FOMO kills vision

Siamo nell’era dell’anteprima perpetua. Ogni evento è un trailer. Ogni prodotto una beta pubblica. Ogni idea un pitch da social. Eppure, mentre i riflettori si accendono sull’annuncio del momento, esiste ancora chi progetta senza proclamare. Chi attende. Chi lavora in silenzio.

E se in un mondo drogato di novità, la vera innovazione fosse nella pazienza?

Oggi siamo vittime inconsapevoli di una dopamina da rilascio: quella scarica di piacere che ci attraversa ogni volta che vediamo una novità. Un prodotto in arrivo, una feature trapelata, un keynote in diretta. Scrolliamo per restare aggiornati, ma spesso restiamo solo superficiali. Sappiamo cosa sta per arrivare, ma non comprendiamo cosa sta accadendo davvero.

Nel mezzo di questo rumore, ogni gesto silenzioso sembra un errore. Ogni attesa, una debolezza. Ogni assenza di annuncio, un’occasione mancata.

Ma è davvero così?

Il paradosso della pazienza

Negli anni, Apple ci ha abituati a un paradosso solo apparente: essere in ritardo su tutto, ma in anticipo su ciò che conta davvero. Non è mai stata la prima a introdurre uno schermo touch, un assistente vocale, un visore. Ma è stata la prima a rendere ognuno di questi elementi parte di un sistema coerente. Di un comportamento. Di una cultura.

Perché non basta essere primi. Serve essere giusti. E per esserlo, serve tempo.

Non è solo strategia. È pedagogia dell’innovazione. È un altro modo di abitare il cambiamento: meno teatrale, più sistemico.

Il rumore non è sempre un segnale

Siamo circondati da aziende che annunciano ogni due mesi (se non ogni settimana) un “game changer”. Ogni aggiornamento è “epocale”. Ogni lancio è “il futuro”. Ma quanti di questi prodotti, passata l’euforia iniziale, restano davvero? Quanti cambiano le nostre abitudini? Quanti incidono nel profondo?

Il problema non è l’innovazione. È l’inflazione narrativa che la circonda.

E in questo scenario, la FOMO, la paura di perdersi qualcosa, è diventata una trappola collettiva. Una tensione costante a sapere, vedere, provare tutto prima degli altri. Ma questa ossessione per il “nuovo” rischia di trasformare la nostra attenzione in superficie e il nostro giudizio in reazione. L’ansia di rimanere indietro ci impedisce di capire cosa conta davvero.

Ed è proprio qui che il silenzio, l’invisibilità, l’inazione apparente diventano un atto radicale. Un segnale forte. Un’anticipazione non dell’oggetto, ma del metodo.

Progettare nel tempo, non per il tempo

Ci sono aziende e persone che non rilasciano subito perché stanno ancora osservando. Ascoltando. Testando. Non per paura, ma per rispetto. Perché sanno che introdurre un’innovazione non è solo un atto tecnico, ma un gesto culturale e più efficace.

E la cultura non si forza. Si accompagna.

La pazienza, in questo contesto, non è lentezza. È precisione. È lo spazio tra comprensione e azione. È la qualità che distingue chi costruisce un futuro da chi cerca solo attenzione nel presente.

Pazienza ≠ silenzio

Vale la pena chiarirlo: tutto questo non è una critica al build in public, oggi sempre più diffuso tra startup, indie maker e product designer. Raccontare il processo, aprirsi ai feedback, co-progettare con la community può essere potente e generativo.

Ma build in public non è sinonimo di annunciare tutto. Non è marketing travestito da trasparenza. È un approccio evolutivo, coerente, che funziona quando è supportato da una visione, un contesto, una cultura di feedback reali.

La pazienza, dunque, non è in opposizione al costruire in pubblico. Al contrario: è ciò che permette di farlo con senso. Di non rincorrere l’hype. Di decidere cosa mostrare, quando e perché. Di comprendere che non tutto deve essere condiviso, e che non tutto può esserlo, soprattutto quando si lavora su sistemi complessi, infrastrutture profonde, trasformazioni che richiedono maturazione.

Serve discernimento. Non esibizionismo.

Contro la sindrome dell’hype

Viviamo immersi in un hype cycle perenne. Eppure, la parte più difficile oggi non è lanciare qualcosa. È farlo nel momento giusto. Quando le persone sono pronte. Quando l’ecosistema è pronto. Quando l’infrastruttura c’è. Quando l’impatto è sostenibile.

Ogni innovazione prematura è un’idea che rischia di bruciarsi. Ogni tecnologia fuori tempo è una lezione persa. E no: questo non significa non validare. Ma significa farlo con metodo, non con clamore. Lavorare per solidità, non per visibilità.

L’anti-teaser è già realtà

Alcuni segnali ci sono, e si muovono controcorrente. C’è chi sta togliendo parole per lasciare spazio all’esperienza. Chi sta eliminando gli schermi per far emergere l’ambiente. Chi non annuncia l’AI, ma la incorpora silenziosamente. Chi non mostra, ma lascia intuire.

E poi, quando meno te lo aspetti, cambia tutto. Non perché è stato detto. Ma perché era già stato fatto.

La pazienza non è assenza. È strategia.

Forse il vero coraggio oggi non è arrivare per primi. Ma scegliere di arrivare quando serve. Sapendo che ogni novità troppo veloce rischia di diventare rumore. E che ogni cosa pensata con cura ha un tempo proprio — spesso diverso da quello dei social, dei media, del mercato.

Chi costruisce il futuro, davvero, lo fa senza farsi notare.

Fino al giorno in cui tutto cambia.

E noi, ancora una volta, diremo: “Ma com’è che non l’avevamo visto arrivare?”

Apple, l’AI, il contesto ed il paradosso dell’innovazione e della pazienza.

In questi giorni, il web e i mercati reagiscono con tono deluso al keynote del WWDC 2025: niente AI. Nessuna “AI Apple”. Nessun modello proprietario, nessun assistente rivoluzionario, nessuna dichiarazione forte. Solo aggiornamenti di sistema, funzioni incrementali, nuove integrazioni.

Eppure, se si osserva la storia di Apple con uno sguardo lungo, non dovrebbe sorprenderci. Perché Apple (quasi mai) ha fatto la prima vera mossa. Ma ha sempre fatto quella definitiva.

Il paradosso dell’innovazione tardiva

1998: iMac

  • Contesto: i PC erano grigi, complicati, pieni di cavi e direi anche con un’estetica scadente.
  • Apple: un solo cavo, design colorato e minimale, USB-only, plug and play. Non inventa il computer, ma reinventa il concetto di accessibilità e desiderabilità.
  • E gli altri: Tutti i brand iniziano a spingere su design più curato, semplicità d’uso e porte standardizzate.

2001: iPod

  • Contesto: il trend era quello di scaricare (tonnellate) musica da Napster, e ascoltarla in mobilità nei lettori MP3 presenti all’epoca, con storage limitati, interfacce “fisiche” molto più vicine ai vecchi Walkman.
  • Apple:1000 canzoni in tasca” e iTunes. Ecosistema + semplicità + design + sincronizzazione, tutto in uno, ma soprattutto legalità nell’esperienza di ascolto della musica.
  • Dopo Apple: Creative, Sony e altri provano a replicare. Ma senza un software come iTunes, l’esperienza resta frammentata.

2007: iPhone

  • Contesto: Nokia, Blackberry, Palm dominavano il mercato.
  • Apple: interfaccia multitouch fluida, niente tastiera fisica. Il telefono diventa piattaforma.
  • Dopo Apple: Android cambia direzione, Nokia crolla, Microsoft inizia un declino nel mondo OS e smartphone. La definizione delle linee guida progettuali per le app impone agli altri ecosistemi un cambio di approccio e miglioramento dell’esperienza.

2008: App Store

  • Contesto: gli smartphone erano dispositivi chiusi, con software preinstallato o accessibile solo da accordi B2B.
  • Apple: lancia l’App Store, aprendo l’iPhone agli sviluppatori indipendenti con un modello di revenue sharing (70/30), strumenti di sviluppo (SDK), linee guida di design e un processo di review centralizzato.
  • Dopo Apple: si crea un’economia digitale completamente nuova, con centinaia di migliaia di sviluppatori e aziende che costruiscono business basati su mobile app. Google risponde con Android Market (poi Play Store), ma con meno controllo qualitativo. Nokia e Microsoft non riescono a costruire ecosistemi sostenibili e perdono il mercato.

2010: iPad

  • Contesto: netbook, ebook reader, tablet marginali.
  • Apple: crea una nuova categoria tra laptop e smartphone. Mobilità, leggerezza, interfaccia su misura per una esperienza lavorativa o di intrattenimento in una zona intermedia tra smarthone e desktop.
  • Dopo Apple: Google, Samsung e Amazon rincorrono con Android, ma senza una UX verticale e coerente non riescono a imporsi allo stesso modo.

2012: Apple TV

  • Contesto: la smart TV era un terreno confuso, con interfacce poco fluide e offerte disaggregate.
  • Apple: rilancia Apple TV con focus su entertainment integrato, AirPlay, App Store per TV, e un’interfaccia coerente con l’ecosistema iOS, creando una continuità di esperienza tra device personale e connessione con spazio casalingo
  • Dopo Apple: Google ristruttura Android TV e lancia Google TV; Amazon investe su Fire TV. Inizia la corsa all’integrazione tra servizi OTT, assistenti vocali e dispositivi domestici.

2014: Apple Watch

  • Contesto: smartwatch esistenti (Pebble, Galaxy Gear), ma ancora di nicchia.
  • Apple: focus su salute, notifiche, lifestyle e perfetta integrazione con l’iPhone.
  • Dopo Apple: Android Wear si adegua, nascono ecosystem health-first (Fitbit, Garmin), ma Apple conquista il segmento premium e sanitario e nel segmento watch (non smart) diventa significativa.

2016: AirPods

  • Contesto: cuffiette Bluetooth presenti ma scomode e poco integrate.
  • Apple: esperienza seamless, pairing istantaneo, ricarica magnetica nella custodia.
  • Dopo Apple: tutti i produttori lanciano TWS, ma nessuno raggiunge la stessa immediatezza d’uso. L’accoppiamento istantaneo diventa lo standard aspirazionale.

2016–2020: Rimozione jack audio, BLE, NFC e FaceID

  • Contesto: standard tecnici consolidati ma poco evoluti ed integrati nella vita di tutti i giorni.
  • Apple: elimina il jack audio con coraggio strategico; spinge il Bluetooth Low Energy e l’NFC per pagamenti rapidi e sicuri (Apple Pay); introduce il Face ID come nuova soglia d’ingresso, abilitando il Wallet e la digitalizzazione dell’identità.
  • Dopo Apple: Samsung inizialmente critica la scelta, poi segue; Android integra NFC payment (fino a prima usato solo per trasferimento dati); il riconoscimento facciale diventa standard.

2023: Vision Pro

  • Contesto: Oculus, HTC Vive e altri visori AR/VR già sul mercato.
  • Apple: introduce lo Spatial Computing, interfaccia oculare e gestuale, contenuti immersivi. Più di un visore, un ambiente personale computazionale, integrato nell’ecosistema di tutti gli altri device.
  • Dopo Apple: I competitor cominciano a rivedere le proprie roadmap su AR/VR, integrando eye tracking e ricalibrando il focus sulla produttività immersiva. Samsung e Android, lanciano un dispositivo che utilizza il concetto di powerbank esterno al visore, come introdotto da Apple (elemento contestato da tutti al momento dell’uscita)

2025: LiquidGlass e l’apprendimento dell’interazione futura

  • Contesto: UX mobile ancora dominante, esperienze AR/VR in fase esplorativa.
  • Apple: inizia a spostare il paradigma verso una realtà aumentata integrata e continua. LiquidGlass (che vorrei segnalare che è in Beta, e come tutte le Beta serve anche a capire e migliorare) non è solo un’interfaccia: è un processo di apprendimento distribuito. L’interazione diventa trasparente e coerente con il reale, predisponendo l’esperienza a quello che evolverà in Vision pro e Glass futuri.
  • Dopo Apple: Le Big Tech iniziano a parlare di ambient intelligence e ambient interface. La UX non è più visibile, ma comportamentale.

E poi, Bonus, per non parlare degli impatti della fotocamera e rivoluzione visiva

  • Contesto: Le fotocamere sugli smartphone erano accessorie e non centrali.
  • Apple: trasforma la fotocamera in uno strumento creativo e relazionale (foto, video, FaceTime, AR), con attenzione a software computazionale e qualità.
  • Dopo Apple: tutti i competitor iniziano a investire su AI photography, miglioramento software e sensori evoluti (Samsung ne fa oggi il suo cavallo di battaglia). Il comparto foto/video diventa motore d’acquisto.

L’arte dell’integrazione (e della pazienza)

Apple non è (quasi mai) la prima a inventare una tecnologia. Apple è (quasi sempre) la prima a integrarla in modo tale da trasformarla in un comportamento diffuso, semplice, desiderabile.

Ed il vantaggio competitivo non è solo tecnologico. È esperienziale . Come disse Simon Sinek in un celebre TED Talk: “People don’t buy what you do; they buy why you do it.”

Ogni volta che Apple entra in gioco:

  • rende coerente l’esperienza tra hardware, software e servizi.
  • elimina attriti cognitivi e le frizioni tecniche.
  • costruisce un ecosistema dove ogni prodotto ha senso solo dentro il tutto, nel bene e nel male.

E lo fa con una sensibilità unica per l’interfaccia, per i dettagli invisibili, per il linguaggio. E soprattutto per il contesto.

Il contesto come intelligenza

È proprio qui che entra in gioco l’approccio di Apple all’AI. Nel paper The Illusion of Thinking, Apple “smonta” l’idea che un modello linguistico sia automaticamente “intelligente”, sottolineando come spesso generi illusioni di comprensione prive di reale utilità.

Il report è stato ampiamente criticato: molti lo hanno definito una cantonata, un errore di valutazione, uno studio fuorviante. Ma pochissimi hanno discusso le basi di partenza, dichiarate con chiarezza, e soprattutto lo scopo di quell’analisi. Il vero problema è che tutti hanno guardato il dito, ma non dove Apple sta provando a indicare.

Perché la vera domanda non è “quanto è potente un modello generativo”, ma “quanto può essere utile, efficiente e controllabile nel contesto di un dispositivo reale, personale, limitato in termini di risorse ma sempre acceso e connesso”.

È in quella direzione che Apple a mio avviso sta guardando: l’AI non come entità remota da interrogare, ma come presenza diffusa che si adatta al nostro ambiente e lo anticipa. Una AI capace di vivere sul dispositivo, nel sistema, tra i nostri dati, in modo contestuale, sicuro e trasparente.

Apple non testa modelli per battere benchmark a mio avviso, ma per capire cosa serve davvero quando l’AI deve vivere localmente, sui dispositivi, e adattarsi alla complessità quotidiana dell’utente.

Non si tratterà di avere un assistente. Ma di essere assistiti, senza accorgersene. Non un prompt. Ma un’anticipazione. Non una feature. Ma una nuova grammatica dell’interazione.

L’AI di Apple, secondo me, sarà:

  • invisibile ma presente ovunque: non un’app, ma un layer distribuito.
  • integrata in tutti i livelli di interazione: voce, testo, occhio, gesture.
  • privata per design: non solo marketing, ma architettura.
  • sicura e personale: ancorata al device, non alla nuvola.
  • contestuale e adattiva: in grado di capire se sto lavorando, chattando, leggendo o cucinando.

Questa AI abiliterà un’esperienza di continuità autentica:

  • mi sposto da iPhone ad Apple TV e il contenuto mi segue.
  • inizio una nota su Mac, la finisco a voce su iPad.
  • faccio una ricerca con lo sguardo, continuo con la voce.
  • mentre scrivo una mail, l’AI capisce che sto rispondendo a un problema ricorrente e mi suggerisce un documento interno già condiviso.
  • se sto preparando una presentazione e ho aperto le note di una call precedente, l’AI mi mostra i punti chiave e mi propone slide generate su misura.
  • quando accedo all’auto, sa che ho una conference call tra 15 minuti e mi propone il collegamento via CarPlay.
  • sto parlando con una persona e chiedo di salvare il numero di telefono e mentre me lo dice si attiva.
  • ricevo un messaggio da un cliente, e senza cercare nulla mi propone le tre risposte più coerenti con il mio tono passato.
  • mentre guardo un documento, capisce che sto preparando una riunione e compone in background una scaletta, collegando contenuti, date e allegati già usati.
  • apro il calendario e mentre inserisco un appuntamento, l’AI nota un conflitto implicito (es. tempo di spostamento insufficiente) e propone alternative logistiche.
  • se ascolto una conference call in cuffia, capisce che ho cambiato lingua e inizia la traduzione simultanea senza interruzioni.

E potrei continuare con cose , che in parte già facciamo, con diversi strumenti, con diverse app, ma in un posto, in modo sempre più naturale, integrato e non visibile.

Invece di una AI che si mostra, Apple costruirà una AI che si dissolve nell’esperienza. Che sa cosa fare, quando farlo e soprattutto quando non disturbare.

E mentre tutti cercano di farci credere che l’AI sia un oggetto, Apple studia come farla diventare un ambiente.

Tutti vogliono sapere cosa Apple dirà sull’AI. Io sto aspettando di vedere cosa ci farà fare.

Learning by Building with AI: come la prototipazione veloce sta riscrivendo l’innovazione

In un’epoca di trasformazione accelerata, l’avvento dell’AI generativa rappresenta un cambiamento dirompente – quasi uno shock organizzativo – che impone alle aziende di apprendere più velocemente che mai. Invece di pianificare a lungo termine nell’incertezza, le organizzazioni stanno adottando un approccio learning-by-doing potenziato dall’AI: imparare costruendo prototipi e soluzioni reali con l’AI, in tempo reale. Questo cambio di focus nasce dalla necessità di adattarsi a contesti ad alta incertezza e rapidità di cambiamento. Basti pensare che strumenti come ChatGPT hanno raggiunto oltre 1 milione di utenti in cinque giorni dal lancio, segnale di un’adozione senza precedenti. Parallelamente, l’adozione aziendale dell’AI sta crescendo in modo esplosivo: nel 2024 il 78% delle organizzazioni dichiarava di usare l’AI, rispetto al 55% dell’anno precedente. Di fronte a questa accelerazione, le imprese all’avanguardia stanno passando dal semplice “studiare l’AI” al “costruire con l’AI” – sperimentando sul campo per capire rapidamente come creare valore. Il focus di questa sesta edizione di InsideTheShift è dunque su “Learning by Building with AI”: come apprendere facendo leva sull’AI generativa, trasformando l’incertezza in opportunità di innovazione concreta.

Understanding the Shift: capire l’incertezza

Perché “imparare facendo” con l’AI è diventato il mantra dell’innovazione odierna? In contesti turbolenti, nessuno possiede tutte le risposte su come usare al meglio l’AI generativa – nemmeno i CEO. Un recente sondaggio BCG ha rivelato che il 52% dei CEO ammette di non comprendere appieno l’AI generativa e addirittura ne scoraggia l’uso interno, temendo rischi e incognite. Eppure, questa incertezza generalizzata è esattamente il motivo per cui è fondamentale sperimentare: nessuno oggi “capisce pienamente” l’AI generativa, perciò attendere passivamente chiarimenti è un errore. La pattern di successo emersa è piuttosto quella di coltivare una cultura di sperimentazione consapevole e di “apprendimento attivo sul campo”. Le organizzazioni che osano fare testando l’AI nel proprio contesto sviluppano conoscenze pratiche e vantaggi competitivi, mentre chi rimane in attesa rischia di subire il peggio di entrambi i mondi: non comprenderanno l’AI riusciranno a tenere il passo dei concorrenti proattivi.

Inoltre, molte aziende scoprono che i propri dipendenti sono pronti e motivati a sperimentare con l’AI. In un sondaggio su 500 leader IT, solo il 2% vedeva l’AI come una minaccia per la propria carriera, mentre il 61% crede che l’AI migliorerà il proprio lavoro o creerà nuove opportunità. Piuttosto che resistere al cambiamento, i talenti in azienda sono “ready, willing and able” di abbracciare l’AI e trovare modi ingegnosi per fare meglio il proprio lavoro. Questa predisposizione positiva riduce l’attrito e favorisce un mindset di apprendimento continuo.

