo passaggio. L’AI sui numeri sbaglia spesso.

Verifica i diritti. L’AI può ricostruire passaggi da contenuti coperti da diritto d’autore. Per i contenuti pubblicati pubblicamente, verifica che siano originali, non derivati troppo direttamente da fonti esistenti.

Sii trasparente quando serve. Per certi settori — formazione, ricerca, comunicazione istituzionale — la trasparenza sull’uso dell’AI è un’aspettativa professionale, e in alcuni casi un obbligo. Non nascondere il fatto che hai usato l’AI. Dichiaralo dove conta.

C’è anche un quadro normativo che si sta consolidando. In Europa, l’AI Act entrato in vigore nel 2024 ha introdotto obblighi specifici per chi sviluppa AI ad alto rischio e per chi la utilizza in certi contesti — sanità, istruzione, lavoro, giustizia, credito. Per un piccolo imprenditore italiano che usa Claude per scrivere mail commerciali, l’AI Act non comporta praticamente nulla. Per un’azienda di selezione del personale che usa l’AI per filtrare candidature, comporta obblighi precisi di trasparenza e supervisione umana. È bene saperlo per tempo.

Errori da non fare

Pensare che cambi solo la velocità. L’AI non è solo un acceleratore. È un cambio di processo. Le aziende che la usano come “scrittura più veloce” guadagnano un dieci per cento di produttività. Quelle che ridisegnano il modo di lavorare guadagnano molto di più.

Aspettare che si stabilizzi. Questa è una delle frasi più costose pronunciate in azienda nel 2024 e nel 2025. «Aspettiamo che la tecnologia maturi.» Mentre tu aspetti, i concorrenti imparano. Quando lo strumento sarà “maturo”, quelli che hanno imparato saranno avanti di tre anni di esperienza pratica. Non li raggiungi.

Usarla in nascosto. Alcuni dipendenti usano l’AI senza dirlo all’azienda perché temono che venga vista come “imbroglio”. Risultato: i benefici restano individuali, l’azienda non si attrezza, non c’è policy, non c’è metodo, non c’è formazione, e prima o poi qualcuno fa un errore con dati sensibili. Lo strumento va portato alla luce, non nascosto.

Confondere uso massiccio con uso intelligente. Si può usare l’AI dieci ore al giorno per fare male le cose. La quantità non conta. Conta il metodo: scegliere cosa delegare, definire il prompt, verificare l’output, prendersi la firma finale.

Cosa porti a casa

• Il tempo è la prima cosa che cambia. Tra il 40% e il 60% in meno sui compiti scritti. Il tempo risparmiato va reinvestito sulle parti dove un umano fa davvero la differenza.

• I costi crollano. Quello che prima costava centinaia o migliaia di euro adesso costa centesimi. Il tetto produttivo dell’azienda si alza di colpo.

• Il processo cambia: da «chi fa cosa» a «cosa delego e cosa no». È un cambio di metodo, non di organizzazione. Spacca in due le aziende.

• La responsabilità resta sempre umana. L’AI non firma niente. La firma è tua. Verifica fatti, numeri, diritti. Sii trasparente quando serve.

• L’AI Act europeo c’è e si applica. Per la maggior parte delle PMI italiane comporta poco. Per usi in ambito ad alto rischio comporta obblighi precisi. Conoscere le regole è parte del lavoro.

---

Capitolo 6

Da dove cominciare oggi

L’alfabetizzazione AI è la capacità di lavorare con l’intelligenza artificiale in modo efficace, efficiente, etico, sicuro.

Quattro parole. Quattro standard. È questa la definizione che porterai a casa da questo libro. Non è una formula scolastica. Sono quattro condizioni operative che separano chi usa l’AI sul serio da chi ci sta giocando.

Efficace: l’output che ottieni risolve davvero il problema. Non è “ben scritto e basta”: è utile, accurato, allineato al tuo contesto.

Efficiente: il tempo che spendi per ottenerlo, contando prompt più revisione, è minore del tempo che avresti speso facendolo a mano. Sembra ovvio. Non lo è. Molti usano l’AI in modo macchinoso e ci impiegano più tempo di prima.

Etico: rispetti diritti d’autore, privacy delle persone, regole interne della tua azienda, normative del tuo settore. L’AI non ti deresponsabilizza: ti carica di una nuova responsabilità.

Sicuro: non immetti dati riservati in sistemi senza controllo. Non firmi cose senza verifica. Non lasci la regia allo strumento. La firma resta tua.