Non è la prima volta che viviamo una trasformazione così rapida: l’adozione massiccia dello smartphone fu un precedente “shock” tecnologico – ricordiamo che persino leader visionari inizialmente sottovalutarono l’iPhone. La lezione appresa è che chi sottostima un cambiamento di paradigma poi se ne pente. Oggi, con l’AI generativa, “nessuno fra qualche anno rimpiangerà di averla presa troppo sul serio o di essersi mosso troppo velocemente”. Al contrario, le aziende lungimiranti riconoscono che per capire davvero come l’AI può creare valore, bisogna sporcarsi le mani: provare casi d’uso reali, iterare rapidamente e imparare dagli errori. In sintesi, comprendere questo shift significa accettare che sperimentazione e apprendimento pratico non sono attività parallele al lavoro – sono il lavoro stesso in epoca di AI.

The Core: un nuovo motore per l’innovazione

Al cuore di “learning by building with AI” c’è una metodologia pragmatica: sperimentazione rapida, prototipazione veloce, validazione continua. In pratica, le aziende pioniere adottano cicli brevi di sviluppo in cui l’AI generativa è integrata come strumento creativo e acceleratore. I passaggi fondamentali di questo approccio comprendono:

  • Rapid Prototyping con AI: sfruttare modelli generativi (come LLM tipo GPT-4, generatori di immagini o di codice) per sviluppare proof-of-concept in tempi lampo. Funzionalità che prima richiedevano mesi di sviluppo possono oggi essere costruite in giorni o ore semplicemente scrivendo i giusti prompt. Come osserva Andrew Ng, grazie all’AI “capacità che prima richiedevano mesi possono a volte essere prototipate in giorni o ore”. Ciò consente ai team di materializzare un’idea quasi immediatamente e metterla alla prova sul campo. Un esempio pratico: startup tech riferiscono di riuscire a generare MVP (Minimum Viable Product) basati su AI in un weekend, laddove uno sviluppo tradizionale avrebbe impiegato settimane – cambiando radicalmente le regole del gioco per il time-to-market.
  • Validazione ed Iterazione Continua: una volta creato un prototipo con l’ausilio dell’AI, si passa subito a testarlo e raccogliere feedback rapidi (dai colleghi, da un piccolo gruppo di utenti, o tramite simulazioni interne). L’adozione del classico ciclo build–measure–learn del Lean Startup viene così compressa e accelerata dall’AI: se costruire un prototipo richiede solo pochi giorni, anche il ciclo di feedback deve contrarsi di conseguenza. Le organizzazioni di successo implementano mini-esperimenti continui, pronti a cambiare rotta (“pivot”) sulla base di ciò che funziona o meno. Importante è anche definire metriche chiare per valutare rapidamente ogni esperimento (es. % di miglioramento in un processo, gradimento utenti, riduzione tempi). Questa iterazione costante crea un flusso di apprendimento pratico: ogni prototipo insegnia qualcosa, anche quando fallisce.
  • Scale-up responsabile: mano a mano che un’idea è validata in piccolo, l’approccio learning-by-doing prevede di scalarla gradualmente, integrando l’AI nei processi reali. In questa fase entrano in gioco “guardrail” (corridoi di sicurezza) per un’adozione sicura: linee guida etiche, governance e monitoraggio dei risultati. Molte imprese creano team dedicati o champion interni per guidare questi progetti AI in fase pilota e garantirne l’allineamento strategico. Ad esempio, si nominano esperti per “sorvegliare, fare coaching e arbitrare” l’uso dell’AI nei team, bilanciando libertà di innovazione con controllo dei rischi. L’approccio “learn by building” non è anarchia creativa, ma sperimentazione strutturata: piccoli progetti, obiettivi chiari, monitoraggio costante e condivisione delle lezioni apprese in tutta l’organizzazione.

Questo nucleo metodologico si applica trasversalmente: dai team di sviluppo prodotto, ai reparti marketing che testano campagne generate dall’AI, fino alle risorse umane che prototipano chatbot interni per il training. La parola d’ordine è “fare per imparare”, il che richiede strumenti e un ambiente adeguato. Tool e tecniche abilitanti includono: piattaforme di prototipazione veloce (anche no-code/low-code con AI integrata), API cloud AI pronte all’uso, servizi come GitHub Copilot per accelerare la programmazione, e tecniche di prompt engineering per ottenere dall’AI output utili nei primi tentativi. Alcune organizzazioni allestiscono veri sandbox o AI Lab interni, dove i team possono sperimentare liberamente con modelli generativi su dati aziendali, senza impattare i sistemi di produzione. Il core di learning-by-building è dunque un mix di mindset (sperimentiamo!), metodo (cicli rapidi, MVP, feedback loop) e tecnologia (gli strumenti AI che rendono tutto più veloce).

Un esempio emblematico di questo approccio in azione: CVS Health, colosso USA della sanità, ha lanciato un hackathon aziendale di 6 settimane per esplorare l’AI generativa. In poco più di un mese, 21 team interfunzionali hanno prodotto 36 idee, sviluppato 18 prototipi e infine selezionato 6 soluzioni pilota pronte per l’implementazione. Il tutto, affrontando sfide reali: ad esempio, uno dei prototipi vincenti è stato un chatbot AI per i clienti, destinato a ridurre drasticamente il volume di chiamate ai call center. La chiave del successo? Un processo ben orchestrato: primo, partecipazione diffusa (hanno coinvolto dipendenti da 21 reparti diversi); secondo, prototipazione lampo (idee raccolte su una piattaforma condivisa e trasformate in demo funzionanti in pochi giorni); terzo, allineamento strategico (i criteri di valutazione premiavano le idee in linea con le priorità di business di CVS). Iniziative come questa dimostrano che un’innovazione strutturata e inclusiva può trasformare tecnologie emergenti in soluzioni scalabili rapidamente. In sostanza, CVS non ha semplicemente studiato le potenzialità dell’AI su carta: ha imparato facendola, costruendo prototipi concreti e traendo in poche settimane intuizioni che avrebbero richiesto mesi con approcci tradizionali.

The Broader Shift: come ripensare le aziende nell’era degli shock

L’adozione trasversale dell’approccio learning-by-building con l’AI porta benefici che vanno oltre i singoli progetti, innescando un cambiamento più ampio in azienda. In primis, i risultati tangibili di queste sperimentazioni alimentano un circolo virtuoso strategico: riduzione drastica del time-to-market, maggiore agilità e una cultura aziendale improntata all’apprendimento continuo. Ad esempio, ripensando i propri processi di marketing con l’ausilio massiccio di agenti AI, Accenture è riuscita a ridurre i compiti manuali del ~30% e accelerare la velocità di go-to-market dal 25% fino al 55%. Questi numeri indicano un vantaggio competitivo notevole: prodotti e campagne lanciati in metà tempo rispetto al passato significano soddisfare i bisogni dei clienti prima dei concorrenti. Inoltre, i dipendenti liberati da attività ripetitive possono concentrarsi su compiti strategici e creativi a valore aggiunto. Infatti, gli studi confermano che l’AI generativa, se ben usata, aumenta la produttività e può aiutare a colmare gap di competenze nel workforce invece di ampliarle. In altre parole, la sperimentazione con l’AI non solo velocizza i processi, ma fa crescere le persone: ogni progetto è un’occasione per sviluppare nuove skill digitali e per diffondere una mentalità più aperta al cambiamento.

Un altro beneficio strategico è l’adattabilità organizzativa. Un’azienda che pratica il learning-by-doing allenato dall’AI diventa più reattiva agli shock esterni. Si consideri l’esempio di un grande gruppo manifatturiero che, di fronte a improvvisi cambi di mercato, attiva in poche settimane decine di micro-progetti con AI per esplorare soluzioni (dall’ottimizzazione della supply chain con modelli predittivi, a nuovi servizi digitali per i clienti). Alcune organizzazioni hanno persino istituito nuove figure per orchestrare questo fermento: una manager intervistata riporta di aver creato il ruolo di “Head of Generative AI” il cui compito è “dare un senso e coordinare le centinaia di esperimenti che abbiamo in corso ogni giorno”. Ciò illustra come le imprese leader stiano passando da progetti AI isolati a un portfolio continuo di esperimenti, governati però con metodo. Dal punto di vista organizzativo, ciò implica rompere sili e favorire la contaminazione di competenze: sviluppatori, data scientist, esperti di business e persino figure non tech collaborano fianco a fianco in team agili focalizzati su prototipi AI. Questa collaborazione cross-funzionale – spesso emersa nei contesti di hackathon interni – alimenta un trasferimento di conoscenze rapido e crea coesione attorno all’innovazione.

Naturalmente, abbracciare questa filosofia richiede un’evoluzione della leadership e del mindset aziendale. I leader devono incoraggiare l’apprendimento attivo e accettare un certo grado di rischio calcolato. Serve leadership “visionaria” ma concreta, capace di ispirare sperimentazione ma anche di fornire i giusti strumenti e supporti. Ad esempio, le aziende più mature in questo percorso investono in programmi di upskilling massicci: Accenture, per dire, ha lanciato un programma di training generativo per migliaia di dipendenti, e nel suo reparto Marketing ha affiancato ad ogni “AI agent” un people lead umano incaricato di “addestrare” l’agente e trasferire feedback bidirezionale. Questo approccio riflette una cultura di sperimentazione continua, dove umani e AI imparano insieme in un rapporto di partnership e fiducia reciproca.

Cambiano anche i modelli di apprendimento organizzativo: dal tradizionale training top-down si passa a un apprendimento on-the-job distribuito. I dipendenti diventano studenti e insegnanti allo stesso tempo – imparano dall’AI ma anche insegnano all’AI (ad esempio tramite il feedback iterativo ai sistemi generativi). Le organizzazioni all’avanguardia valorizzano e premiano questo comportamento. Alcune hanno introdotto sistemi di incentivazione che riconoscono chi sperimenta nuove soluzioni AI o condivide le lezioni apprese con il resto dell’azienda.

In sintesi, il broader shift consiste nel vedere l’AI generativa non come un semplice strumento tecnico, ma come un catalizzatore per ridisegnare il modo in cui l’azienda apprende e innova. Si tratta di “ri-cablare” processi e workflow perché l’AI possa esprimerne tutto il potenziale. Questo può voler dire riorganizzare interi flussi di lavoro attorno a nuove capacità (McKinsey rileva che già il 21% delle aziende che usano l’AI ha fondamentalmente ridisegnato almeno alcuni processi grazie all’AI). In definitiva, il cambiamento più ampio portato dal learning-by-building with AI è una azienda più veloce, adattabile e ‘apprendente’: veloce nel portare innovazioni sul mercato, adattabile ai cambiamenti di contesto, e sempre in modalità di apprendimento e miglioramento continui.

What’s Next: imparare e scalare il business

Cosa ci riserva il futuro prossimo se percorriamo la strada del learning by building con l’AI? Possiamo aspettarci un’ulteriore pervasività dell’AI generativa in ogni aspetto del business e del lavoro quotidiano. Molto presto, ogni nuovo dipendente arriverà in azienda con strumenti come ChatGPT sul proprio telefono e li considererà parte naturale della cassetta degli attrezzi. Analogamente, i clienti diventeranno sempre più abituati ad interagire con assistenti AI nelle app, nei siti e nei servizi di supporto di qualsiasi azienda. Questo significa che le imprese dovranno continuare a imparare e costruire insieme all’AI per stare al passo con aspettative in rapida evoluzione. Chi oggi sperimenta con l’AI per migliorare prodotti e processi, domani dovrà integrarla stabilmente su scala più ampia. Ciò richiederà di passare dalla fase pionieristica (molti esperimenti localizzati) a una fase di implementazione sistematica: le metodologie e buone pratiche apprese nei pilot andranno incorporate nei processi standard, e le infrastrutture aziendali (IT, governance, data management) dovranno adeguarsi per supportare un uso massiccio dell’AI.

All’orizzonte vi sono anche nuove frontiere dell’AI stessa che spingeranno ulteriormente il paradigma del learning-by-doing. Ad esempio, si parla di “agentic AI” – sistemi AI più autonomi che possono compiere serie di azioni complesse. Quando queste tecnologie matureranno, le organizzazioni dovranno nuovamente sporcarsi le mani per capire come sfruttarle responsabilmente: immaginare casi d’uso, testare prototipi di AI agent che coadiuvano (o automatizzano) interi flussi di lavoro, e definire nuovi ruoli umani per supervisionarli. Il learn by building rimarrà l’approccio vincente anche di fronte a queste novità: nessun manuale preconfezionato spiegherà come impiegare un agent AI nella vostra supply chain o nel vostro team creativo – lo scoprirete solo provandoci direttamente, in piccolo, e crescendo da lì.

È lecito aspettarsi anche un’evoluzione nelle strutture organizzative. Mentre oggi molte aziende operano con Centers of Excellence centralizzati per l’AI, in futuro l’AI diventerà più democratica e diffusa. Potremmo vedere la nascita di “AI fluency” come skill fondamentale per ogni dipendente, analogamente a come l’uso del PC è diventato ubiquo. Programmi di formazione interna sul prompting e sull’uso efficace degli strumenti AI diventeranno parte integrante dello sviluppo professionale. Accenture, ad esempio, ha lanciato un programma chiamato LearnVantage per diffondere competenze di AI generativa in tutta la sua forza lavoro, segno che grandi imprese stanno investendo nell’alfabetizzazione AI di massa. Questa democratizzazione permetterà di ampliare ancora di più la pratica del learning-by-doing: ogni team potrà fare piccoli esperimenti con l’AI nel proprio ambito, senza dover aspettare indicazioni dall’alto, creando un tessuto di innovazione distribuita.

Sul fronte dei modelli di leadership, assisteremo probabilmente all’emergere di leader più tech-savvy e orientati alla sperimentazione. Harvard Business Review avverte che molti leader attuali non sono preparati a sfruttare appieno il potenziale dell’AI generativa e devono sviluppare competenze tecniche e nuove mentalità. I leader di domani dovranno essere facilitatori dell’apprendimento organizzativo: capaci di costruire visioni chiare sull’AI ma anche di incoraggiare l’azione decentralizzata, tollerare gli errori come parte del processo di innovazione e assicurare al contempo che sperimentazione e governance vadano a braccetto.

Infine, what’s next include sicuramente il tema della scalabilità sostenibile ed etica. Mano a mano che il numero di prototipi e progetti AI cresce, le aziende dovranno dotarsi di solide pratiche per scalare ciò che funziona in modo responsabile. Questo significa integrare considerazioni di AI responsabile fin dalla fase di sperimentazione: valutare i rischi (bias, privacy, sicurezza) di ogni nuovo caso d’uso AI e coinvolgere funzioni come compliance e IT security nel processo di innovazione. Fortunatamente, vediamo segnali positivi: sempre più organizzazioni stanno mitigando attivamente rischi legati all’AI come inaccuratezza, violazioni IP e cybersecurity. La sfida sarà continuare su questa strada, così che il “fare presto” non comprometta il “fare bene”.

In conclusione, il prossimo capitolo di learning by building with AI vedrà aziende ancora più immerse nell’AI, che imparano non solo a correre con l’AI, ma anche a governarla con saggezza mentre corrono. Chi saprà combinare velocità e responsabilità plasmerà i nuovi standard dell’innovazione. Per tutti gli altri, il rischio è di farsi trovare in ritardo in un mondo che non aspetta: come ammonisce Stanford HAI, l’AI non è confinata a un settore, sta trasformando ogni industria, e il suo impatto continuerà a crescere. What’s next è quindi un invito all’azione: continuare ad imparare costruendo, oggi più che mai.

Takeaways

  • Sperimentare per Sopravvivere: Nell’era dell’AI generativa, la sperimentazione pratica è diventata una necessità strategica. Attendere di “capire tutto” prima di agire è un lusso che le aziende non possono permettersi – l’unica via per comprendere davvero l’AI è provarla nei propri processi. Le organizzazioni stanno scoprendo che l’apprendimento avviene facendo, e chi inibisce l’uso dell’AI per paura dell’ignoto rischia di restare indietro rispetto ai concorrenti più audaci.
  • Cultura del Learning-by-Doing: Le imprese di successo coltivano una cultura in cui si impara attivamente costruendo cose nuove con l’AI. Ciò implica incoraggiare l’esperimento continuo, accettare piccoli fallimenti come lezioni e diffondere competenze AI tra tutti i livelli. Un ambiente del genere stimola i talenti – già ben disposti verso l’AI – a proporre idee e soluzioni innovative (il 61% dei lavoratori tech vede l’AI come un potenziamento del proprio ruolo). Una cultura di sperimentazione continua garantisce anche che il feedback tra umani e AI sia costante e bidirezionale, migliorando entrambi.
  • Prototipi Veloci, Benefici Tangibili: Adottare tecniche come rapid prototyping, hackathon interni e sviluppi Agile accelerati dall’AI porta risultati concreti in tempi brevissimi. Ad esempio, CVS Health ha ottenuto 6 prototipi pronti al pilot in 6 settimane grazie a un hackathon su AI generativa. Questa velocità di iterazione riduce drasticamente il time-to-market: realtà come Accenture testimoniano incrementi di velocità dal 25% fino oltre il 50% in alcune attività grazie all’integrazione dell’AI nei flussi di lavoro. L’effetto cumulativo è un’innovazione più rapida e una capacità di risposta agile alle esigenze del mercato.
  • Adattabilità e Vantaggio Competitivo: Il learning-by-building con l’AI rafforza la resilienza e l’adattabilità organizzativa. Le aziende che sperimentano a ampio raggio possono riconfigurare processi e offerte in risposta ai cambiamenti con rapidità, mitigando l’impatto degli shock esterni. L’adozione dell’AI si sta estendendo a tutte le funzioni aziendali (oltre il 70% delle imprese la usa regolarmente almeno in un’area) e sta iniziando a tradursi in benefici misurabili: aumenti di ricavi e riduzioni di costi sono già osservati in diversi reparti grazie all’AI. Anche se a livello di intera azienda l’impatto sul bottom-line è ancora agli inizi, le organizzazioni più grandi stanno predisponendo le pratiche e strutture per scalare queste sperimentazioni (roadmap dedicate, KPI chiari, team di trasformazione), costruendo un vantaggio competitivo sostenibile.
  • Leadership e Governance Evolutiva: Infine, il learning-by-doing amplificato dall’AI richiede leadership evolutive e un nuovo approccio alla governance. I leader devono fungere da facilitatori – fornendo visione e guida etica, ma anche lasciando autonomia ai team per iterare rapidamente. Strutture come center of excellence per l’AI e figure come gli AI product owner o gli AI ethicist diventano cruciali per diffondere best practice e gestire i rischi. La governance dell’AI non è più solo controllo, ma diventa un processo di “policing, coaching and refereeing” interno, per assicurare che ogni esperimento sia sia audace che responsabile. Le organizzazioni che bilanciano libertà di innovare con solide linee guida vedono crescere fiducia e adozione: i dipendenti usano l’AI con consapevolezza e i clienti accolgono positivamente i nuovi servizi basati sull’AI quando c’è trasparenza e affidabilità.

Recommended Resources

  • McKinsey – The State of AI 2024: Un rapporto globale con dati su adozione e impatto dell’AI. Evidenzia l’accelerazione dell’uso dell’AI generativa (71% delle aziende la usa in almeno una funzione) e l’importanza di ridisegnare processi e formazione per catturare valore. Utile per capire trend e best practice di scala.
  • MIT Sloan Management Review – “Want More Clarity on Generative AI? Experiment Widely” (2023): Articolo di Lynda Gratton che paragona l’avvento dell’AI generativa a uno “scenario COVID” per il mondo del lavoro. Sottolinea come l’ambiguità iniziale vada affrontata con esperimenti diffusi, citando organizzazioni con centinaia di esperimenti AI in parallelo e indicando che il processo è “ricco di ambiguità, esperimenti e cambi di idea”, ovvero un vero processo di apprendimento. Offre insight sul change management e il coinvolgimento dei leader.
  • CIO.com – “Generative AI: now is the time to learn by doing” (Bryan Kirschner, 2023): Un punto di vista che incoraggia i CIO e i dirigenti IT a adottare subito l’AI con una mentalità di apprendimento pratico. Contiene dati interessanti (ad es. la maggioranza dei professionisti IT si sente già in grado di costruire applicazioni AI) e mette in guardia dai rischi di restare fermi. Enfatizza la necessità di una cultura sperimentale consapevole e di non aspettare una comprensione teorica perfetta che non arriverà mai.
  • Case Study – Scaling Generative AI in Healthcare with Hackathons (CVS Health, 2023): Descrizione dettagliata dell’hackathon GenAI organizzato da CVS Health. Mostra come un’azienda tradizionale possa attivare 21 team cross-funzionali e generare decine di idee e prototipi in poche settimane. Il case study evidenzia elementi di successo trasferibili: inclusione di tutta l’organizzazione, domanda sfidante focalizzata, piattaforma per raccogliere idee, criteri di valutazione chiari e percorso verso il pilot. È un modello replicabile per chi vuole organizzare iniziative simili.
  • Accenture – Making Reinvention Real with Gen AI (2023): Report (case study Accenture Marketing + Communications) che racconta come Accenture ha reinventato la propria funzione marketing integrando 14 AI agent nel team. Notevole la parte su cultura e competenze: spiega come hanno formato 954 marketer a collaborare con gli agenti AI e istituito un meccanismo di feedback continuo uomo-macchina. Risultati concreti: +25% valore di brand, –30% attività manuali, velocità di esecuzione aumentata fino al 50%. Una lettura ispirazionale su come orchestrare cambiamento di mindset, skill e processi attorno all’AI.

(Ulteriori risorse consigliate includono l’AI Index 2025 di Stanford HAI per dati aggiornati su investimenti e adozione dell’AI, e articoli HBR come “How the Next Generation of Managers Is Using GenAI” per capire le sfide di leadership nella gestione dell’AI.)

Toolbox

Per implementare efficacemente Learning by Building with AI, le organizzazioni possono fare affidamento su una varietà di strumenti e metodi pratici:

  • Strumenti di AI Generativa: Utilizzare modelli di linguaggio (LLM) come OpenAI GPT-4 o Claude come “co-piloti” per brainstorming, stesura di documenti e persino generazione di codice. Per la creazione rapida di interfacce o prototipi software, strumenti come GitHub Copilot integrati negli IDE aiutano gli sviluppatori a scrivere codice più velocemente sfruttando l’AI. Sul versante creativo, generatori di immagini (es. DALL-E, Midjourney) o di video possono produrre in pochi minuti asset visivi per testare concept di design o campagne di marketing. Secondo un’indagine, oltre il 60% delle aziende già usa l’AI generativa per creare testi, un terzo genera immagini e almeno un quarto produce codice con questi strumenti, segno che tali tool sono ormai parte integrante del toolkit di prototipazione.
  • Piattaforme di Prototipazione e No-Code: Piattaforme di sviluppo rapido come Bubble, Adalo o soluzioni enterprise come Power Platform di Microsoft con integrazione di AI (AI Builder) permettono a team non tecnici di costruire applicazioni semplici potenziate da servizi AI (es. modelli pre-addestrati per visione o linguaggio). Questo democratizza la fase di build, consentendo a innovatori di business di creare MVP AI-driven senza dover scrivere codice complesso. Ad esempio, grazie a tool del genere un team HR può prototipare un chatbot HR addestrato su policy aziendali in pochi giorni, da testare internamente per automatizzare FAQ dei dipendenti. Queste piattaforme spesso includono connettori API per integrare facilmente servizi come OpenAI, Google Cloud AI o altri, amplificando le capacità dei prototipi.
  • Framework e Metodi Agile con AI: Integrare l’AI nei framework di innovazione esistenti. Ad esempio, utilizzare Design Thinking arricchito con AI: nella fase di ideazione, generare molteplici soluzioni con strumenti generativi; nella fase prototipazione, usare AI per creare rapidamente mockup o simulazioni da sottoporre agli utenti. Oppure applicare la metodologia Lean Startup in chiave AI, come suggerito da esperti: sfruttare l’AI per comprimere la fase “Build” (prototipo pronto in giorni), e adottare tattiche di rapid user feedback (anche informale) per velocizzare la fase “Measure”. Questo consente iterazioni molto più rapide del normale. Inoltre, pratiche Agile come sprint brevi possono includere nel definition of done delle user story la sperimentazione con un modello AI e la valutazione del risultato rispetto ai criteri attesi. Team di sviluppo stanno anche introducendo il ruolo di AI Prompt Engineer all’interno degli sprint, ossia uno specialista che durante lo sviluppo ottimizza le richieste ai modelli AI per ottenere le funzionalità desiderate.
  • Infrastruttura e Sandboxing Sicuro: Allestire ambienti di sandbox dove i team possano giocare con dati aziendali e modelli AI senza rischi per i sistemi core. Strumenti containerizzati o ambienti cloud isolati (ad es. istanze Jupyter/Colab aziendali con accesso a modelli) permettono ai data scientist di provare algoritmi e ai developer di integrare API AI in modo controllato. Contestualmente, dotarsi di un framework di governance – linee guida su cosa è consentito (es. usare dati non sensibili nei test), come validare gli output AI e come documentare ogni esperimento. Soluzioni di ML Operations (MLOps) come MLflow o Kubeflow possono aiutare a tenere traccia degli esperimenti AI, versionare i modelli e promuovere facilmente un prototipo efficace dallo stadio di test a un pilot in produzione. In pratica, l’azienda costruisce una “fabbrica di sperimentazione” dove è facile avviare nuovi progetti AI e altrettanto facile spegnerli o scalarli, il tutto con la dovuta supervisione.
  • Community di Pratica & Knowledge Sharing: Un toolbox non è fatto solo di tecnologia, ma anche di persone e conoscenza. Creare comunità interne (es. un canale dedicato all’AI generativa su Slack/Teams, incontri mensili di un AI Guild) dove i pionieri condividono le loro esperienze, trucchi e fallimenti, è fondamentale. Questo trasforma ogni progetto individuale in apprendimento collettivo. Molte aziende di successo hanno lanciato programmi di ambasciatori AI o hub di risorse (wiki interne con linee guida su prompt efficaci, repository di codice riutilizzabile, ecc.). Ad esempio, Medium riporta il consiglio di adottare la metafora dell’“AI come intern entusiasta”: trattare l’AI come fareste con un neoassunto proattivo ma inesperto – dandogli compiti, verificando il lavoro e fornendo feedback. Diffondere questo genere di mental model tramite workshop pratici aiuta i dipendenti a interagire con l’AI in modo costruttivo e senza timori reverenziali, massimizzando l’apprendimento.

In sintesi, la toolbox per il learning-by-building comprende sia tecnologie abilitanti (modelli, piattaforme rapide, infrastrutture sicure) sia processi agili e comunità di apprendimento. Dotarsi di questi strumenti consente all’azienda di passare dall’idea all’azione con l’AI in modo veloce, sicuro e ripetibile, creando le condizioni ottimali per un miglioramento continuo.

Shift Continues

La trasformazione verso una cultura di apprendimento continuo attraverso il fare, potenziata dall’AI, è appena iniziata – e non mostra segni di rallentamento. Ogni nuovo progetto pilota, ogni prototipo costruito e ogni lezione appresa alimentano il prossimo ciclo di innovazione, in un percorso iterativo in cui l’azienda diventa ogni giorno più intelligente e adattiva. Come abbiamo visto, imprese di ogni settore stanno scoprendo che il segreto per prosperare in tempi di incertezza non è chiudersi in analisi teoriche o attendismi prudenti, ma abbracciare l’incertezza sperimentando.

Questo shift richiede coraggio organizzativo: significa fidarsi delle proprie persone – dare loro spazio per provare idee nuove con l’AI – e al tempo stesso costruire i giusti guardrail per non uscire di strada. Significa anche rivedere vecchi paradigmi: dai modelli di business (che possono evolvere man mano che l’AI apre possibilità prima impensabili) ai modelli di apprendimento (dal training formale a quello sul campo), fino ai modelli di leadership. Non tutti i tentativi daranno frutti immediati, ma un’organizzazione che impara velocemente dai propri esperimenti diventa antifragile, capace di trarre vantaggio anche dagli errori. In fondo, ogni prototipo non riuscito ci dice qualcosa su cosa evitare o migliorare al giro successivo.

Guardando avanti, possiamo aspettarci che questo movimento continui a evolvere e ampliarsi: più aziende adotteranno pratiche di learning by building, più casi d’uso innovativi emergeranno (oggi ancora inimmaginabili), e più la comunità di pratiche intorno all’AI crescerà, generando conoscenze condivise. È un po’ come una grande palestra collettiva: ogni azienda che sperimenta contribuisce a far progredire lo state of the art dell’AI applicata, i cui benefici ricadono poi sull’ecosistema economico più ampio.

Nel frattempo, le organizzazioni dovranno continuare a bilanciare velocità e saggezza, innovazione e responsabilità. Come sottolinea Stanford HAI, siamo in un momento in cui l’ottimismo globale sull’AI è in crescita nonostante le sfide: c’è una finestra di opportunità per guidare questa trasformazione in modo positivo, umano-centrico e sostenibile. Chi saprà imparare facendo con l’AI, mantenendo i valori e lo scopo al centro, non solo accelererà la propria crescita ma contribuirà a plasmare un futuro in cui tecnologia e creatività umana si potenziano a vicenda.

Il viaggio di InsideTheShift ci insegna proprio questo: il shift è un processo continuo, una serie di passi in avanti guidati dalla curiosità e dal miglioramento costante. L’edizione #6 ha esplorato come learning by building with AI stia ridefinendo le regole del gioco. Ma il cambiamento non si ferma qui. The shift continues – e spetta a noi essere protagonisti attivi, builders instancabili, di questa nuova era di innovazione. Con ogni progetto che costruiamo e da cui impariamo, acceleriamo il passo verso il futuro. E il futuro, grazie a questa attitudine, lo costruiamo – e impariamo – un prototipo alla volta.

4D Gaussian Splatting: la tecnologia 4DV.ai di Jiaming Sun che rende i video immersivi

Negli ultimi anni la ricerca sulla visualizzazione volumetrica 3D/4D ha compiuto passi da gigante. Il giovane ricercatore cinese Jiaming Sun, fondatore della startup 4DV.ai, è tra i protagonisti di questa rivoluzione. Sun descrive la missione di 4DV.ai come “inventare la prossima generazione di media visivi – interattivi, volumetrici e veramente fotorealistici”. In pratica, parliamo di video che non si limitano a essere riprodotti su uno schermo bidimensionale, ma che possono essere esplorati liberamente nello spazio (e nel tempo) dall’utente, come fossero “ologrammi” interattivi. Al cuore di questa innovazione c’è una tecnica avanzata chiamata 4D Gaussian Splatting, oggetto di pubblicazioni accademiche e demo impressionanti visibili sul sito di 4DV.ai. Vediamo di cosa si tratta, come funziona e perché molti la considerano un salto di qualità rispetto a tecnologie precedenti come i NeRF e le soluzioni di aziende come Luma AI.

Come funziona il 4D Gaussian Splatting

Il termine Gaussian Splatting potrebbe suonare ostico, ma il concetto di base è intuibile: invece di rappresentare una scena 3D con i tradizionali poligoni o mesh, la si rappresenta come un insieme denso di punti volumetrici “sfumati” (le Gaussiane) nello spazio. Immaginiamo ogni punto come una piccola nuvola tridimensionale con una distribuzione di colore e trasparenza a forma di campana (da cui il nome Gaussiana). Migliaia o milioni di queste “macchie” opportunamente distribuite possono approssimare qualsiasi scena reale in modo fotorealistico, senza bisogno di superfici poligonali esplicite.

Per costruire queste rappresentazioni, il sistema parte tipicamente da fotografie o video ripresi da più angolazioni intorno alla scena (ad esempio con diverse videocamere, oppure con uno smartphone in movimento). Attraverso algoritmi di computer vision, si ricostruisce inizialmente una nuvola di punti grossolana della scena. A ciascun punto viene poi associata una “splat” Gaussiana, definita dai suoi parametri fondamentali: posizione nello spazio (coordinate XYZ), dimensioni e forma (descritte da una matrice di covarianza 3×3 che indica come il punto è esteso/elongato nelle varie direzioni), colore (valori RGB) e un coefficiente di trasparenza α. Nel caso del 4D Gaussian Splatting, a questi parametri spaziali si aggiunge anche una dimensione temporale: le Gaussiane possono variare nel tempo o esser presenti solo in certi istanti, permettendo così di rappresentare scene dinamiche (in movimento) all’interno di un unico modello volumetrico 4D.

Renderizzazione volumetrica e view-dependent rendering

Come si ottiene un’immagine da questa “nuvola” di Gaussiane? Il processo di rendering avviene per splatting, ossia proiettando ogni Gaussiana sul piano dell’immagine della camera virtuale e fondendo (blending) i contributi di tutte le Gaussiane visibili. In pratica, per ogni pixel dell’inquadratura calcolata, il sistema accumula il colore di tutte le Gaussiane che si trovano lungo il corrispondente raggio visivo, attenuato dalla trasparenza e dalla profondità (un principio simile all’equazione di rendering volumetrico usata nei NeRF). La grande differenza è che, mentre un NeRF campiona decine di punti lungo ogni raggio passando i dati in una rete neurale pesante da eseguire, il Gaussian Splatting lavora direttamente sui punti espliciti: proietta le Gaussiane una volta sola e combina i loro contributi in modo ordinato (dal più vicino al più lontano) con un efficiente algoritmo di rasterizzazione. Questo significa che la generazione di ogni frame è molto più leggera computazionalmente, abbastanza da poter avvicinare o raggiungere il tempo reale – un vantaggio cruciale rispetto ai metodi neuronali puri.

Un altro aspetto chiave è la gestione dei riflessi, luci e altri effetti dipendenti dal punto di vista (view-dependent). Nei NeRF originali, questi effetti venivano appresi dalla rete neurale in funzione della direzione di vista, mentre nelle rappresentazioni a splatting si ottiene risultato analogo assegnando a ciascuna Gaussiana dei coefficienti aggiuntivi che modulano il colore in base all’angolo di osservazione (spesso tramite espansioni in armoniche sferiche). In sostanza, ogni splat può avere un colore base diffuso e una componente “speculare” o variabile, consentendo di riprodurre fedelmente bagliori, riflessi e cambi di illuminazione mentre l’utente muove la visuale. Sun e colleghi, ad esempio, hanno progettato un modello di appearance compatto che mescola Gaussiane diffuse e Gaussiane view-dependent per mantenere alta la qualità visiva riducendo al contempo la quantità di dati da memorizzare.

Dai video 2D alla scena 4D: l’innovazione delle Gaussiane dinamiche

La vera sfida affrontata da 4DV.ai è portare questa tecnologia dal caso statico 3D a quello dinamico 4D, cioè ai volumetric videos (video volumetrici) in cui la scena evolve nel tempo. Rappresentare un’intera sequenza temporale come volume 4D significa tecnicamente ottimizzare Gaussiane che vivono in uno spazio a quattro dimensioni (x, y, z più t per il tempo). Questo approccio, chiamato proprio 4D Gaussian Splatting (4DGS), è stato proposto di recente in letteratura come metodo promettente per catturare variazioni spaziali e temporali ad alta fedeltà. Il vantaggio è poter ottenere ricostruzioni 3D di scene in movimento (persone che si muovono, oggetti in azione, ecc.) con qualità fotorealistica e consistenza temporale elevata, producendo in pratica un “ologramma” animato navigabile.

Sun, che nel frattempo continua a contribuire alla ricerca accademica in collaborazione con l’Università di Zhejiang, è co-autore di alcuni studi pionieristici sul 4DGS. In una pubblicazione del 2024, ad esempio, il suo team ha affrontato uno dei limiti del 4DGS puro: l’elevato costo computazionale e di memoria di rappresentare tutto in 4D, anche le parti statiche della scena. La soluzione proposta è un approccio ibrido e gerarchico: identificare le regioni statiche che non cambiano nel tempo e trattarle con Gaussiane 3D standard, riservando invece le Gaussiane 4D solo agli elementi dinamici. Inoltre, introducono una gerarchia temporale: la scena viene descritta a diversi livelli di dettaglio temporale, riutilizzando gli stessi punti Gaussiani per rappresentare intervalli in cui nulla cambia, e aggiungendo invece punti extra solo dove avvengono movimenti rapidi. In questo modo si riduce drasticamente il numero totale di Gaussiane necessarie, rendendo la rappresentazione molto più compatta. La struttura “ad albero” risultante permette di scalare a minuti di video mantenendo l’uso di memoria video quasi costante indipendentemente dalla durata.

I risultati riportati sono impressionanti: grazie a questa Temporal Gaussian Hierarchy, il sistema di Sun e colleghi riesce a gestire volumi 4D lunghi 18.000 frame (diverse decine di secondi di video) con circa 17 GB di VRAM, laddove metodi precedenti andavano fuori memoria già a 300 frame su una GPU da 24 GB. Il loro metodo mantiene qualità di rendering all’avanguardia e supporta frame rate elevati (fino a centinaia di FPS a 1080p su GPU di fascia alta), aprendo la strada a video volumetrici lunghi fruibili in tempo reale. Si tratta di progressi documentati in peer review che attestano la validità scientifica della tecnologia 4DV.ai.

Confronto con NeRF, Luma AI e altri approcci alla scena 3D/4D

Vale la pena contestualizzare il Gaussian Splatting rispetto alle tecniche affini. I Neural Radiance Fields (NeRF), introdotti nel 2020 da Mildenhall et al., hanno inaugurato l’era del neural rendering consentendo la sintesi di viste novel-view fotorealistiche da immagini 2D. Un NeRF rappresenta la scena come una funzione neurale implicita appresa (una rete che, dato un punto 3D e una direzione, restituisce colore e densità), e genera immagini per integrazione lungo i raggi visivi. La qualità ottenibile è elevata, comprensiva di riflessi e illuminazione realistici, come ha dimostrato la startup Luma AI portando NeRF su smartphone per catturare oggetti e ambienti reali. Luma, ad esempio, permette di scansionare in 3D scene reali con un iPhone e condividerle sul web come scene interattive, sfruttando reti neurali di radiance field per riprodurre dettagli intricati, riflessi e giochi di luce da ogni angolo. Questo ha reso la fotogrammetria neurale accessibile al grande pubblico per oggetti statici e piccoli ambienti.

Tuttavia, i NeRF presentano anche limiti chiari. Prestazioni: l’inferenza di una rete NeRF è onerosa, inizialmente richiedeva secondi o minuti per frame; solo con ottimizzazioni come Instant NGP si è ridotto il tempo, ma rimanendo lontani dal vero tempo reale per scene complesse. Addestramento: ogni nuova scena richiede un costoso processo di ottimizzazione (training) della rete che può durare da minuti a ore, mentre i metodi a splatting ottimizzano direttamente punti espliciti con convergenza più rapida. Rappresentazione implicita: la natura “black box” della rete rende difficile modificare o integrare la scena dopo il fatto (ad es. rimuovere un oggetto, unire scene) – operazioni invece più semplici se si dispone di un insieme esplicito di punti/gaussiane su cui si può intervenire direttamente.

Il 3D Gaussian Splatting (3DGS) di Kerbl et al. (SIGGRAPH 2023) è emerso proprio come un’alternativa interessante perché concilia qualità e velocità. Invece di sampleare un volume con una MLP, 3DGS usa primitve gaussiane esplicite e una rasterizzazione efficiente: il risultato sono rendering in tempo reale con qualità paragonabile o superiore ai NeRF pesanti. In letteratura si riportano miglioramenti sia in fedeltà che in frame rate: “il 3DGS offre qualità migliorata e capacità di rendering real-time, a differenza di NeRF che si basa su rappresentazioni implicite e su un costoso rendering volumetrico”. In pratica NeRF rimane più compute-intensive, mentre Gaussian Splatting sfrutta al meglio l’hardware grafico come fosse una nuvola di punti intelligente.

È indicativo che la stessa Luma AI abbia recentemente aggiunto il supporto all’export in formato Gaussian Splatting accanto ai NeRF neurali. Questo suggerisce che anche nell’industria si riconosce il valore di combinare i due approcci: usare le reti neurali fin dove servono (es. per stimare geometria e colori iniziali da input fotografici), ma poi passare a una rappresentazione esplicita di Gaussiane per la fruizione finale interattiva. In ambienti come Unity o Unreal Engine esistono già plugin sperimentali per importare Gaussian Splats e utilizzarli nei giochi o applicazioni XR, cosa che i developer vedono con entusiasmo per ottenere grafica fotorealistica a frame rate elevati anche su hardware non estremi.

In termini di soluzioni alternative per scene dinamiche, oltre ai NeRF estesi (come NR-NeRF, DNerf e altri che introducono embedding temporali o voxel 4D ma soffrono in efficienza), ci sono approcci come i light field videos e i sistemi volumetrici multi-camera usati in produzioni cinematografiche o sportive. Ad esempio, studi come Microsoft Mixed Reality Capture (holostudio) usano decine di telecamere per ricostruire soggetti umani in 3D animato, ma generano mesh o point cloud frame-by-frame con costi elevati. La differenza chiave del metodo di 4DV.ai è che punta a ottenere un risultato simile (un video navigabile a 6 gradi di libertà) senza camera rig proprietari, con input potenzialmente alla portata di chiunque (perfino un normale video 2D, secondo alcune demo teaser) e con un formato dati snello, streammabile via web. Siamo dunque di fronte a un game changer che unisce la flessibilità dei modelli neurali alla concretezza modificabile dei dati espliciti.