Tutto quello che hai letto nei capitoli precedenti — cos’è l’AI, come funziona, cosa sa fare, cosa non sa fare, cosa cambia — serve a poter mettere in pratica queste quattro condizioni nel tuo lavoro quotidiano. Adesso la domanda diventa una sola: come si inizia, concretamente, lunedì mattina?

I tre modi di interazione

Prima di scegliere lo strumento, scegli il modo. L’AI generativa può essere usata in tre modi diversi, e capire quale ti serve nel tuo caso fa risparmiare tempo a tutti.

Automazione. Tu dai un’istruzione specifica, l’AI esegue quel singolo compito, si ferma. È il modo classico: chiedi una bozza di mail, ottieni una bozza di mail. Chiedi una traduzione, ottieni una traduzione. È l’uso più comune e quello da cui partono praticamente tutti. È adatto a compiti ben definiti, brevi, ripetibili.

Aumentazione. Tu e l’AI lavorate insieme su un problema. È più simile a una sessione di lavoro con un collega che a una richiesta a un esecutore. Brainstorming, scrittura assistita, analisi di un documento complesso, costruzione di una strategia. Tu porti il contesto e il giudizio, l’AI porta velocità e ampiezza di possibilità. Questo è il modo che produce più valore reale in azienda. È anche quello che richiede più metodo: senza il metodo delle 4D, l’aumentazione diventa caos.

Agenti. L’AI lavora in autonomia per tuo conto su sequenze di compiti più lunghe. Riceve un obiettivo — “rispondi alle email del mio servizio clienti seguendo questi criteri”, “fai un’analisi mensile delle vendite e mandami il report” — e si occupa di tutti i passaggi intermedi. Questa è la frontiera più recente, attiva concretamente da fine 2024. Per la maggior parte delle PMI italiane non è ancora il punto di partenza: è dove arrivi dopo aver padroneggiato i primi due modi.

Da quale partire? Automazione. Sempre. È il modo che ti fa familiarizzare con lo strumento, ti permette di sbagliare in piccolo e imparare. Aumentazione viene dopo. Agenti molto dopo, e con supervisione attenta.

Quale modello scegliere

Sul mercato 2026 esistono tre famiglie di modelli dominanti per uso generale: Claude, ChatGPT, Gemini. A questi si aggiungono altri in crescita: Llama di Meta, Mistral dalla Francia, modelli cinesi come Qwen e DeepSeek. Sono tutti potenti. Sono diversi. Le differenze sono reali, ma meno grandi di quanto sembri leggendo i blog di settore.

Claude, sviluppato da Anthropic, è noto per la qualità della scrittura lunga, il ragionamento articolato, la prudenza nelle risposte su temi sensibili. È spesso preferito per la stesura di documenti professionali, l’analisi di testi complessi, lo sviluppo software. Anthropic mette inoltre a disposizione materiali formativi pubblici e gratuiti rivolti alle piccole e medie imprese.

ChatGPT, sviluppato da OpenAI, è il più diffuso e il più conosciuto dal grande pubblico. Ha un ecosistema vasto di plugin, strumenti, integrazioni. È il modello con cui la maggior parte delle persone ha fatto il primo incontro con l’AI generativa.

Gemini, sviluppato da Google, è naturalmente integrato con Google Workspace — Gmail, Drive, Docs, Calendar. Per chi lavora già nell’ecosistema Google, l’integrazione è il valore principale.

Differenze pratiche reali: di mese in mese cambiano. Un benchmark visto oggi è obsoleto domani. Quello che resta vero è il principio: il modello migliore non è quello con il punteggio più alto in qualche classifica. È quello che tu usi tutti i giorni e di cui conosci bene punti di forza e debolezze.

Consiglio operativo. Scegline uno. Solo uno, all’inizio. Imparalo. Padroneggialo per due o tre mesi. Solo dopo, prova gli altri per confronto. Chi salta da un modello all’altro alla ricerca del “migliore” tipicamente non impara bene nessuno dei tre e produce risultati mediocri con tutti.

I primi tre passi pratici

Senza giri di parole, ecco cosa fare se il libro che stai leggendo è il tuo punto di ingresso nell’AI.

Passo 1 — Iscriviti a un piano professionale. Per il primo uso, gli account gratuiti bastano per provare. Per uso aziendale serio, il piano a pagamento serve: maggiore capacità, finestra di contesto più ampia, accesso ai modelli migliori, gestione dati più sicura. Venti dollari al mese non sono il problema. Il problema è non farlo per sei mesi e accumulare un ritardo enorme.