Applicazioni: dal consumo di contenuti all’enterprise e all’AI

Le potenziali applicazioni dei video 4D volumetrici sono vaste e in parte ancora da esplorare. Possiamo suddividerle in diversi ambiti:

  • Consumer e Intrattenimento: Immaginiamo i ricordi personali in 3D – invece di un semplice video sul telefono, rivivere un momento (una festa, una vacanza) potendosi muovere liberamente nella scena con un visore VR o sullo schermo. Oppure i concerti e eventi sportivi immersivi, dove lo spettatore da casa diventa regista e può “camminare” virtualmente sul palco o sul campo da gioco. L’industria dei videogiochi e degli effetti speciali potrebbe utilizzare il Gaussian Splatting per creare ambienti 3D realistici integrando attori reali digitalizzati, riducendo costi di green screen e permettendo inquadrature impossibili con le tecniche tradizionali. Anche cinema e serie TV potrebbero beneficiare di virtual production più flessibile: ad esempio girare una scena e poi decidere in post-produzione qualsiasi movimento di camera, grazie al set ricostruito volumetricamente.
  • Enterprise, Digital Twin e Realtà Aumentata: Aziende come Siemens, Microsoft, Meta vedono un enorme potenziale nei digital twin: copie digitali di luoghi, impianti industriali o città intere, da ispezionare e monitorare a distanza. Il Gaussian Splatting permette di ottenere visualizzazioni 3D fotorealistiche di ambienti complessi (fabbriche, infrastrutture, cantieri) in cui muoversi e interagire, utili per manutenzione da remoto, formazione di personale, pianificazione di modifiche architettoniche, ecc. Rispetto ai modelli CAD tradizionali, una cattura 4D offre sia realismo (per valutare illuminazione, materiali, ecc.) sia aggiornamento continuo nel tempo (monitoraggio di progressi, cambiamenti o anomalie). In ambito urban planning, poter simulare lo sviluppo di un quartiere visualizzando un modello di città vivo e pulsante in 4D (con traffico, pedoni, illuminazione variabile nell’arco del giorno) sarebbe uno strumento di enorme impatto. Anche il settore real estate può trarre vantaggio: visite virtuali di immobili dove l’acquirente può esplorare a 360° come se fosse sul posto, con una fedeltà tale da ridurre sorprese e incomprensioni (vedendo reali proporzioni, materiali, viste dalle finestre in diversi orari, ecc.).
  • Telepresenza e Comunicazione: Collegato ai punti sopra c’è il tema della telepresenza immersiva. In futuro, una videochiamata potrebbe trasformarsi in un’esperienza in cui la persona remota è catturata volumetricamente in tempo reale e appare nel nostro spazio attraverso AR/VR. Sun stesso crede molto in questa direzione, vedendo VR/AR come la prossima interfaccia uomo-macchina ubiqua che rivoluzionerà la comunicazione (al pari di ciò che furono i touchscreen). Perché ciò si realizzi, servono tecnologie di cattura e rendering efficienti: 4DGS potrebbe permettere di trasmettere “ologrammi” dal vivo comprimendo i dati in modo intelligente (inviando solo i parametri delle Gaussiane aggiornati ogni frame anziché nuvole dense di punti grezzi) e renderizzandoli sul dispositivo dell’utente in tempo reale.
  • Intelligenza Artificiale e Generazione Contenuti: C’è un interessante incrocio tra Gaussian Splatting e AI. Da un lato, modelli 3D espliciti come questi possono fornire dati di addestramento per sistemi di visione artificiale: ad esempio, un’AI per la guida autonoma o la robotica può allenarsi in mondi virtuali fotorealistici generati con splatting, testando la capacità di percepire profondità e riconoscere oggetti in scenari simulati ma realistici. Dall’altro lato, i modelli generativi stessi possono integrarsi con rappresentazioni a Gaussiana: alcuni ricercatori propongono di usare le scene Gaussian Splatting come base strutturata su cui applicare modelli generativi 2D/3D, ottenendo video generati dall’AI ma con coerenza spaziale e temporale molto maggiore. In pratica, un modello di diffusione potrebbe generare i dettagli visivi su una griglia di Gaussiane già consistente in 3D, evitando sfarfallii e deformazioni fotogramma per fotogramma. Strumenti come Runway stanno esplorando la generazione video condizionata, e disporre di “punti di ancoraggio” 3D (splat) potrebbe essere la chiave per fare il salto verso video generati dall’AI davvero credibili e stabili. Inoltre, la velocità di rendering delle Gaussiane consente iterazioni rapide nel training di modelli AI (ad esempio per fare data augmentation on-the-fly con scenari variati).

Accessibilità e potenzialità creative di 4DV.ai

Uno degli aspetti più entusiasmanti della tecnologia sviluppata da Jiaming Sun è la sua enfasi sull’accessibilità. Tradizionalmente, i contenuti volumetrici 3D di alta qualità erano appannaggio di laboratori specializzati, con array di decine di telecamere sincronizzate e infrastrutture di calcolo notevoli. Ora si profilano soluzioni capaci di trasformare anche input più semplici (come un normale video 2D o pochi video amatoriali) in esperienze 4D immersive. La startup 4DV.ai ha mostrato demo in cui da filmati convenzionali viene ottenuto un output esplorabile a 6DoF, completo di audio sincronizzato. Il loro viewer web permette già di caricare un file .4dv precomputato e navigarlo direttamente nel browser – un fatto straordinario se pensiamo alla complessità del rendering coinvolto. Con un PC moderno e una scheda grafica adeguata, l’utente può fruire da browser di questi contenuti volumetrici con qualità regolabile e persino in modalità VR (il player supporta visori come Meta Quest o Apple Vision Pro). In altre parole, la barriera all’ingresso per godere (e creare) media volumetrici si sta abbassando: niente più app pesanti da installare o hardware esotico, basta un link su Chrome/Edge e si entra nella scena.

Dal punto di vista creativo, questo schiude possibilità enormi. Registi, artisti e designer possono iniziare a pensare a nuove forme di storytelling dove lo spettatore diventa parte attiva della narrazione, libero di scegliere prospettiva e ritmo. Si potrebbe realizzare un documentario storico ricostruendo ambienti d’epoca in 4D: lo spettatore cammina tra le rovine dell’Antica Roma o rivive una battaglia, decidendo cosa osservare più da vicino. Oppure pensiamo ai videoclip musicali volumetrici, dove l’utente può muoversi tra i performer sul palco; o installazioni museali interattive, in cui opere d’arte e ambientazioni vengono scannerizzate in Gaussian Splats per un’esperienza immersiva e didattica.

Il fatto che le scene a Gaussiane siano editabili con relativa facilità apre a mash-up e remix: un creatore potrebbe eliminare elementi da una scena acquisita (essendo punti separati, si possono filtrare/rimuovere) o combinarne due insieme, o ancora applicare effetti artistici alterando i colori/trasparenze delle Gaussiane per ottenere look stilizzati. Tutto ciò sarebbe molto più complicato con un NeRF “annidato” nei pesi di una rete neurale. In sintesi, siamo di fronte a un medium nascente che combina fotorealismo e libertà interattiva in un modo mai visto prima.

Guardando oltre

La tecnologia di Jiaming Sun e 4DV.ai sul 4D Gaussian Splatting rappresenta un importante avanzamento nel campo della visione e grafica computazionale. Le pubblicazioni accademiche di Sun – ad esempio sul metodo di Gerarchia Gaussiana Temporale – ne confermano la solidità scientifica e le prestazioni rivoluzionarie nel rappresentare scene dinamiche. Rispetto ai precedenti approcci (NeRF e simili), i vantaggi in termini di efficienza, qualità e manipolabilità sono notevoli, e stanno spingendo l’intero settore verso soluzioni più esplicite e real-time.

Siamo solo agli inizi di quello che potrebbe diventare un nuovo formato standard per i media immersivi – una sorta di “JPEG del 4D”. L’ecosistema si sta muovendo velocemente: dai progetti open source ai primi tool commerciali che integrano lo splatting (come Luma), fino all’interesse dei colossi tech per applicazioni in metaverso, smart city e oltre. Per il pubblico generalista, tutto ciò si tradurrà in esperienze più ricche: dai social media di prossima generazione dove condividere “momenti 4D”, fino ai contenuti di intrattenimento e formazione che sfumeranno il confine tra reale e virtuale.

La visione di 4DV.ai di un medium interattivo, volumetrico e fotorealistico sembra sempre meno fantascienza e sempre più una concreta evoluzione del modo in cui creeremo e fruiremo dei video nell’era post-schermo. L’innovazione di Sun evidenzia come dall’unione di ricerca accademica e spirito imprenditoriale possano nascere nuove forme di arte e comunicazione, accessibili a tutti attraverso le tecnologie che usiamo ogni giorno. Le Gaussiane 4D potrebbero davvero diventare i pixel del futuro.

L’evoluzione dei workflow Human+AI. Dall’ibrido alla collaborazione continua.

Dall’assistenza all’integrazione: verso l’AI sempre attiva nei processi

The Shift in Focus

Un cambiamento fondamentale è in atto nei flussi di lavoro che coinvolgono umano e AI: si passa da modelli ibridi in cui l’AI veniva invocata occasionalmente per task specifici, a modelli continui in cui l’AI rimane sempre attiva nel ciclo operativo quotidiano. In altre parole, l’AI non è più un semplice strumento on-demand, ma un collaboratore costante che apprende dal contesto, fornisce suggerimenti in tempo reale, monitora processi e prende decisioni insieme all’uomo in un loop di interazione continuo. Questa evoluzione è resa possibile dai recenti progressi nelle AI generative e agenti intelligenti, capaci di gestire compiti vari e mantenere il contesto conversazionale lungo periodi prolungati.

Nel modello tradizionale, un professionista poteva ad esempio chiamare un assistente AI (come un modello di linguaggio) per generare un riassunto o un’analisi su richiesta. Nel nuovo paradigma, invece, l’AI è integrata persistentemente nei tool e nei processi: pensa a un sistema di supporto clienti in cui un agente AI smista automaticamente le richieste e suggerisce risposte ogni istante, oppure a un software CRM con un assistente intelligente che guida il team di vendita in tempo reale fornendo raccomandazioni contestuali durante tutta la giornata lavorativa . In sostanza, l’AI sta passando dall’essere un “attrezzo nella cassetta” a diventare un membro attivo del team, trasformando sia i flussi di lavoro operativi sia i ruoli professionali coinvolti.

Questo shift è tecnico (agenti dotati di memoria persistente e capacità di apprendere/adattarsi sul campo), strategico (ridefinizione dei processi aziendali attorno a un contributo AI costante) e culturale (accettazione di una collaborazione uomo-macchina più stretta e continua). Significa che le organizzazioni dovranno progettare il lavoro prevedendo un’AI sempre sul pezzo, con tutte le opportunità di efficienza che ne derivano ma anche le sfide di coordinamento e fiducia che comporta.

Tecnologie, framework e segnali dell’evoluzione verso workflow continui

Understanding the Shift

Sebbene il potenziale della collaborazione continua Human+AI sia enorme, siamo ancora nelle fasi iniziali della sua adozione diffusa. Pochissime aziende oggi possono dire di avere l’AI pienamente integrata nei workflow operativi: solo circa l’1% dei leader dichiara di aver raggiunto una maturità tale per cui l’AI è completamente incorporata nei processi e genera risultati di business significativi . Una ricerca BCG simile evidenzia che appena un 4% delle imprese ha sviluppato capacità AI all’avanguardia su tutte le funzioni, mentre un ulteriore 22% sta iniziando a ottenere benefici consistenti – lasciando quindi la maggioranza ancora ferma a sperimentazioni localizzate o progetti pilota senza scala . Il dato positivo è che l’interesse è altissimo: oltre il 90% delle aziende pianifica di aumentare gli investimenti in AI nei prossimi anni , segno che la transizione verso workflow potenziati dall’AI è riconosciuta come prioritaria, pur richiedendo tempo e leadership coraggiosa.

Dal punto di vista tecnologico, l’abilitatore di questa evoluzione è la recente generazione di modelli AI avanzati (in particolare i modelli linguistici di grandi dimensioni, o LLM) uniti a nuove architetture di memoria e orchestrazione. I modelli generativi moderni sono in grado non solo di rispondere a singoli prompt, ma di sostenere dialoghi prolungati, adattarsi a input dinamici e perfino iniziare autonomamente alcune azioni. Un ingrediente chiave qui è la memoria a lungo termine: dotare l’AI di un contesto persistente rende l’agente stateful, capace di ricordare interazioni passate, tracciare processi multi-step, richiamare decisioni già prese e coordinarsi con altri agenti, senza ripetere ciclicamente le stesse domande o rifare lavoro già fatto . Questa capacità di mantenere lo stato e l’esperienza è la fondazione di qualsiasi workflow automatizzato di lunga durata o multi-agente . Come nota un recente approfondimento, “man mano che i sistemi AI passano da assistenti reattivi ad agenti autonomi, la memoria diventa non solo utile – ma essenziale” per avere coerenza e contestualità nel tempo.

Oltre ai modelli in sé, stanno emergendo framework e tool specializzati per costruire questi workflow continui. Grandi player tech hanno rilasciato piattaforme come il Semantic Kernel di Microsoft (per integrare l’AI nelle applicazioni con funzioni decisionali dinamiche) , mentre la comunità open-source ha sviluppato librerie come LangChain e LlamaIndex per orchestrare chiamate a LLM e strumenti esterni in catene complesse . Esistono inoltre soluzioni mirate: ad esempio, Rasa per flussi conversazionali avanzati, oppure framework di multi-agent system come AutoGen (Microsoft) e CrewAI che semplificano la creazione di più agenti cooperativi. In generale, un robusto ecosistema di strumenti sta rendendo più facile implementare agenti AI persistenti dotati di pipeline di esecuzione flessibili e integrazione con sistemi esterni. Un recente confronto elenca framework eterogenei: da quelli general-purpose per LLM (es. LangChain, AutoGen) a quelli per agenti collaborativi (CrewAI) fino a piattaforme low-code/no-code (come Langflow o Lyzr) che promettono di automatizzare workflow complessi con agenti senza richiedere coding avanzato . Questa varietà riflette la necessità di componenti diversi – memoria, tool API, gestione del dialogo, ecc. – per supportare use case di collaborazione continua in contesti differenti.

Dal punto di vista metodologico, i workflow continui Human+AI adottano pattern nuovi rispetto alla semplice richiesta singola. Si parla di prompting continuo e interazioni iterative: l’AI viene alimentata costantemente con aggiornamenti di contesto e feedback dell’utente, in modo da raffinare le risposte e le azioni in un ciclo attivo. Allo stesso tempo, l’human-in-the-loop costante diventa un principio di progettazione: invece di coinvolgere l’umano solo a inizio o fine processo, lo si tiene “nel loop” in ogni fase critica, con punti di intervento chiari. Ad esempio, il workflow può prevedere che l’agente AI si fermi e chieda conferma prima di eseguire azioni ad alto impatto, oppure che certi risultati vengano automaticamente sottoposti a revisione umana. Un caso concreto viene dal risk management: qui un sistema AI può analizzare in tempo reale enormi flussi di dati e segnalare potenziali anomalie o rischi appena emergono (cosa impossibile manualmente), ma è il giudizio umano che interviene a valutare le implicazioni strategiche ed etiche di quegli alert prima di agire. In tandem, questo duo AI+umano rende la gestione del rischio proattiva invece che reattiva, unendo l’efficienza dell’AI nel monitoraggio continuo con la supervisione esperta umana che valida le decisioni .

Infine, strategie di orchestrazione efficaci sono cruciali per definire i nuovi ruoli tra uomo e agente. I migliori risultati si ottengono distribuendo compiti e responsabilità in base ai punti di forza: l’AI esegue calcoli, analisi e azioni rapide su larga scala, mentre l’umano fornisce direzione, contesto e controllo qualità. Questo richiede spesso un “coordinatore” centrale del workflow. In alcuni casi è un metà-agente supervisore che smista il lavoro ai vari agenti specializzati e richiama l’attenzione umana quando necessario; in altri è una vera e propria piattaforma di regia che gestisce la flotta di agenti (ad es. soluzioni emergenti di “Agent Operations System” enterprise) . In tutti i casi, un principio guida è mantenere l’umano al timone (“human-at-the-helm”) delle operazioni critiche: anche PwC sottolinea che man mano che cresce l’autonomia degli agenti, diventa vitale avere meccanismi di intervento umano robusti e governance attenta per mantenere fiducia e sicurezza . Vedremo più avanti come questo impatta ruoli e cultura organizzativa.

Architetture, pattern e strumenti per progettare flussi Human+AI persistenti

The Core

Cuore di questa evoluzione è la costruzione di workflow AI persistenti – sistemi in cui agenti artificiali possono operare in modo continuativo, interagendo sia con sistemi digitali sia con operatori umani senza soluzione di continuità. Ma come si progetta in pratica un workflow Human+AI always-on? Si tratta di mettere insieme i giusti modelli, architetture e pattern.

Dal punto di vista architetturale, un framework per agenti continui deve includere diversi componenti chiave. In primis un’Agent Architecture robusta: un “cervello” decisionale per l’agente, dotato di meccanismi di ragionamento sofisticati e soprattutto di memoria persistente per ricordare fatti e stati nel tempo . Senza memoria a lungo termine, un’AI non può veramente essere continua, perché dimenticherebbe il contesto a ogni iterazione. Serve poi uno strato di integrazione ambientale: API verso i sistemi aziendali (database, CRM/ERP, servizi esterni) in modo che l’agente possa sia leggere dati aggiornati che compiere azioni (es. creare un ticket, spedire un’email). Inoltre, un robusto framework di orchestrazione dei task è necessario per gestire flussi di lavoro prolungati: l’agente deve saper prioritizzare compiti, allocare risorse, gestire errori e recuperi senza interrompersi ad ogni eccezione . Infine, servono infrastrutture di comunicazione (per interagire con gli umani in linguaggio naturale e con altri agenti via protocolli) e di ottimizzazione continua (log delle decisioni, metriche di performance, feedback loop di miglioramento) . In sintesi, un agente continuo è molto più complesso di una singola chiamata ad un modello: è un sistema a circuito chiuso che osserva, decide, agisce e apprende iterativamente.

Le moderne librerie di agenti incorporano proprio questi elementi. Ad esempio, LangChain (open source) fornisce moduli per collegare LLM a memorie conversazionali, a tool esterni e per definire catene logiche multi-step . Semantic Kernel (Microsoft) consente agli sviluppatori di integrare facilmente “abilità” AI nelle app, con supporto enterprise in termini di sicurezza, orchestrazione e compatibilità multi-linguaggio . Framework come AutoGen semplificano la generazione di codice e agenti personalizzati con minima codifica manuale, sfruttando LLM per automatizzare la creazione di nuovi agent intelligenti . Altri strumenti focalizzati includono Rasa (per dialoghi conversazionali complessi con NLP avanzato) o Hugging Face Transformers Agents (che orchestrano modelli Transformer e tool per task NLP complessi) . Per chi invece non ha competenze di sviluppo avanzate, esistono ormai piattaforme low-code/no-code: ad esempio Langflow offre un’interfaccia visiva per comporre pipeline di agenti e flussi di Retrieval-Augmented Generation, mentre soluzioni come Lyzr offrono decine di agenti pre-addestrati per settori specifici – dal banking al marketing – pronti da inserire nei propri processi . Questa toolbox in rapida espansione significa che implementare un workflow AI continuo è sempre più alla portata: non serve reinventare la ruota, ma si possono combinare componenti esistenti (memoria, planner, connettori) configurandoli sul proprio dominio.

Un elemento tecnico essenziale per workflow persistenti è la capacità di gestire flussi non lineari e stati dinamici. A differenza di uno script fisso, un agente che lavora 24/7 deve poter affrontare situazioni impreviste, ripetere cicli, attendere input umani e coordinarsi con altri agenti. Questo implica che l’esecuzione non è più sequenziale e statica, ma richiede pipeline flessibili con loop, branch logici, interruzioni e riprese. Ad esempio, un agente potrebbe dover iterare più volte su un problema (proponendo una soluzione, vedendo che non funziona completamente, quindi raffinando l’approccio) prima di arrivare al risultato finale. Le architetture agentiche perciò integrano spesso un loop di interazione: interpretano l’input o lo stato corrente, eseguono ragionamenti/decisioni, compiono un’azione, poi leggono il feedback dell’ambiente (o dell’utente) e regolano di conseguenza il passo successivo . Tutto ciò richiede anche meccanismi di persistenza dello stato: mentre nelle applicazioni LLM semplici ogni chiamata è indipendente, qui abbiamo bisogno di memorie condivise (database di contesto, lavagne digitali, o vector store di embedding) dove l’agente possa “ricordare” risultati precedenti e conoscenze acquisite man mano . Come evidenzia Dataiku, “le architetture agentiche spesso richiedono memorie persistenti o ambienti stateful per gestire l’evoluzione dei goal nel tempo, cosa non necessaria nelle semplici applicazioni LLM” . Inoltre, in scenari multi-agente, va considerata anche la comunicazione e la condivisione dello stato tra agenti: serve un livello dove agenti diversi possano scambiarsi messaggi, delegarsi sotto-task e magari accedere a una memoria comune sincronizzata, evitando conflitti quando agiscono in parallelo.

Un pattern architetturale emergente per garantire l’interazione uomo-AI costante è il cosiddetto “supervisor-agent pattern”. In questo schema, esiste un agente principale (orchestratore) che funge da intermediario tra l’utente umano e un insieme di agenti specializzati. Il supervisor riceve le richieste o gli obiettivi dall’umano, li suddivide e li instrada al giusto agente esperto (es. un agente “esperto di ricette” per domande culinarie, un agente “matematico” per calcoli, ecc.), raccoglie i risultati e li ricompone . Crucialmente, il supervisor è in grado di interrompere il flusso in punti designati e notificare l’umano per un suo intervento. Ad esempio, un workflow multi-agente potrebbe avere uno step in cui, dopo che un agente ha generato un progetto di report, il sistema si ferma e chiede al responsabile umano: “Vuoi revisionare/approvare questo draft prima di procedere a formattarlo e inviarlo?”. Solo dopo l’ok (o le indicazioni) umane, il supervisor fa partire un altro agente che finalizza e distribuisce il report . Questo approccio garantisce che l’umano possa validare e guidare l’AI nei punti nevralgici, invece di scoprire errori o scelte sbagliate solo a posteriori. In altri termini, il workflow diventa orchestrato: l’AI fa da pilota automatico per molte attività, ma con un umano sempre nei panni di copilota pronto a prendere il controllo in caso di necessità.

Un altro pattern pratico sono i trigger di controllo basati su soglie o regole di business. Invece di attendere sempre input umano, l’agente può procedere autonomamente ma con l’obbligo di fermarsi e chiedere conferma quando incontra determinate condizioni. PwC porta l’esempio di un agente che gestisce rimborsi: si può stabilire che “per importi sopra 200$, l’AI deve passare la palla a un operatore umano per l’approvazione” . Allo stesso modo, un agente potrebbe automaticamente segnalare all’esperto umano decisioni che esulano dai pattern noti o che presentano un livello di incertezza elevato (ad esempio, un’anomalia che l’AI non sa classificare). Queste regole di ingaggio assicurano che l’AI non esca dal perimetro e che il fattore umano intervenga dove conta di più, instaurando fiducia nel sistema.

In termini di strumenti concreti, il toolbox per implementare tutto questo tipicamente include:

  • Memorie conversazionali integrate nei LLM (buffer di chat, riepiloghi, memorie vettoriali) per mantenere lo storico del dialogo e della decisione .

  • Planner o manager di task: moduli (spesso basati essi stessi su LLM) che decidono quale passo compiere dopo, quale tool usare, o come decomporre un obiettivo complesso in sub-task.

  • Tool integrati e API: l’agente continuo deve potersi interfacciare con database aziendali, motori di ricerca, servizi esterni e anche strumenti di produttività (email, calendari, fogli di calcolo). Librerie come LangChain offrono già decine di integrazioni predefinite (ad es. con Google Search, WolframAlpha, CRM Salesforce, ecc.) che l’agente può invocare all’occorrenza.

  • Monitoraggio e logging: per ogni azione dell’agente si raccolgono log dettagliati, sia a scopo di audit (far trasparire all’umano cosa ha fatto l’AI e perché) sia per analisi e miglioramento offline. Ad esempio, un sistema potrebbe registrare che l’agente X ha proposto 100 risposte, di cui l’operatore umano ne ha scartate 30: questi dati servono poi al team per affinare le policy o ricondurre i modelli dove tendono a sbagliare.

  • Guardrail e sicurezza: quando l’AI opera continuamente su dati sensibili o esegue azioni critiche, è fondamentale implementare controlli. Si va da filtri sui contenuti generati (per evitare output tossici o indesiderati) a sistemi DLP (Data Loss Prevention) che bloccano l’agente se sta per esporre dati riservati all’esterno . In alcuni casi si inserisce nel loop un agente “sentinella” specializzato in sicurezza, che supervisiona le mosse degli altri agenti e alza bandiere rosse se violano policy .

In sintesi, il core tecnologico dei workflow Human+AI continui consiste nel combinare modelli avanzati, infrastrutture di memoria e integrazione, e pattern di orchestrazione che bilanciano autonomia dell’AI e controllo umano. Ciò consente di avere sistemi agentivi adattivi e resilienti, capaci di evolvere col contesto e collaborare con gli umani in maniera fluida e affidabile, anziché limitarsi ad eseguire un singolo compito per poi spegnersi.

Cultura, ruoli e governance nell’era della collaborazione continua

The Broader Shift

Oltre alle sfide tecniche, la transizione verso workflow AI continui porta con sé importanti implicazioni organizzative, professionali e culturali. Quando l’AI diventa un “collega” onnipresente sul lavoro, come cambiano i ruoli umani? Come assicurare fiducia e accettazione? E che impatto ha sul modo in cui aziende e team sono strutturati?

Ridefinizione dei ruoli professionali: In un modello ibrido tradizionale, l’AI svolgeva compiti ben delimitati e l’essere umano manteneva la presa su tutto il resto. Nel modello continuo, molte delle attività ripetitive, routinarie o analitiche vengono assorbite dall’AI in tempo reale, liberando gli umani per mansioni a maggior valore aggiunto. Questo sposta l’enfasi dei ruoli umani verso compiti di sorveglianza, decisione e creatività. Ad esempio, un content manager con un assistente AI continuo non perderà più ore a schedulare post sui social o ad analizzare metriche basiche (lo farà l’AI), ma dovrà concentrarsi su cosa fare di quelle analisi, quale strategia creativa adottare e su come supervisionare i contenuti proposti dall’AI. In generale, si va verso team “centauri” in cui l’unione di AI e intelligenza umana supera le capacità di ciascuno separatamente. Come ben riassunto in un rapporto recente, “l’integrazione di AI e intelligenza umana non è competizione, ma collaborazione. L’AI amplifica i punti di forza umani – velocità, precisione, scalabilità – mentre gli esseri umani apportano creatività, empatia e giudizio etico” . Questa complementarità sarà il fulcro dei ruoli futuri.

Naturalmente, ciò comporta anche la nascita di nuove competenze e posizioni. Stiamo già vedendo emergere figure come il prompt engineer (specialista nel dialogare efficacemente con i modelli AI), il data curator (curatore dei dati e delle conoscenze che alimentano l’AI), o l’AI ethicist (esperto di etica e compliance dell’AI in azienda). In prospettiva, molti lavori tradizionali incorporeranno un “pezzo” di AI: ad esempio l’analista finanziario diventerà un analista aumentato dall’AI, che saprà utilizzare agenti per scandagliare bilanci e pattern di mercato, mantenendo però il compito di interpretare quei risultati e prendere decisioni d’investimento. Le aziende leader si stanno muovendo per formare i dipendenti a queste convivenze uomo-macchina: dai programmi di upskilling sul prompt design per team non tecnici, a veri e propri bootcamp per diffondere competenze di utilizzo di librerie AI e strumenti di automazione nelle varie funzioni aziendali . In altre parole, l’alfabetizzazione AI diventerà una parte standard di molti lavori, così come l’uso del computer o di Internet lo è diventato in passato.

Impatto sulla fiducia e la cultura: Un ostacolo cruciale da gestire è la fiducia. Lasciare un’AI “sempre accesa” a fianco a noi nelle operazioni richiede che i team si fidino delle sue capacità – ma non ciecamente. La ricerca mostra che utenti e clienti vogliono beneficiare dell’AI (vedono possibilità di maggiore efficienza, coerenza e perfino ispirazione nel lavoro creativo), ma allo stato attuale non sono pronti ad affidarsi completamente a sistemi autonomi senza supervisione umana . In un sondaggio Salesforce su oltre 1000 use case di AI generativa, tutti hanno espresso la necessità di avere un umano al comando nelle applicazioni critiche, anche quando l’AI è potente. Questo implica che le organizzazioni devono costruire un contesto dove l’AI è percepita come affidabile ma sempre verificabile.

Alcune pratiche per alimentare la fiducia includono: trasparenza (rendere visibile quando un contenuto o decisione è generata dall’AI, e su quali basi), controllabilità (dare agli utenti la possibilità di accettare/modificare/rifiutare le azioni proposte dall’AI facilmente) e coerenza (l’AI deve comportarsi in modo prevedibile entro certi confini, senza sorprendere gli utenti con output inappropriati). Tenere l’umano in the loop non è solo un requisito tecnico, ma un elemento di fiducia psicologica: le persone sapendo di poter intervenire restano più serene nell’adottare l’AI quotidianamente . Una conseguenza importante è che nelle aziende servirà promuovere una cultura del feedback continuo: gli operatori dovranno sentirsi responsabili di segnalare errori dell’AI, di addestrarla ulteriormente con esempi corretti, e non semplicemente delegare tutto passivamente. In fondo, la collaborazione continua implica una sorta di coevoluzione: l’AI impara dall’umano e viceversa l’umano si adatta allo stile di lavoro dell’AI. Le organizzazioni che riusciranno a instaurare questa partnership simbiotica, dove l’errore dell’AI è occasione di apprendimento e non di scaricabarile, vedranno crescere sia la fiducia sia l’efficacia dei sistemi persistenti nel tempo.

Nuovi modelli organizzativi e di governance: Quando l’AI pervade costantemente le operazioni, l’azienda deve evolvere nei suoi processi e nelle sue policies. Un punto chiave è l’AI governance: molte aziende hanno sviluppato linee guida etiche e controlli sull’AI, ma spesso tarati su un mondo di modelli statici (es. un algoritmo di scoring creditizio) o di use case isolati. Ora bisogna adattare la governance a un “mondo agentico” , dove potenzialmente decine di agenti AI agiscono ogni giorno in vari dipartimenti. Questo significa implementare sistemi di monitoraggio centralizzato delle AI in produzione, definire chi ha la responsabilità di “allenare” e aggiornare gli agenti, e come gestire rischi specifici (es. un agente che accede a dati personali deve essere conforme a GDPR e alle politiche interne). PwC sottolinea che i programmi di AI responsabile esistenti vanno estesi per coprire sia il breve termine (stabilire soglie, controlli e auditing immediati sugli agenti) sia il lungo termine (valutare l’impatto strategico di avere sempre più agenti autonomi e assicurare allineamento con gli obiettivi aziendali) .

A livello organizzativo, vedremo probabilmente la creazione di AI Center of Excellence o task force dedicate a orchestrare questi agenti. Inoltre, i team diventeranno sempre più interfunzionali: perché l’AI continua rompe i silos, con agenti che magari interagiscono trasversalmente tra reparto IT, operativo e customer care. Le aziende leader stanno già favorendo questo approccio multi-disciplinare, dove esperti di dominio lavorano con data scientist e ingegneri prompt per configurare al meglio gli assistenti AI sulle proprie esigenze. Un esempio pratico è l’adozione di “AI champions” all’interno di ogni dipartimento – dipendenti che fanno da punto di riferimento per l’integrazione dell’AI nel loro settore, curandone sia l’implementazione che la formazione dei colleghi.

Non vanno nemmeno trascurate le potenziali resistenze e impatti umani. Alcuni lavoratori potrebbero temere che avere un agente AI sempre alle calcagna sia intrusivo o preluda a un controllo aumentato delle performance. Altri potrebbero mostrare iper-affidamento, ovvero fidarsi troppo e smettere di svolgere quel ruolo critico di supervisione (ci sono evidenze che in ambienti ad alta pressione, se l’AI automatizza molto, gli umani tendono col tempo a abbassare la guardia e saltare anche le semplici verifiche di routine ). È quindi fondamentale gestire il cambiamento con empatia e formazione: spiegare chiaramente ai team che l’AI continua è lì per supportarli e non per valutarli; incentivare l’uso dell’AI come strumento per ridurre lo stress (delegando le incombenze noiose) e migliorare i risultati, anziché come “grande fratello”. Allo stesso modo, mantenere incentivi corretti: se un’azienda premia solo la velocità e output prodotti con l’AI, rischia che i dipendenti non la controllino a sufficienza; vanno invece incoraggiati a prendersi il tempo di rivedere gli output e intervenire dove serve, magari riconoscendo esplicitamente il valore di un errore evitato grazie all’intervento umano. In sintesi, la fiducia deve essere bilaterale: i lavoratori devono poter fidarsi dell’AI (che sia robusta, trasparente, migliorabile) ma anche l’azienda deve continuare a fidarsi dei lavoratori nel loro ruolo di guardiani e decisori finali.

In conclusione, il passaggio a workflow human+AI continui non è solo un aggiornamento tecnologico, ma uno shift organizzativo profondo. Chi riuscirà a combinarne tutti gli aspetti – tecnologia giusta, ruoli ben definiti, cultura collaborativa e governance solida – potrà liberare enormi potenzialità. Le aziende diventeranno più agili e resilienti, capaci di affrontare complessità crescenti grazie a squadre miste umani+AI. Allo stesso tempo, emergeranno nuovi equilibri nel mondo del lavoro, dove creatività, giudizio e valori umani saranno ancora più importanti per guidare le macchine intelligenti lungo la rotta desiderata.

Scenari futuri: agenti autonomi, decisioni proattive e organizzazioni aumentate

What’s Next

Cosa ci riserva il futuro prossimo in questo ambito? Gli esperti concordano: l’integrazione continua di AI nei workflow è destinata ad accelerare e ad ampliarsi a quasi ogni funzione e settore. Già entro il 2026 vedremo un’ampia diffusione di quelli che vengono definiti “agenti agentici” – sistemi AI in grado di fissare obiettivi, pianificare attività ed eseguire decisioni con minima supervisione umana, passando da un ruolo reattivo a uno proattivo nel delegare lavoro alle macchine . I trend tecnologici indicano che questi agenti diventeranno sempre più autonomi e adattivi, grazie a progressi nei modelli di ragionamento e nelle memorie: in pratica, l’AI sarà capace di iniziare azioni da sola, aggiustare il tiro se cambiano le condizioni e imparare dagli esiti per migliorare continuamente . Di pari passo, aumenteranno gli usi reali di agenti persistenti: si profilano scenari come assistenti virtuali sanitari che gestiscono l’agenda dei pazienti, analizzano esami clinici e allertano proattivamente i medici su situazioni critiche; agenti finanziari che 24/7 monitorano transazioni per individuare frodi, eseguono controlli di compliance normativo e ottimizzano strategie di portafoglio; oppure agenti nel customer service capaci di risolvere autonomamente i ticket comuni, avviare follow-up con i clienti e analizzare in tempo reale il sentiment delle conversazioni per adattare il tono del servizio . Tutto questo in molti casi esiste già in forma embrionale e nei prossimi anni passerà dalla fase di pionieristica a mainstream.

Un’altra tendenza sarà la convergenza tra AI continue e AI multimodali. Oggi gran parte degli assistenti lavora su testi o numeri, ma entro pochi anni avremo agenti integrati che potranno vedere e ascoltare: ad esempio sistemi nell’industria manifatturiera che combinano visione artificiale (per ispezionare la linea di produzione) con analisi testuale e sensoristica IoT, il tutto coordinato da un cervello AI centrale che collabora con gli operatori in fabbrica. Nel settore creativo, immaginate un design assistant che rimane attivo per tutto un progetto di design: dall’ideazione (proponendo schizzi generati da prompt descrittivi) alla prototipazione (magari interagendo anche con stampanti 3D o software CAD), fino ai test con utenti (analizzando in diretta le reazioni sui volti via video e suggerendo iterazioni di miglioramento). La continuous collaboration abilitata dall’AI si estenderà anche alla dimensione fisica, con robot e cobot intelligenti fianco a fianco dei lavoratori: macchine capaci di apprendere dalle abitudini dei colleghi umani e di adattare i propri movimenti e compiti di conseguenza, in un balletto coordinato uomo-robot sulla linea produttiva o nel magazzino .

Sul fronte strategico e decisionale, vedremo le AI entrare nelle stanze dei bottoni. Le evoluzioni in NLP permetteranno agli agenti di partecipare alle riunioni di leadership aziendale, fornendo analisi predittive e simulazioni di scenario come supporto alle decisioni . Un agente continuo potrà incrociare in tempo reale dati di mercato, indicatori finanziari e trend emergenti e dire la sua durante un meeting direzionale: ad esempio “attenzione, se aumentiamo i prezzi di questo prodotto, i modelli prevedono un calo del 5% nella soddisfazione clienti e un impatto X sul churn rate”. Queste AI partner fungeranno da sparring partner per i leader, consentendo di testare virtualmente decisioni prima di attuarle e di affinare continuamente la strategia man mano che arrivano nuovi dati . È chiaro che questo richiederà grande fiducia e comprensione del funzionamento dell’AI da parte dei decisori, ma i vantaggi in termini di velocità e profondità di analisi strategica possono essere enormi.

Guardando oltre, uno scenario affascinante è quello di organizzazioni realmente aumentate: aziende dove ogni dipartimento ha una serie di agenti AI specializzati sempre in funzione, e questi agenti comunicano anche tra di loro. Si potrebbe arrivare a qualcosa di simile a un “digital twin” dell’organizzazione fatto di agenti: uno per la logistica, uno per le vendite, uno per le risorse umane ecc., che interagiscono costantemente scambiandosi informazioni (proprio come i responsabili umani fanno nei meeting interfunzionali) e anticipando problemi o opportunità. Ad esempio, l’agente delle vendite potrebbe avvisare l’agente di produzione di un picco di richieste su un prodotto, e quest’ultimo potrebbe autonomamente ricalibrare la catena di fornitura (o chiedere al manager umano di autorizzare lo straordinario di un turno in più). Sembra fantascienza, ma i mattoni tecnologici ci sono già: API-driven AI e microservizi intelligenti permetteranno di innestare funzionalità AI avanzate in tutti i sistemi aziendali in modo modulare , e con un’adeguata orchestrazione centrale questi moduli potranno comunicare efficacemente.

Non va dimenticato che, insieme a questi sviluppi, arriveranno anche nuove sfide. L’aumento di autonomia degli agenti imporrà probabilmente regole e standard più stringenti (pensiamo alle normative come l’EU AI Act in arrivo) per assicurare che gli “AI co-worker” rispettino la privacy, l’equità e la sicurezza. Le aziende dovranno implementare meccanismi di auto-spegnimento o limitazione di autonomia in caso l’AI vada fuori controllo, un po’ come i freni d’emergenza nei macchinari industriali. Ci sarà da gestire l’etica delle decisioni delegate: se un agente AI licenzia un candidato o decide di non concedere un prestito, di chi è la responsabilità? Idealmente, rimarrà umana, quindi serviranno tracciabilità e possibilità di intervento ex-post sulle decisioni prese dall’AI in continuo.

Sul piano delle competenze, il valore del fattore umano potrebbe addirittura crescere paradossalmente: quanto più l’AI fa da spalla su cose hard-skill (analisi, calcolo, ottimizzazione), tanto più soft skills come leadership, pensiero critico, empatia nel gestire i cambiamenti diventeranno discriminanti per il successo. In un certo senso, liberati da compiti alienanti, gli esseri umani potranno concentrarsi su ciò che li rende unici. Le organizzazioni dovranno incentivare questa crescita umana parallela a quella tecnologica, per evitare di avere super algoritmi ma personale demotivato o sprovvisto del giusto mindset.

In definitiva, nei prossimi 3-5 anni assisteremo a un progressivo consolidamento dei workflow AI continui come nuovo standard operativo. Le aziende passeranno dalla fase dell’entusiasmo per le demo di GPT alla fase dell’implementazione diffusa di agenti su misura, integrati nei loro processi end-to-end. Molte sperimentazioni falliranno o insegneranno lezioni – come è naturale in ogni trasformazione – ma chi riuscirà a mettere in produzione agenti affidabili e a farli collaborare efficacemente con il proprio capitale umano, getterà le basi per un vantaggio competitivo enorme. Stiamo entrando, per citare Reid Hoffman, nell’era delle “superintelligenze collettive” composte da persone e AI insieme. Come ha detto Demis Hassabis di DeepMind, “è nella collaborazione fra persone e algoritmi che si celano incredibili progressi scientifici nei prossimi decenni” . Il compito che ci attende è fare in modo che questi progressi avvengano in modo controllato, inclusivo e al servizio dell’umanità. Il viaggio dai workflow ibridi a quelli continui è iniziato – e trasformerà per sempre il modo in cui pensiamo il lavoro e la creatività.