Passo 2 — Identifica tre compiti tipici della tua giornata. Tre. Non venti. Esempi: rispondere a una mail tipica del tuo settore, sintetizzare un documento che ti arriva ogni settimana, abbozzare un post per i social. Scrivili in una lista. Vai sull’AI e provala su quei tre compiti. Per un mese, fai solo quelli con l’AI. Tutto il resto continua a farlo come prima.

Passo 3 — Tieni un piccolo registro. Una pagina, anche su carta. Per ogni uso annota tre cose: cosa hai chiesto, quanto tempo ci hai messo, quanto era buono il risultato da 1 a 10. Dopo trenta giorni rileggi. Vedrai dove l’AI ti ha cambiato la vita e dove non valeva la pena. Quella mappa è il tuo know-how personale. Da lì decidi su cosa estendere.

Tre passi. Niente di esotico. Niente piattaforme strane. Niente corso di tremila euro. Solo metodo applicato per trenta giorni.

Esempi concreti

Un commercialista che inizia oggi sceglie tre compiti: scrivere comunicazioni standard ai clienti per gli adempimenti periodici, sintetizzare le circolari dell’Agenzia delle Entrate, abbozzare i pareri tipici sulle domande ricorrenti dei clienti. Dopo un mese ha risparmiato in media trenta minuti al giorno. Decide di estendere ad altri due compiti. Alla fine del trimestre, l’AI è entrata in pianta stabile nel suo flusso di lavoro.

Una scuola di provincia parte con tre usi: comunicazioni alle famiglie, griglie di valutazione per nuove attività interdisciplinari, abbozzo di progetti per bandi pubblici. La dirigente è la prima a provare. Dopo due settimane mostra i risultati al collegio docenti. Tre insegnanti decidono di provare. Alla fine dell’anno, la scuola ha una piccola policy interna sull’uso dell’AI.

Un’imprenditrice nel settore agroalimentare comincia da: descrizioni dei prodotti per l’e-commerce, post Instagram settimanali, traduzione del sito in inglese. Risparmio di tempo nel primo mese: l’equivalente di otto ore. Le reinveste sulla rete commerciale: tre nuovi contatti con potenziali distributori esteri. L’AI non le vende l’olio: le restituisce il tempo per andarlo a vendere.

Un piccolo studio legale parte con: riassunto di sentenze fornite come testo, abbozzo di lettere standard ai clienti, prima versione di pareri ricorrenti. Il titolare definisce subito una regola: nessun contenuto generato dall’AI esce dallo studio senza revisione di un avvocato. Il giovane praticante prepara, l’avvocato firma. Tempo di stesura su pareri standard ridotto della metà. Tempo di supervisione resta lo stesso. Capacità complessiva dello studio cresce del trenta per cento.

In tutti gli esempi, una costante: cominciano piccoli, scelgono pochi compiti, misurano, allargano gradualmente. Nessuno ha fatto rivoluzioni in una settimana. Tutti hanno fatto progressi solidi in tre mesi.

Errori da non fare

Provare dieci modelli senza imparare bene nessuno. Il “consumatore di AI” che oggi prova Claude, domani ChatGPT, dopodomani Gemini, e tutti li usa con tre prompt vaghi, non sta imparando: sta facendo turismo tecnologico. Lo strumento si padroneggia con l’uso prolungato.

Aspettare il modello “definitivo”. Non arriverà mai. I modelli continueranno a uscire ogni sei mesi, sempre migliori. Aspettare quello “definitivo” significa rinunciare a tre, cinque, dieci anni di esperienza pratica accumulata da altri. Il modello giusto è quello disponibile oggi.

Iniziare dal problema più difficile. Molti imprenditori, alla prima prova, chiedono all’AI di “fare la strategia aziendale del prossimo anno”. L’AI sforna qualcosa di plausibile, vuoto, deludente. Conclusione affrettata: “non serve”. L’errore è metodologico. Si comincia da compiti piccoli, frequenti, verificabili. La strategia aziendale viene dopo, e con metodo.

Non scrivere mai prompt strutturati. Il prompt una riga «scrivimi una mail» è la prima cosa che si prova. Dovrebbe essere anche l’ultima volta che si fa così. Con il contesto giusto — chi sei, chi è il destinatario, qual è l’obiettivo, qual è il tono, quanto deve essere lungo — l’output cambia di ordine di grandezza. È il primo passo verso un uso davvero professionale dell’AI.