Takeaways

5 principi chiave per costruire workflow Human+AI continui e affidabili

  • Da AI strumento a AI collega: Stiamo passando da un utilizzo dell’AI occasionale e isolato (tool invocato all’occorrenza) a un’integrazione continua dell’AI nei flussi di lavoro. In questo nuovo modello l’AI rimane attiva costantemente, interagendo con umani e sistemi in tempo reale e fungendo da vero partner operativo e non solo da assistente episodico.

  • Framework e tecnologie abilitanti: La collaborazione continua Human+AI è resa possibile dai progressi nei modelli generativi (LLM più versatili) uniti a memorie persistenti e nuove architetture agentive. Strumenti come LangChain, Semantic Kernel, AutoGen, ecc. forniscono componenti pronti per costruire agenti con loop di ragionamento, integrazione di tool esterni, gestione dello stato e orchestrazione di compiti multipli . In pratica disponiamo di un toolbox per implementare workflow AI prolungati e adattivi senza dover partire da zero.

  • Nuovi pattern di workflow: Nei processi AI continui, il prompting diventa iterativo e contestuale, e l’human-in-the-loop si distribuisce lungo tutto il ciclo. Si adottano strategie come supervisor agent (un agente orchestratore che coinvolge l’umano nei punti giusti) , o regole di ingaggio per cui l’AI alza bandiera e chiede conferma umana su decisioni oltre certe soglie . Questi pattern assicurano sia efficienza (l’AI automa molti step) sia controllo (l’umano interviene dove conta), aumentando fiducia e qualità dei risultati.

  • Impatto su persone e organizzazioni: L’adozione di agenti persistenti sta cambiando i ruoli: gli esseri umani delegano attività ripetitive all’AI e si concentrano su creatività, strategia e supervisione. Ciò richiede nuove competenze (es. saper collaborare con un’AI, interpretare i suoi output, fornire feedback) e porta alla nascita di figure inedite come specialisti del prompt o dell’etica AI. La fiducia è fondamentale: studi confermano che sia lavoratori sia clienti esigono una presenza umana al timone per fidarsi pienamente dell’AI continua . Le aziende devono quindi evolvere la loro cultura e governance – aggiornando policy di AI responsabile , formando il personale e incentivando un approccio di controllo attivo – per sfruttare i benefici dell’AI senza perdere il fattore umano.

  • Verso il futuro prossimo: Nei prossimi anni assisteremo a una espansione massiccia della collaborazione continua Human+AI. Agent autonomi sempre più avanzati diventeranno comuni in settori come sanità, finanza, operation, design, con AI proattive che gestiscono processi end-to-end e interagiscono tra loro. L’AI aumenterà la forza lavoro anziché rimpiazzarla, creando team ibridi uomo-macchina ultra-performanti . Si profilano agenti AI coinvolti anche nelle decisioni strategiche (es. supporto ai dirigenti tramite simulazioni e consigli data-driven) . Questa evoluzione porterà grandi opportunità di efficienza e innovazione, ma richiederà attenzione a etica, regolamentazione e gestione del cambiamento per essere implementata con successo.

Recommended Resources

Libri, articoli e strumenti per approfondire la progettazione dei flussi AI sempre attivi

  • Understanding AI Agents & Agentic Workflows – Dataiku (2023): Una panoramica completa sugli agenti AI e i workflow “agentici”. Descrive tipologie di agenti (back-end vs front-end), differenze tra sistemi single-agent e multi-agent, e dettaglia i componenti chiave per sviluppare agenti autonomi (memoria, tool, loop di interazione, ecc.) . Utile per afferrare le basi tecniche della collaborazione continua.

  • Top 9 AI Agent Frameworks (May 2025) – Shakudo: Rassegna dei principali framework open-source ed enterprise per costruire agenti AI avanzati. Da LangChain a Microsoft Semantic Kernel, fino a tool low-code come Langflow, il articolo confronta caratteristiche e casi d’uso di ciascuno . Ottimo per orientarsi nella toolbox di librerie e piattaforme disponibili.

  • Superagency in the workplace: Empowering people to unlock AI’s full potential – McKinsey (2025): Report approfondito sullo stato di adozione dell’AI sul lavoro e su come amplificare l’agency umana con l’AI. Include dati (es. solo 1% aziende “AI mature”) e analisi su perché molti sono fermi ai pilot . Propone strategie per scalare l’AI in azienda mettendo le persone al centro, con focus su upskilling, fiducia e leadership visionaria.

  • Unlocking the power of human-AI collaboration for smarter risk management – Carsten Krause (2024): Articolo su Medium che illustra il framework AI + HI = ECI (Elevated Collaborative Intelligence) applicato al risk management. Mostra in pratica come un workflow continuo AI+umano può anticipare i rischi invece di subirli, mappando i ruoli di AI e human nelle varie fasi (governance, mappatura, mitigazione) . Un caso concreto di sinergia continua.

  • AI agents e approccio “human-at-the-helm” – PwC (2023): Linee guida di PwC per implementare agenti AI in modo responsabile. Discute le sfide (esposizione dati, overreliance) e le misure mitigative: dal design con interventi umani obbligati in certe decisioni all’uso di agenti “sentinella” per sicurezza . Ottima risorsa sui temi di trust, governance e orchestrazione di più agenti in contesto enterprise.

  • Top 5 AI Trends to Watch in 2026 – Techkors (2025): Articolo orientato al futuro prossimo. Il trend #1 “Rise of Agentic AI” descrive l’arrivo di agenti sempre più autonomi e proattivi, con esempi di use case in healthcare, fintech, customer service . Copre anche workforce aumentata e AI multimodale. Fornisce un’idea chiara di cosa aspettarsi dai workflow Human+AI nei prossimi anni, in termini di applicazioni e impatti business.

Manus vs Perplexity : AI che lavora per te e l’evoluzione del fare

Negli ultimi mesi, attraverso un percorso fatto di test, implementazioni e tante domande operative da risolvere, mi sono immerso in una sperimentazione continua di strumenti AI orientati a migliorare il modo in cui lavoro, faccio ricerca, sviluppo e costruisco soluzioni.

In questo viaggio, ho esplorato diverse tecnologie e framework, oltre che soluzioni. Alcuni sono rimasti marginali, altri sono diventati parte integrante della mia cassetta degli attrezzi quotidiana. Tra questi, ChatGPT Pro e Claude Pro sono ormai strumenti imprescindibili, ciascuno con caratteristiche ben distinte che si adattano a contesti diversi.

Ultimamente però la mia attenzione si è concentrata su due piattaforme in particolare: Manus e Perplexity Pro (che già utilizzavo, ma le ultime implementazioni hanno ridato nuova luce), quest’ultimo soprattutto dopo il rilascio, ieri, della nuova funzione Labs.

Manus rappresenta un salto concettuale verso l’agente AI autonomo, capace di orchestrare task articolati con una logica multi-step. Perplexity, dal suo punto di vista, continua a rafforzarsi come motore di risposta e ricerca evoluta, e con Labs compie un salto di qualità trasformandosi in un vero e proprio strumento operativo di produzione.

Non si tratta di scegliere uno o l’altro.

Ogni sistema ha la sua identità e forza. Per questo ho ritenuto utile mettere nero su bianco un confronto tecnico e funzionale tra Manus e Perplexity Pro Labs: per orientarsi meglio e capire quando e come usarli in modo complementare, dentro un workflow più ampio e consapevole.

Perplexity Pro e Manus a confronto

Per rendere il confronto utile, ho scelto di non limitarmi a una valutazione superficiale delle funzionalità, ma di analizzare entrambi i tool secondo una griglia che riflette le mie esigenze quotidiane: ricerca approfondita, gestione e organizzazione della conoscenza, supporto allo sviluppo e automazione, e capacità di analisi e produzione di report strutturati.

Ho integrato anche una lettura tecnica più profonda, osservando architetture, modelli AI utilizzati, modalità di esecuzione, interfacce, API e logiche di integrazione, per comprendere non solo cosa fanno, ma come lo fanno e quali trade-off implicano.

L’obiettivo non è stilare una classifica, ma visto che in molti mi chiedono spesso quale usare e come, ho provato a mettere a fuoco le specificità di ciascuno strumento: capire dove eccelle, dove è ancora acerbo, e soprattutto quale ruolo può avere all’interno di un sistema di lavoro ibrido e potenziato dall’AI.

Ricerca e generazione di conoscenza

Perplexity Pro Labs: Perplexity nasce come motore di risposta AI integrato con il web, in grado di fornire risposte accurate e citate da fonti affidabili in tempo reale . La nuova funzione Labs (lanciata il 29 maggio 2025) estende questa capacità: invece di limitarsi a rispondere a una singola domanda, un Lab svolge ricerche approfondite in autonomia (tipicamente per 10 minuti o più) utilizzando strumenti avanzati come la navigazione web profonda e l’esecuzione di codice . Durante un Lab, Perplexity esplora molteplici fonti online, ad esempio articoli di news, paper accademici o database,  sintetizza le informazioni trovate in una risposta dettagliata, inclusiva di riferimenti per verificare ogni affermazione importante .

Il risultato è simile a un report redatto da un ricercatore: l’utente ottiene analisi ricche di contenuto, supportate da fonti autorevoli, con la possibilità di approfondire tramite i link citati. Perplexity Pro Labs si aggiorna dinamicamente: grazie al browsing web integrato, le sue risposte includono informazioni aggiornate all’istante (superando così il limite di cutoff dei classici LLM) .

Manus: Manus è progettato come un agente AI generale completamente autonomo, in grado di pianificare ed eseguire ricerche multi-step senza intervento umano . A differenza di un chatbot tradizionale, che risponde a prompt singoli, Manus può orchestrare processi di ricerca complessi: ad esempio, può scansionare siti di notizie, forum e banche dati, estrarre i dati rilevanti e sintetizzare il tutto in un rapporto strutturato, il tutto mentre l’utente svolge altro . Una volta definito un obiettivo (“goal”), l’agente opera in background: naviga sul web in autonomia, apre schede, compila form e legge contenuti molto più velocemente di un umano .

Manus non presenta esplicitamente citazioni bibliografiche nelle sue risposte finali, focalizzandosi sul deliverable finale; offre trasparenza sul processo: nella sua interfaccia mostra un pannello (“Manus’s computer”) con la cronologia passo-passo delle azioni compiute e le pagine visitate . Ciò significa che l’utente può seguire quali fonti sono state consultate e come sono state utilizzate. Sul fronte dell’aggiornamento delle informazioni, Manus sfrutta direttamente internet e anche API esterne per ottenere dati in tempo reale (es. può chiamare l’API Yahoo Finance per scaricare quotazioni aggiornate) . In sintesi, Perplexity Labs privilegia un approccio “ricerca + risposta verificabile”, mentre Manus agisce come un agente esecutivo che trova e compone conoscenza da più fonti, offrendo all’utente il risultato finale senza richiedere prompt successivi .

Knowledge management (Gestione della conoscenza)

Perplexity Pro Labs: L’ecosistema Perplexity include funzionalità avanzate per organizzare e riutilizzare il sapere generato. In particolare, introduce le Spaces, spazi di lavoro dove l’utente può salvare e raggruppare le conversazioni (thread) e i contenuti per progetto o argomento . Ogni Space funge da hub di conoscenza personalizzato: gli utenti Pro possono anche caricare documenti propri (PDF, CSV, testi, ecc.) all’interno dello spazio, creando un piccolo repository persistente di informazioni . Quando si fa una domanda in una Space, Perplexity eseguirà una ricerca sia sul web che tra i file caricati, fornendo risposte su misura che combinano fonti pubbliche e conoscenza privata rilevante .

Questa integrazione (detta Internal Knowledge Search) permette, ad esempio, di fare domande su un manuale aziendale caricato o su dati interni, ottenendo risposte contestualizzate. Le Spaces supportano anche la collaborazione: l’utente può invitare colleghi con permessi di sola lettura o scrittura, così un team può condurre ricerche congiunte e condividere risultati . Tutte le sessioni (thread) restano salvate nello spazio finché l’utente non le rimuove, costituendo di fatto una documentazione persistente a cui tornare in seguito. Inoltre, Perplexity offre opzioni di esportazione dei risultati (ad esempio in PDF, Markdown o altri formati) , facilitando la creazione di report riutilizzabili o archiviabili localmente.

Manus: La filosofia di Manus è più focalizzata sul completamento di singoli task autonomi che sull’organizzazione manuale della conoscenza da parte dell’utente. Ogni esecuzione di Manus genera un “progetto” autonomo con i suoi risultati, e il sistema fornisce strumenti per rivedere e conservare quanto fatto. In particolare, Manus include una funzione di Replay delle sessioni: ogni sessione può essere registrata e rigiocata passo-passo, mostrando esattamente come l’agente ha svolto il compito . Questa feature è preziosa sia per analizzare o correggere il comportamento dell’AI (debug/review) sia come documentazione: l’utente può condividere il replay con altri o rivederlo in futuro per replicare il processo .

Al di fuori dei replay, Manus attualmente non offre spazi collaborativi permanenti né una memoria a lungo termine multi-sessione accessibile all’utente (nel 2025 è ancora in beta privata, orientato a esecuzioni stand-alone). Detto ciò, Manus dimostra una forma di adattamento interno della conoscenza: all’interno di un singolo progetto, l’agente costruisce e aggiorna una sorta di knowledge base temporanea. Ad esempio, se durante un’attività di recruiting l’utente indica preferenze specifiche (es. competenze o esperienze desiderate), Manus aggiorna la propria base di conoscenza interna e adatta di conseguenza le raccomandazioni che fornisce . Allo stesso modo, l’utente può fornire a Manus file in input per il singolo task, ad esempio caricando un dataset CSV, un elenco di curriculum o altri dati, e l’agente li utilizzerà nel proprio processo di analisi . Questi file però non vengono conservati in una libreria permanente oltre la sessione corrente. In sintesi, Perplexity offre strumenti espliciti per organizzare, preservare e condividere la conoscenza su più sessioni (utile per costruire una base di conoscenza cumulativa), mentre Manus privilegia la traccia del processo (replay) e l’adattabilità on-the-fly durante l’esecuzione di un compito, senza ancora un modulo di archiviazione permanente multi-progetto.

Sviluppo (Supporto alla programmazione)

Perplexity Pro Labs: Perplexity Labs integra la scrittura ed esecuzione di codice come mezzo per raggiungere gli obiettivi dell’utente . In pratica, durante una sessione Labs l’AI può decidere di generare codice (tipicamente in Python, ma anche HTML/JavaScript per il web) per svolgere subtasks: ad esempio può scrivere uno script Python per riorganizzare e analizzare un dataset, applicare formule o generare un grafico . La caratteristica distintiva è che il codice generato viene eseguito automaticamente nell’ambiente sandbox di Perplexity, e i risultati (output) ritornano nel flusso di lavoro del Lab. Ciò consente di automatizzare analisi complesse: Perplexity può creare tabelle pivot da dati forniti, calcolare statistiche o produrre visualizzazioni senza che l’utente debba programmare manualmente. Inoltre, Labs può sviluppare mini-applicazioni web interattive direttamente all’interno dell’interfaccia Perplexity: ad esempio, può realizzare un semplice dashboard o una piccola web app con HTML/CSS/JS, visibile in una scheda “App” del progetto . Tutti i file generati (codice sorgente, immagini, CSV, ecc.) durante un Lab vengono salvati nella scheda Assets, dove l’utente può visionarli o scaricarli .

Sul piano tecnico, Perplexity sfrutta modelli AI specializzati per il coding: oltre a modelli GPT avanzati (es. GPT-4 per capacità di linguaggio) , utilizza modelli addestrati sul codice come Code Llama o un ensemble proprietario (Mixtral 8x7B, un mixture-of-experts di otto modelli 7B) per generare codice in modo efficiente . Questo mix di modelli permette a Labs di produrre codice funzionante rapidamente, come riportato da utenti soddisfatti della velocità con cui Perplexity Labs risolve compiti di programmazione . Va notato che l’utente mantiene un certo controllo durante il processo: l’interfaccia Labs mostra i progressi step-by-step e consente di intervenire, ad esempio saltando uno step o aggiungendo istruzioni aggiuntive se qualcosa deviasse dall’obiettivo . In caso di errori di codice, l’utente può guidare la correzione, anche se spesso Labs tenterà da sé di debug/revisioni per portare a termine il task nei 10+ minuti di esecuzione.

Manus: Manus è stato progettato sin dall’inizio con una forte enfasi sulla capacità di programmazione autonoma. Adotta una sub-agente dedicato al code generation all’interno della sua architettura multi-agente , il che gli consente di affrontare compiti di sviluppo software anche complessi. In pratica, Manus può scrivere, testare e correggere codice in vari linguaggi di programmazione e framework, secondo le necessità del progetto . Ad esempio, se il compito richiede di costruire un sito web interattivo, Manus genererà il codice HTML/CSS/JavaScript necessario, lo eseguirà nel suo ambiente e itererà fino a ottenere un sito funzionante .

Un caso concreto: richiesto di analizzare a fondo le azioni Tesla e creare un sito web con i risultati, Manus ha effettivamente prodotto un sito web dinamico con grafici e analisi finanziarie, gestendo in autonomia sia la parte di raccolta dati che di codifica front-end . Per compiti di data analysis, Manus scrive script (tipicamente in Python) per effettuare calcoli o chiamare API: nel test sull’S&P 500, l’agente ha creato uno script Python che interroga l’API YahooFinance per ottenere i dati di mercato aggiornati e calcolare gli indicatori chiave . In seguito ha generato altri script Python per eseguire simulazioni Monte Carlo (10.000 iterazioni) e modellare scenari di evoluzione del mercato, integrando infine questi risultati nel report .

Tutto questo avviene senza che l’utente debba richiedere esplicitamente ogni passo: Manus decide da solo quali moduli sviluppare in codice per raggiungere l’obiettivo finale. La capacità di debug fa parte del ciclo: i sub-agenti di Manus comunicano tra loro, quindi se il codice inizialmente non funziona o necessita di modifiche, l’agente può ricalibrare e correggere errori prima di procedere, il tutto visibile poi nella replay. La trasparenza infatti è un plus: grazie al replay, uno sviluppatore può vedere ogni riga di codice che Manus ha scritto e come l’ha eventualmente modificata dopo i test , facilitando il refactoring o l’apprendimento di soluzioni. In sintesi, Perplexity Labs offre un solido aiuto assistivo alla programmazione (scrive codice su richiesta e lascia all’utente supervisione), mentre Manus si comporta più da sviluppatore autonomo, in grado di prendere in carico un progetto software end-to-end (nel limite della complessità supportata) e restituire direttamente il prodotto finito.

Analisi e reportistica

Perplexity Pro Labs: La natura stessa di Labs è di produrre deliverable completi a partire da una richiesta complessa. Perplexity Labs può infatti generare report dettagliati, documenti di analisi, tabelle comparative, grafici e persino dashboard interattivi, a seconda di cosa viene richiesto . Ad esempio, in ambito business, Labs può analizzare le finanze di un’azienda e restituire un rapporto con grafici e osservazioni; in ambito personale, può confrontare decine di proprietà immobiliari e presentare una tabella comparativa con punteggi e criteri, il tutto contornato da spiegazioni testuali. Un punto di forza è che ogni output è sostenuto da ricerca accurata: Perplexity include nelle sue risposte riferimenti alle fonti, garantendo che ogni dato o affermazione chiave sia verificabile .

Durante i 10+ minuti di esecuzione, Labs potrebbe ad esempio trovare statistiche su siti governativi, articoli di settore e recensioni, e amalgamare queste informazioni in un resoconto coerente. I risultati possono assumere vari formati: oltre al testo in prosa (es. un documento stile relazione), Labs può incorporare visualizzazioni (grafici generati dal codice, mappe, immagini create dall’AI) direttamente nell’output . Può anche generare fogli di calcolo o file CSV con i dati strutturati trovati, che l’utente può scaricare per ulteriore analisi . Una caratteristica notevole è la possibilità di creare mini-siti o app: ad esempio, se il progetto lo richiede, Perplexity può presentare i risultati sotto forma di una pagina web navigabile (ospitata nell’interfaccia Labs stessa) con grafici interattivi o una piccola web app dimostrativa . In ogni caso, l’utente può al termine esportare il risultato del Lab (in Markdown, PDF, etc.) per incorporarlo in presentazioni o documenti aziendali . Perplexity Labs, in sostanza, automatizza la creazione di report: consente di passare da una lista di domande o obiettivi a un documento finale pronto all’uso (es. un report di ricerca completo di dati e fonti, o un dashboard esplorabile), il tutto con una sola prompt iniziale.

Manus: Anche Manus è estremamente orientato al risultato finale e brilla nella generazione di analisi approfondite e report personalizzati. Grazie al suo approccio agentico, è in grado di restituire output articolati e pronti all’uso senza bisogno di ulteriori refining da parte dell’utente. Ad esempio, Manus può condurre ricerche di mercato in un dato settore e consegnare un documento finale con tutti i risultati: nel caso di studio sull’industria dell’abbigliamento, Manus ha prodotto un’analisi completa dei prodotti AI per il retail, includendo posizionamento competitivo e considerazioni strategiche . Un altro esempio è la comparazione di polizze assicurative: Manus ha generato una tabella comparativa chiara e strutturata con tutte le informazioni chiave delle varie opzioni, evidenziando raccomandazioni ottimali in base alle esigenze fornite . Questo non solo implica raccogliere i dati (massimali, premi, condizioni) ma anche presentarli in modo sintetico e visualmente pulito, cosa che l’agente fa autonomamente.

Manus eccelle anche nel data analysis su dati forniti dall’utente: caricando, ad esempio, i dati di vendita di un negozio online, Manus ha prodotto visualizzazioni dettagliate (grafici, trend) e strategie personalizzate per migliorare la performance, come un consulente umano farebbe . È in grado di fornire multi-formato: può contemporaneamente restituire un file CSV/Excel con i dati elaborati e un documento testuale con spiegazioni e conclusioni . In alcuni casi, Manus può addirittura generare presentazioni: proprio il 29 maggio 2025 (in concomitanza con l’uscita di Perplexity Labs) Manus ha lanciato uno strumento per creare slide deck automaticamente a partire da un prompt, segno che punta a coprire anche la sfera delle presentazioni oltre ai report testuali . Un aspetto distintivo è che Manus spesso consegna i risultati sotto forma di sito web interattivo ospitato sul suo cloud (con dominio manus.space): ad esempio, per l’analisi dell’S&P 500 di cui sopra, l’output era un sito con diverse sezioni (scenario “Mild”, “Extreme” ecc., ognuna con grafici e testi) navigabile dall’utente . Ciò rende molto fruibili le analisi complesse, perché l’utente può esplorarle come un mini-portale informativo. Manus fornisce reportistica e analisi “chiavi in mano”: l’utente definisce l’obiettivo e l’agente restituisce direttamente il prodotto finito (sia esso un documento, un sito, una tabella), coprendo tutto il processo intermedio di ricerca, calcolo e redazione. La qualità di queste produzioni è generalmente alta, anche se, come ammesso in alcune recensioni, a volte può non centrare al 100% tutte le richieste o contenere piccole imprecisioni, essendo tecnologia ai limiti dello stato dell’arte . Con iterazioni e miglioramenti continui (Manus è ancora in beta nel 2025), ci si aspetta che tali output diventino sempre più precisi e completi, posizionando Manus come uno strumento di reportistica automatizzata di livello professionale.

Architettura tecnica e integrazioni

Architettura e Modelli AI: Dal punto di vista tecnico, Perplexity Pro Labs e Manus seguono approcci architetturali differenti. Perplexity Labs si appoggia a un singolo grande modello linguistico per orchestrare le operazioni, integrando però una serie di strumenti esterni. In pratica, il “cervello” è un LLM avanzato (Perplexity utilizza modelli OpenAI: gli utenti Pro possono scegliere GPT-4 per la massima qualità di risposta , mentre per default o per compiti leggeri può impiegare modelli più economici). Questo LLM viene arricchito con funzioni di tool use: quando serve, il modello chiama un modulo di web search (per effettuare query online in tempo reale) e un modulo di esecuzione codice (per far girare script Python, generare grafici, ecc.).

Il flusso di un Labs quindi è orchestrato sequenzialmente da un unico agente AI che alterna “pensiero” e “azioni” (analogamente a come ChatGPT Plugins o la Code Interpreter di OpenAI eseguono passi su richiesta del modello). Per migliorare le prestazioni, Perplexity ha integrato diversi modelli specializzati nel suo stack: ad esempio, per generare codice di alta qualità utilizza modelli open-source come Code Llama e Mistral, oltre a propri mix (il citato Mixtral 8x7B è un ensemble di 8 modelli da 7 miliardi di parametri ciascuno) .

Questi modelli vengono usati dietro le quinte in base al task (es: uno specialista per il codice, uno per la visione come Llava per immagini, ecc., secondo quanto riportato nelle analisi tecniche) . Manus, invece, è costruito nativamente con un’architettura multi-agente distribuita . Significa che al suo interno esistono diversi agenti specializzati (ognuno probabilmente un LLM distinto o una istanza specializzata dello stesso core) con ruoli differenti: ad es. un agente Planner che suddivide il problema, uno Researcher che esegue ricerche web, uno Coder che scrive codice, ecc. . Questi sub-agent lavorano in parallelo e comunicano tra loro, coordinati da un orchestratore, per convergere sul risultato finale . Questo design parallelo spiega la velocità e capacità di Manus nel gestire compiti complessi: invece di un solo flusso lineare, può pensare a più aspetti contemporaneamente. Riguardo ai modelli linguistici impiegati, Manus ha adottato un approccio ibrido: originariamente i suoi creatori (un team di Shenzhen, Cina) hanno sfruttato modelli open-source cinesi come Qwen (di Alibaba) opportunamente raffinati, insieme ad altri modelli proprietari, creando un motore personalizzato . Successivamente, a marzo 2025, Manus ha annunciato l’upgrade del suo modello principale passando a Anthropic Claude (versione 3.7 “Sonnet”) come backbone delle capacità linguistiche . Claude è un LLM di fascia GPT-4, noto per la capacità di gestire contesti lunghi e ragionamenti complessi, il che ha probabilmente migliorato ulteriormente la comprensione e coerenza di Manus. In breve, Perplexity Labs poggia su un LLM centrale con strumenti, mentre Manus utilizza una swarm di agenti AI, con un core in evoluzione (ora Claude) coadiuvato da modelli secondari. Questo fa sì che Manus sia intrinsecamente più autonomo e “intelligente” nella pianificazione (può auto-assegnarsi subtasks tramite i sub-agents), laddove Perplexity mantiene un comportamento più guidato (segue le istruzioni in serie, lasciando comunque spazio all’interazione utente durante il processo) .

API, plugin ed estensioni: Perplexity e Manus differiscono anche nelle opportunità di integrazione in ecosistemi esterni. Perplexity mette a disposizione degli sviluppatori un’API (Sonar) che consente di sfruttare il suo motore di risposta AI in applicazioni e servizi di terze parti . Tramite l’API, è possibile inviare query a Perplexity (con ricerca web annessa) e ottenere risposte con citazioni, il che risulta utile per arricchire app con funzionalità di Q&A basate su conoscenza aggiornata. Inoltre, Perplexity offre estensioni e applicazioni per un utilizzo più fluido: esiste ad esempio un browser extension “Search Companion” per Chrome/Edge che permette di interrogare Perplexity direttamente mentre si naviga sul web, e la piattaforma sta sviluppando un proprio browser AI (nome in codice Comet) integrato con le capacità di answer engine .

Sul fronte aziendale, Perplexity Enterprise prevede connettori per app (Google Drive, SharePoint, Dropbox, ecc.) che sincronizzano file nell’ambito delle Spaces , cosicché l’AI possa consultarli, una sorta di plugin nativo per fonti dati private. Manus, essendo ancora in beta privata nel 2025, non offre pubblicamente un’API al di fuori della sua applicazione proprietaria. Dunque gli utenti devono usare l’interfaccia Manus (web o app) per interagire con l’agente. Recentemente Manus ha lanciato un’app mobile iOS , segno dell’interesse a fornire accesso ubiquo al servizio, ma al momento manca un SDK/API per integrazione diretta in altri software. Va detto però che Manus, per come è concepito, può esso stesso fungere da integratore: tramite il suo agente browser e la capacità di eseguire codice, può interfacciarsi con servizi esterni durante i task. Ad esempio, nulla vieta di istruire Manus a “usare l’API di un certo servizio X”, e lui lo farà scrivendo il codice appropriato in Python e chiamandolo .

In tal senso, Manus interagisce con l’ecosistema esterno in modo indiretto, attraverso le sue azioni, piuttosto che offrire un hook ufficiale agli sviluppatori. Dal punto di vista di plugin/estensioni ufficiali, al 2025 Manus non ne ha (è un sistema standalone), ma la community ha già iniziato a esplorare implementazioni open-source (“Open Manus”) e la società ha indicato l’intenzione di open-sourcare parti del progetto in futuro . Ciò potrebbe portare a integrazioni più strette o addirittura a versioni self-hosted di Manus. In definitiva, Perplexity è più aperto all’integrazione esterna fin da ora (API, estensioni, enterprise connectors), mentre Manus per il momento è più chiuso ma promette evoluzioni in tal senso man mano che maturerà e uscirà dalla beta.

Tabella comparativa

Aspetto

Perplexity Pro Labs

Manus

Approccio alla ricerca

Motore di ricerca AI con risposte fondate su fonti: l’LLM interroga il web e fornisce spiegazioni corredate di citazioni . Esegue “Deep Research” in pochi minuti per risposte approfondite, poi Labs investe ~10+ minuti per progetti completi .

Agente AI autonomo multi-step: prende un obiettivo e orchestra sub-agent per cercare info su news, database, forum, ecc., riassumendo in background senza bisogno di prompt successivi . Niente citazioni formali nell’output finale, ma log delle azioni visibile (browser, passi eseguiti) per trasparenza .

Fonti e aggiornamento

Usa fonti in tempo reale dal web (es. articoli accademici, siti autorevoli) e le combina nelle risposte . Aggiorna continuamente le informazioni grazie al browsing integrato, superando il limite del training data statico .

Naviga il web come un utente: può visitare siti, query su motori, leggere social e usare API (es. chiamate a servizi online) durante l’esecuzione . Ottiene quindi dati aggiornati all’ultimo minuto. L’output però è focalizzato sul risultato, senza elenco fonti, simulando un report redatto dall’agente stesso.

Profondità delle risposte

Labs fornisce analisi dettagliate su qualunque argomento: la modalità Research risponde in 3-5 min a domande complesse , Labs arriva a svolgere ricerche di ~30 min se necessario, producendo risposte di elevata completezza . Ogni risposta è supportata da spiegazioni e dati verificati.

Estremamente esaustivo: Manus scompone problemi complessi in sottocompiti e li risolve tutti (ricerca storica, analisi dati, confronti). Può dedicare decine di minuti (15-60+) a un singolo progetto , fornendo risultati articolati (es. scenari multipli, approfondimenti storici, statistiche simulate) spesso paragonabili al lavoro di un team umano .

Gestione dei contenuti

Spaces per organizzare e conservare conoscenze: è possibile raggruppare thread per progetto e caricare documenti personali (PDF, CSV, ecc.) come riferimento persistente . I thread rimangono salvati e ricercabili, ed esportabili in vari formati . Supporta collaborazione multi-utente nelle Spaces condivise .

Replay delle sessioni invece di spazi statici: ogni task svolto può essere rivisto passo-passo e condiviso . Non offre storage permanente multi-task né organizzazione in cartelle, essendo orientato a esecuzioni isolate (in beta). Accetta file in input per il singolo task (es. dataset da analizzare) e adatta la propria knowledge interna ai feedback durante l’esecuzione .

Supporto alla programmazione

LLM integrato con tool di coding: Labs può generare ed eseguire codice (tipicamente Python) per svolgere calcoli, trasformare dati o creare output come grafici e documenti . Può anche realizzare mini-siti web (HTML/CSS/JS) visibili nell’App tab . Tutto il codice prodotto e i file (CSV, immagini) vengono salvati nell’Assets tab per ispezione .

Sub-agente coder dedicato: Manus scrive, testa e debugga codice autonomamente in diversi linguaggi (Python, JS, ecc.) . Può costruire applicazioni complete (es. generare frontend + backend per un web tool) come parte del task . Utilizza codice per accedere a dati live (chiamando API, eseguendo simulazioni) e corregge gli errori iterativamente, senza intervento umano .

Output generabili

Report, fogli di calcolo, grafici, dashboard, siti web semplici: Labs produce deliverable completi pronti all’uso . Esempi: relazione testuale con citazioni, tabella comparativa di risultati, presentazione di dati con grafici generati dall’AI. Può outputtare file (PDF, CSV, immagini) e perfino app interattive di base integrate nell’interfaccia .

Report multi-sezione, tabelle strutturate, siti web interattivi, slide: Manus consegna il risultato nel formato più adatto al compito. Esempi: un sito web con pannelli interattivi per visualizzare scenari di analisi , un file Excel/CSV con dati elaborati e un documento con raccomandazioni , oppure una serie di slide informative. I risultati tendono ad essere altamente strutturati e personalizzati sulle richieste utente.

Architettura AI

Single-agent con strumenti: un unico LLM (OpenAI GPT-3.5/4 o modelli proprietari Perplexity) gestisce il dialogo e decide quando usare strumenti (ricerca web, esecuzione codice). Sfrutta modelli specializzati (es. Code Llama, Mixtral MoE) per migliorare le prestazioni su compiti specifici . Approccio guidato: esecuzione sequenziale con possibilità di intervento utente durante il Labs .

Multi-agent parallelo: architettura con più agenti LLM specializzati (planner, researcher, coder, ecc.) che cooperano in parallelo per portare a termine il task . Orchestrazione autonoma senza bisogno di supervisione esterna. Inizialmente basato su modelli open-source raffinati (es. Qwen di Alibaba) , poi aggiornato con Claude di Anthropic come modello principale (contesto esteso, alta capacità di ragionamento) .

API e integrazioni

Dispone di API pubblica (Sonar) per integrare le risposte di Perplexity in app di terze parti . Offre un browser plugin/estensione per query rapide e sta sviluppando un browser proprio (Comet) . In ambito enterprise, si integra con servizi cloud (Google Drive, Dropbox…) per knowledge base interne .

Nessuna API pubblica (beta privata): accesso solo via app web o iOS ufficiale . Nessun plugin esterno al 2025. Manus può interagire con servizi esterni durante i task usando browser e codice (es. login su siti, utilizzo di API) . Prevista apertura parziale del framework a community/open-source in futuro .

Disponibilità e prezzi

Disponibile per utenti Pro (a pagamento). Costo: 20 $/mese (Perplexity Pro) , che include Labs oltre a ricerche illimitate. Labs è limitato a 50 esecuzioni al mese per utente Pro (conteggiando anche i follow-up) . App fruibile via web, iOS, Android e presto desktop .

In beta ad invito fino a Q1-Q2 2025; ha introdotto piani a pagamento a fine marzo 2025. Starter: 39 $/mese per 3.900 crediti (circa 10 crediti per minuto di esecuzione) , Pro: 199 $/mese per 19.900 crediti, con più task in parallelo e priorità . Nessun limite “hard” di tempo per task (può durare fino a quasi 1 ora se necessario).

Quindi , c’è uno meglio dell’altro?

No. Secondo me, o almeno dipende. Dopo settimane di utilizzo intensivo e comparato, posso dire che sia Manus che Perplexity Labs stanno ridefinendo in modo concreto il concetto di assistenza AI. Manus è impressionante per la sua autonomia e capacità di orchestrare compiti complessi come un team strutturato; Perplexity Labs, invece, eccelle nella ricerca strutturata e nella costruzione di risposte documentate, affidabili e pronte all’uso.

Nessuno dei due sostituisce gli altri strumenti che utilizzo, come ChatGPT Pro e Claude, ma entrambi li affiancano con ruoli precisi all’interno del mio workflow. È questo, credo, il punto chiave: non cercare l’AI migliore in assoluto, ma costruire un ecosistema su misura in cui ogni strumento potenzia una specifica parte del lavoro.

Certo, costicchia questo ecosistema eh…

System Thinking nell’era del comportamento intelligente

The Shift in Focus

Dalla progettazione delle interfacce alla progettazione delle condizioni

Il design sta attraversando un cambiamento di paradigma profondo: ci stiamo spostando dalla creazione di interfacce rigidamente predeterminate alla progettazione di sistemi adattivi, capaci di apprendere, evolvere e mostrare comportamenti emergenti. In un mondo di prodotti digitali guidati dall’AI, i designer non possono più specificare ogni risultato in anticipo: “non possiamo progettare per risultati assoluti. Dobbiamo progettare per l’emergenza”. Questo spostamento è alimentato dalla crescita dell’intelligenza artificiale e del machine learning, che infondono nei prodotti un comportamento intelligente e imprevedibile. Sistemi generativi come ChatGPT, ad esempio, hanno raggiunto oltre 100 milioni di utenti nei primi due mesi dal lancio, portando l’interazione con l’AI nella quotidianità. Una diffusione così rapida segnala che progettare per sistemi intelligenti e non deterministici non è più un tema sperimentale o marginale.

La posta in gioco è alta: oggi è essenziale per designer e innovatori accettare l’incertezza e passare da un approccio orientato al controllo a uno orientato all’orchestrazione. Non si tratta più di disegnare ogni passaggio dell’esperienza, ma di creare le condizioni per esperienze adattive, personalizzate e in evoluzione.

Perché tutto questo è così rilevante proprio ora? Perché il comportamento intelligente è ovunque: nelle app che usiamo, nei servizi che ci supportano, perfino negli oggetti connessi delle nostre case. Secondo i dati del 2024, il 72% delle aziende dichiara di utilizzare l’AI in almeno una funzione. Gartner prevede che l’85% delle interazioni clienti entro il 2025 sarà gestito senza intervento umano. Ciò significa che le esperienze utente sono sempre più modellate da algoritmi che apprendono dai dati e rispondono in tempo reale. I prodotti iniziano a comportarsi non più come strumenti statici, ma come sistemi vivi, in grado di adattarsi continuamente al contesto. Il focus del design cambia di conseguenza: il compito diventa guidare questi sistemi viventi, definendo regole, vincoli e obiettivi capaci di orientare i comportamenti emergenti verso risultati desiderabili.

Questa evoluzione arriva in un momento chiave: il comportamento intelligente dei sistemi abilitati dall’AI apre nuove possibilità e sfide. I designer che ne comprendono il senso sono in grado di trasformare l’imprevedibilità in una risorsa: per stimolare creatività, personalizzazione, intelligenza contestuale. In sintesi, progettare per l’emergenza è oggi una competenza centrale per chi costruisce la nuova generazione di prodotti e servizi digitali.

 

Understanding the Shift

Capire il cambiamento: perché progettare per l’emergenza adesso

Il movimento verso un design emergente non è nato all’improvviso: è il frutto della convergenza di trend tecnologici e bisogni urgenti che designer e strategist non possono più ignorare.

Il primo elemento è la crescente complessità dei prodotti digitali. Le esperienze digitali moderne si estendono su ecosistemi vasti di dati, utenti e algoritmi, in cui “tutto è connesso a tutto il resto”. Una modifica in una parte del sistema può produrre effetti imprevisti altrove. Gli approcci lineari tradizionali faticano a gestire questa rete di interdipendenze. Al loro posto si sta diffondendo una mentalità system thinking: i designer imparano a considerare il sistema nella sua totalità, non solo schermate isolate o feature singole. Come ha affermato un design lead, pensare in modo sistemico significa riconoscere che ogni elemento che progettiamo è connesso a un altro: modificandone uno, influenziamo tutto il sistema. Questo richiede capacità di anticipare relazioni, retroazioni e conseguenze: una competenza cruciale quando si lavora con l’AI, il cui comportamento è emergente e modellato da logiche complesse, non da regole fisse.

In secondo luogo, è la natura stessa dell’AI a richiedere un nuovo approccio. L’AI è intrinsecamente non deterministica: può generare output diversi anche a parità di input, a causa di processi probabilistici e meccanismi di apprendimento. Come ha scritto Cheryl Platz, “l’AI è per sua natura imprevedibile, e le tecniche di product design che abbiamo sviluppato in passato presupponevano esiti controllabili e prevedibili”. Questo mismatch ha già prodotto casi problematici, da chatbot incontrollabili a bias algoritmici dannosi. In alcuni casi, la mancata anticipazione di comportamenti atipici dell’AI ha persino contribuito a conseguenze tragiche (come nei casi di fallimento di sistemi autonomi in ambiti critici). Questi episodi sottolineano che i manuali di design tradizionali non bastano più.