Cosa porti a casa

• L’alfabetizzazione AI è una competenza con quattro standard: efficace, efficiente, etico, sicuro. Non sono parole vuote. Sono le condizioni di un uso serio dello strumento.

• Esistono tre modi di interagire con l’AI: automazione, aumentazione, agenti. Si parte sempre dal primo, si cresce nel secondo, si arriva al terzo solo con metodo solido.

• I modelli principali oggi sono Claude, ChatGPT, Gemini. Sono diversi ma comparabili. Sceglierne uno e padroneggiarlo conta più che provarli tutti.

• I primi passi sono semplici: piano pagamento, tre compiti tipici, trenta giorni, un piccolo registro. Niente di esotico. Solo metodo.

• Il libro che stai chiudendo ti ha dato il vocabolario. Adesso hai le basi per usare l’AI con la testa, non con la paura.

E adesso

Hai capito cos’è l’AI. Hai capito cosa non è. Hai capito cosa cambia.

Adesso ti serve il metodo per usarla davvero senza farti fregare. Quel metodo si chiama le 4D: Delega, Descrizione, Discernimento, Diligenza. Quattro abitudini che, messe insieme, sono il modo di pensare di chi lavora con l’AI in modo professionale.

Delega: cosa affidi all’AI e cosa tieni a te. Descrizione: come dai contesto all’AI perché capisca cosa serve. Discernimento: come valuti la risposta, dove guardare per capire se ha sbagliato. Diligenza: come revisioni, come verifichi, come ti prendi tu la firma finale.

Tienile a mente fin dal tuo primo prompt: sono il filo che trasforma quello che hai appena letto in metodo applicato sul lavoro quotidiano.

---

Chiusura del libro

Adesso conosci il vocabolario. Sai cos’è l’AI generativa, come funziona, cosa fa bene e cosa no, cosa cambia per chi lavora. Sai distinguere zona di capacità e zona di rischio. Sai che la firma resta sempre umana. E hai in mano le 4D — Delega, Descrizione, Discernimento, Diligenza — il modo di lavorare di chi usa l’AI sul serio.

Il vero lavoro inizia ora. E inizia facendo.

Scegli tre compiti della tua giornata, aprili davanti all’AI questa settimana, tieni il tuo piccolo registro. È così che il vocabolario diventa pratica.

Se vuoi farlo con qualcuno che ti guida passo passo, entra nella community gratuita su Skool: video brevi, esempi concreti e persone che partono da dove parti tu. E se vuoi capire dove l’AI può aiutare la tua azienda nello specifico, puoi prenotare una diagnostica gratuita di quindici minuti con me.

👉 https://www.skool.com/l-ai-e-la-nuova-elettricita-8966/about

Ci vediamo dentro.

— Francesco Kei Tudini

---

Back-cover

Cos’è davvero l’intelligenza artificiale?

Non è un robot. Non è un Google migliorato. Non è una mente cosciente. Non è infallibile. E non rimpiazzerà l’umano: amplificherà chi sa usarla.

Otto piccole e medie imprese italiane su dieci non utilizzano AI. La maggior parte di chi non la usa pensa di sapere cos’è. Non è così.

Una guida dedicata a Claude di Anthropic e all’intelligenza artificiale per professionisti, imprenditori e studi. Un libro chiaro, breve, senza tecnicismi, scritto in italiano da consulente a imprenditore. Cinquanta pagine. Sei capitoli. Nessuna formula vuota.

Imparerai a:

• distinguere AI predittiva e AI generativa
• capire come Claude (e gli altri modelli) costruiscono le risposte token dopo token
• riconoscere allucinazioni, knowledge cutoff e finestra di contesto
• individuare le tre cose che l’AI fa benissimo e le tre che fa malissimo
• iniziare lunedì mattina con un metodo in tre passi

Un manuale operativo per chiunque debba prendere decisioni sull’AI in azienda — senza diventare ingegnere. Il punto di partenza necessario per usare lo strumento con la testa, non con la paura o con l’hype.

Per chi è questo libro: imprenditori, professionisti, dirigenti scolastici, consulenti, formatori, chiunque voglia capire l’AI prima di subirla.

Francesco Kei Tudini è consulente e imprenditore AI. Aiuta piccole e medie imprese italiane a usare l’intelligenza artificiale per crescere senza farsi fregare.

👉 Entra nella community gratuita: https://www.skool.com/l-ai-e-la-nuova-elettricita-8966/about

---

---