Progettare per l’emergenza è, prima di tutto, una risposta concreta a queste sfide. Significa accettare che non possiamo prevedere ogni scenario, e quindi dobbiamo progettare cornici flessibili e meccanismi di sicurezza che consentano ai sistemi AI di esplorare lo spazio delle soluzioni, restando nei limiti desiderabili. I dati confermano l’urgenza: l’uso dell’AI generativa cresce a ritmi vertiginosi, con molte aziende che integrano queste tecnologie nei prodotti. Ma le preoccupazioni restano: conseguenze inattese, errori, distorsioni e problemi di sicurezza richiedono una progettazione più attenta, responsabile e reattiva.

Infine, c’è un fattore umano. Le aspettative degli utenti sono in evoluzione: vogliono esperienze personalizzate, contestuali e intelligenti – esattamente ciò che solo i sistemi adattivi e AI-driven possono offrire. Ormai ci aspettiamo feed che si adattano a noi, assistenti vocali che apprendono preferenze, suggerimenti sempre più su misura. Ma quando queste esperienze falliscono, la frustrazione cresce. La fiducia diventa un elemento centrale: dobbiamo fidarci di sistemi che si comportano in modo leggermente diverso ogni volta.

Per questo, i designer stanno spostando il focus su trasparenza, feedback e segnali di affidabilità nell’interfaccia: ad esempio, mostrare quando l’AI è incerta, offrire spiegazioni sulle decisioni. Questo insieme di nuove priorità progettuali – pensiero sistemico, apertura all’incertezza, focus sulla fiducia – è la risposta concreta del design alla scossa sismica provocata dall’intelligenza artificiale.

Come ha dichiarato un report recente: “Quella dell’AI non è solo un’ondata di innovazione, è una vera rivoluzione. E non se ne andrà più”. Capire questo shift significa leggere con lucidità i segnali del contesto: o il design si adatta a un mondo guidato da comportamenti emergenti, o rischia di diventare irrilevante davanti a prodotti che, letteralmente, iniziano ad avere una mente propria.

 

The Core

Architetture, ruoli e impatto sulla progettazione

Al cuore di “Designing for Emergence” c’è un cambiamento radicale nel modo in cui concepiamo la progettazione delle esperienze. Invece di specificare soluzioni definitive, oggi i designer progettano le condizioni affinché le soluzioni possano emergere. In pratica, significa concentrarsi su regole, vincoli e contesto piuttosto che su esiti fissi.

Un classico esempio arriva dalla natura: uno stormo di uccelli in volo non ha un leader, eppure si muove in modo sorprendentemente coordinato. Ogni individuo segue poche semplici regole (mantenere la distanza, allinearsi ai vicini), e da queste interazioni nasce un comportamento collettivo emergente. I designer stanno traendo ispirazione proprio da sistemi come questi. In un esperimento, un gruppo di studenti di design ha scritto regole base di interazione per un esercizio collettivo: quando i partecipanti hanno seguito quelle istruzioni, il comportamento risultante non è stato quello previsto dai progettisti. Una scoperta illuminante: il design dell’interazione non riguarda solo lo schermo, ma anche il modo in cui le persone interagiscono tra loro e con l’ambiente. Piccole modifiche nelle regole iniziali generavano risultati completamente diversi – proprio come piccoli cambi in un algoritmo AI o nel dataset possono alterare significativamente il comportamento di un prodotto.

Il messaggio è chiaro: i designer devono sentirsi a proprio agio con l’iterazione, l’adattamento e la sorpresa. Progettare per l’emergenza significa “creare spazio per molteplici possibilità, anche imprevedibili o apparentemente impossibili”. Il nostro ruolo cambia: non stiamo più cercando di imporre un’esperienza fissa, ma di orchestrare un insieme di esperienze possibili, guidando il sistema con principi progettuali capaci di mantenere i risultati entro limiti desiderabili.

Uno dei framework teorici che supporta questo approccio è il pensiero sistemico, arricchito dalle lezioni provenienti dalla scienza della complessità. Pensatori come Donella Meadows e Russell Ackoff hanno spiegato già decenni fa che nei sistemi complessi, non influenziamo i risultati controllandoli direttamente, ma modificando leve e vincoli del sistema. I team di prodotto più avanzati stanno applicando questo concetto: stabiliscono vincoli abilitanti (enabling constraints) che fungono da guida, permettendo al contempo libertà e creatività entro limiti sicuri. Come ha scritto il teorico del design Jabe Bloom, “i principi di design possono agire come vincoli abilitanti fondamentali, che modellano e raffinano l’interazione tra elementi di un sistema dinamico”.

Tradotto in termini pratici: impostiamo regole (ad esempio, un filtro AI che blocca output estremi, o un framework di tono che mantiene coerente la personalità di un chatbot) e lasciamo che il sistema operi liberamente entro quei confini. Questo approccio è molto diverso dal design prescrittivo tradizionale, dove si cerca di prevedere ogni possibile azione dell’utente. Nei sistemi AI-driven, scrivere ogni passo è impossibile: il sistema impara e cambia nel tempo. Per questo, oggi progettiamo l’impalcatura del comportamento, non il comportamento stesso.

Ad esempio, una piattaforma con AI può includere funzioni di rinforzo o loop di feedback che spingono l’intelligenza verso comportamenti desiderabili. Anche qui, si progetta l’incentivo piuttosto che l’esito. A questo si aggiungono meccanismi di supervisione, come i checkpoint human-in-the-loop (dove un umano può intervenire) o modelli di autonomia vincolata, che consentono all’AI di decidere solo entro certi limiti di rischio. Le ricerche confermano che trovare il punto d’equilibrio tra autonomia e controllo è cruciale: “gli agenti troppo rigidi faticano con input inediti; quelli troppo liberi rischiano comportamenti imprevedibili”. Le soluzioni ibride – regole rigide per le decisioni critiche, AI flessibile per il resto – stanno emergendo come best practice.

Un altro aspetto centrale è il design degli agenti AI – sistemi dotati di una certa autonomia e proattività. Quando si progettano agenti intelligenti, non consideriamo solo le interazioni con l’utente, ma anche il modo in cui l’AI prende decisioni. Serve una mentalità simile all’insegnamento o all’allenamento: definiamo gli obiettivi, i limiti etici, le azioni possibili – proprio come si stabilirebbero le regole di un gioco.

Il nodo critico è l’alignment problem: l’AI potrebbe trovare scorciatoie impreviste per raggiungere un obiettivo. Per evitarlo, designer e data scientist simulano scenari, testano comportamenti potenziali, progettano safeguard. Ad esempio, in un generatore di immagini AI, si possono inserire filtri sui contenuti (vincoli statici) e feedback dagli utenti (loop dinamico), in modo che il sistema apprenda anche norme sociali.

Così facendo, il design si estende oltre l’interfaccia: include la progettazione del comportamento del modello, la selezione dei dati, il tuning continuo. Come ha detto la ricercatrice Claudia Canales, “il futuro del design non riguarda solo gli schermi, ma la progettazione dell’intelligenza che alimenta le nostre esperienze digitali”. I designer collaborano con ingegneri AI per regolare i parametri, scrivere template di prompt, progettare fallback quando l’AI è incerta. Emergono nuovi strumenti e metodi: pattern di design AI, checklist contro hallucination o bias, framework per agenti affidabili e comprensibili. Un recente lavoro propone persino un “linguaggio dei pattern per l’AI agentica”: un set di modelli riutilizzabili che aiutano a garantire coerenza e robustezza nei sistemi emergenti.

Tutto ciò sottolinea il vero cambio di mindset: progettare per l’emergenza significa progettare un sistema che, in parte, si progetta da solo. Non costruiamo più soluzioni fisse, ma strutture che generano molte soluzioni, e contesti che guidano il sistema verso risultati coerenti con i bisogni umani.

 

The Broader Shift

Implicazioni culturali e strategiche del design emergente

Questo nuovo paradigma progettuale ha implicazioni che vanno ben oltre il singolo prodotto. Sia dal punto di vista culturale che operativo, sta ridefinendo che cosa significa essere designer, innovatori o strategist nell’era digitale.

Un primo grande cambiamento riguarda il ruolo stesso del designer: ci stiamo spostando dall’essere “creatori” di artefatti al diventare facilitatori e curatori di risultati. Andy Budd lo ha espresso bene: “l’AI sta trasformando il design, spostando i designer da creatori operativi a curatori strategici”. Le attività ripetitive (mockup pixel perfect, varianti illimitate di layout) sono sempre più automatizzate da strumenti intelligenti, liberando i designer per decisioni di livello più alto: definire regole, vincoli e qualità desiderate dell’esperienza. In pratica, il designer assume il ruolo di orchestratore del sistema. Imposta le condizioni iniziali e osserva come il sistema evolve nel tempo, intervenendo per raffinarlo.

Questa trasformazione richiede nuove competenze: capacità di analizzare i dati per comprendere come interagiscono utenti e AI, padronanza della sperimentazione rapida, e abilità di lavorare in team interdisciplinari. Il lavoro del designer si sovrappone sempre più a quello di product manager, data scientist e persino eticisti. I team si trovano ad affrontare domande che riguardano non solo la progettazione visiva ma anche la policy e la filosofia: la nostra AI dovrebbe fare questo? Come affronta un caso limite in modo etico? Tutto questo impone ai designer di ampliare le proprie conoscenze: etica, sociologia, sistemi adattivi complessi. Perché progettare un sistema AI significa intervenire in dinamiche umane e tecnologiche.

Stiamo assistendo anche a un cambiamento nei riferimenti teorici che guidano la progettazione. Il design tradizionale si basava su psicologia cognitiva ed estetica. Ora stanno entrando nel toolkit dei designer la cibernetica, l’ecologia e le scienze dei sistemi. Concetti come loop di feedback, auto-organizzazione ed emergenza (prima dominio di ingegneri e scienziati) sono oggi linguaggio comune nei team di progetto.

Pensatori come Ross Ashby tornano attuali: la sua Legge della Varietà Requisita afferma che “un sistema di controllo deve essere tanto vario quanto il sistema che vuole controllare” – un principio chiave per governare l’AI: serve una strategia progettuale tanto adattiva quanto l’AI che vogliamo guidare.

Visionari come John Seely Brown e Ann Pendleton-Jullian offrono una base culturale solida per questo nuovo mindset. Descrivono il nostro mondo come un “white water world”, rapido e turbolento, dove la causalità è sistemica, intrecciata, mutevole e sfuggente – e la pianificazione lineare non funziona più. Nel loro manifesto Design Unbound sostengono che i designer devono abbracciare la complessità ed equipaggiarsi con strumenti tratti dalle scienze dei sistemi e dalla teoria delle reti.

Nella loro visione, il design non è più creazione di oggetti statici, ma progettazione di contesti: condizioni e regole che permettono ai sistemi dinamici di evolversi. Per chi ha imparato a disegnare interfacce, è un cambio culturale profondo: significa passare dalla forma all’intervento strategico.

Stanno emergendo anche approcci come il systemic design, che unisce design thinking a strumenti sistemici come mapping, analisi degli stakeholder e identificazione di punti leva (ispirati a Donella Meadows). Un recente report internazionale ha confermato che “il design oggi si espande e coinvolge temi come tecnologia, potere, cultura, clima, economia, equità di genere e razza”. Sono tutte questioni sistemiche. Progettare per l’emergenza è una risposta naturale a queste sfide: prepara i team a lavorare con situazioni aperte, dinamiche e non completamente prevedibili (pensiamo a smart cities, piattaforme per il clima, social network globali).

Per innovatori e strategist, questo significa rivedere processi, metriche e governance. Come si fa roadmap per un prodotto in cui alcune feature emergeranno attraverso l’apprendimento dell’AI? Come si testa qualitativamente qualcosa che non si comporta mai due volte allo stesso modo?

Le organizzazioni più evolute adottano workflow sperimentali e iterativi. Si diffondono simulazioni e test in sandbox: prima di rilasciare un sistema AI, lo si stressa con migliaia di scenari in ambiente virtuale. Cultura e processi spingono verso team cross-funzionali, in cui designer, tecnologi e specialisti di dominio co-progettano. Perché l’emergenza si genera spesso nell’interazione tra domini (tecnico, umano, sociale).

L’etica diventa centrale. Quando un’AI può evolvere nel tempo, garantire che resti allineata ai valori umani non può essere un controllo una tantum: è un processo continuo. Le aziende più mature creano board etiche e integrano da subito principi di responsible AI. Alcuni framework descrivono tre sfide fondamentali da affrontare nel progettare agenti AI: ambiente complesso, equilibrio autonomia-controllo, comportamento sicuro e etico. Ognuna di queste ha ricadute culturali e organizzative. Ad esempio, garantire l’etica dell’AI potrebbe richiedere di coinvolgere filosofi, giuristi o psicologi nella progettazione: uno scenario impensabile nella UX tradizionale.

Il quadro generale è chiaro: il design sta diventando più inclusivo, interdisciplinare, e sistemico. I problemi che affrontiamo oggi sono tanto tecnici quanto profondamente umani. E la progettazione per l’emergenza è lo strumento che ci permette di navigarli con consapevolezza, responsabilità e visione a lungo termine.

 

What’s Next

Scenari futuri e sfide nella progettazione per l’emergenza

Guardando avanti, emergono diversi scenari e sfide affascinanti all’orizzonte della progettazione e dell’intelligenza artificiale. Una delle evoluzioni più significative è la nascita di sistemi davvero autonomi e agentici. Gli assistenti AI di oggi (dai bot di customer service ai trader algoritmici) sono ancora per lo più vincolati a compiti circoscritti. La prossima generazione, invece, punta a sistemi più generici, adattivi e auto-diretti: agenti in grado di navigare il web per raggiungere obiettivi, o coordinarsi con altri agenti per risolvere problemi complessi. Progettare per questa autonomia sarà una sfida cruciale. Come isolare agenti così, per evitare che escano dai limiti previsti? Come rendere trasparente la loro presenza agli utenti per mantenere la fiducia? Probabilmente creeremo ambienti simulati o veri e propri “playground digitali” dove addestrare e testare gli agenti in sicurezza prima di rilasciarli nel mondo reale. Tecniche come la simulazione multi-agente – in cui più agenti interagiscono in un contesto virtuale – sono già utilizzate per osservare comportamenti emergenti inattesi: potrebbero diventare pratica standard nei team AI-oriented.

Un altro ambito da osservare è l’unione tra creatività umana e AI nella progettazione. Se l’AI diventa co-creatrice, allora anche il processo di design diventa emergente. Gli strumenti generativi già oggi producono migliaia di varianti progettuali a partire da pochi parametri, lasciando al designer il compito di selezionare e rifinire: un po’ come un giardiniere che pota e guida la crescita.

Questo rovescia il flusso tradizionale e solleva nuove domande: i designer dovranno sviluppare intuito e sensibilità per guidare l’AI (es. nel prompt design e nella definizione dei vincoli), invece di costruire direttamente l’output finale? Come garantire che i contributi dell’AI siano coerenti con i valori umani e l’identità del brand?

Alcune aziende stanno già sperimentando sistemi AI pair-designer: agenti che affiancano il designer umano e propongono suggerimenti in tempo reale. Il passo successivo potrebbe essere un’AI che conduce in autonomia ricerche utente o test di usabilità, simulando l’interazione di milioni di utenti virtuali con un nuovo feature. Il designer potrebbe ottenere in pochi minuti un feedback su pattern emergenti o problemi latenti che non sarebbero emersi con test manuali tradizionali. Questa insight generation iper-scalabile, alimentata da AI, potrebbe accelerare drasticamente il ciclo di iterazione, ma richiede al designer di saper leggere, interpretare e reagire a una mole enorme di dati.

Sul fronte strategico, la policy e la governance diventeranno elementi essenziali della progettazione. Ci si attende una maggiore attenzione normativa al comportamento dell’AI (trasparenza, controllo umano, spiegabilità). I designer dovranno tradurre principi astratti (come equità, responsabilità, inclusività) in requisiti concreti di progetto: in pratica, dovranno codificare i valori della società nei “parametri” che regolano i sistemi intelligenti.

Nei prossimi anni potremmo vedere la nascita di framework standard per la governance dell’AI, analoghi a quanto oggi esiste per l’accessibilità. Modelli come le model card (documenti che spiegano come un modello AI funziona e dove può fallire) o strumenti di audit (che esaminano output dell’AI alla ricerca di bias o anomalie) diventeranno parte integrante della cassetta degli attrezzi dei team di prodotto. In questo contesto, progettare per l’emergenza vorrà dire anche progettare per la responsabilità: creare le condizioni per tracciare, spiegare e correggere comportamenti imprevisti.

E per il mondo dell’educazione e della community del design? Probabilmente vedremo aggiornamenti nei curricoli accademici: pensiero sistemico, etica e fondamentali di AI diventeranno parte del percorso formativo. La community sta già condividendo attivamente conoscenza su questi temi, con nuove conferenze, articoli e forum dedicati ai problemi pratici della UX non deterministica.

Resta aperta una domanda fondamentale: come mantenere l’approccio human-centered nel design, quando parte dell’esperienza è gestita da attori non umani (gli agenti AI)? La risposta a questo interrogativo filosofico modellerà il futuro della disciplina. La visione ottimista è che, se impariamo a gestire l’emergenza, potremo creare esperienze altamente adattive, resilienti e migliorabili nel tempo. Immaginiamo un sistema sanitario che apprende da ogni paziente per triagare meglio i successivi, o piattaforme educative che adattano strategie didattiche in tempo reale, guidate da designer che impostano i parametri e gli argini etici.

La visione più critica mette in guardia: delegare troppo potrebbe portare a esperienze caotiche o a conseguenze negative non previste. Il vero compito del designer, nei prossimi anni, sarà navigare tra queste due polarità. Come suggerisce con ironia Cheryl Platz, dobbiamo diventare “ottimi-pessimisti”: fiduciosi nel potenziale dell’AI, ma sempre vigili sui suoi rischi.

In sostanza, il prossimo capitolo della progettazione per l’emergenza sarà espandere le buone pratiche (affinché diventino standard nei progetti AI) ed espandere la prospettiva (affinché le decisioni di design considerino l’impatto sistemico e di lungo periodo). Il viaggio è appena iniziato, e ogni designer, innovatore e strategist oggi ha la possibilità di contribuire a scrivere le nuove regole di questo cambiamento.

 

Takeaways

5 principi chiave per progettare in contesti emergenti

  • Dal controllo alla coltivazione: il ruolo del designer si sposta dal controllo di ogni dettaglio all’orchestrazione di sistemi dove gli esiti desiderati emergono. Progettiamo regole, vincoli e loop di feedback per orientare il comportamento, non per prescriverlo.
  • Il pensiero sistemico è fondamentale: progettare prodotti con AI richiede una visione olistica. Ogni elemento è parte di una rete interconnessa. Mappe di sistema, loop causali e feedback sono strumenti chiave per anticipare effetti collaterali e comportamenti inattesi.
  • Progettare il comportamento dell’AI: il design non riguarda più solo l’interfaccia, ma anche il comportamento dell’agente intelligente. Bisogna stabilire limiti, obiettivi e margini decisionali, bilanciando l’autonomia dell’AI con supervisione umana e vincoli progettuali.
  • Nuovi ruoli e collaborazione: il designer diventa curatore e orchestratore dell’esperienza. Serve collaborazione costante con data scientist, ingegneri e specialisti etici per garantire che i sistemi AI siano utili, comprensibili e allineati ai valori umani.
  • Accogliere l’incertezza e iterare spesso: sistemi non deterministici generano sempre sorprese. Serve una cultura del test continuo, basata su sperimentazione rapida, monitoraggio post-lancio e strategie adattive. L’obiettivo è evolvere insieme al comportamento che emerge.

Recommended Resources

Letture, articoli e strumenti da esplorare

  • Design Unbound: Designing for Emergence in a White Water World (Pendleton-Jullian & Brown, 2018) – Un testo fondativo che introduce strumenti e teoria per agire in un mondo complesso e in rapido cambiamento. Sostiene che “dobbiamo progettare per l’emergenza” nei sistemi dove non possiamo prevedere gli esiti.
  • Frederick van Amstel – Designing for emergent performances (2024) – Approfondimenti di un ricercatore sul design come creazione di contesti che favoriscono l’imprevisto. Include esempi come la simulazione Boids e progetti studenteschi dove il design segue il processo di emergenza anziché controllarlo.
  • Claudia Canales – Beyond the Model: A systems approach to AI product design (UX Collective, 2025) – Un articolo che promuove un design olistico dell’AI. Propone di considerare l’intero ecosistema che circonda gli agenti intelligenti (dati, workflow, policy) per progettare relazioni e non solo interfacce.
  • Cheryl Platz – “Opti-pessimism: Design, AI, and our uncertain future”

    (2019) – Riflessioni sulla necessità di cambiare processo progettuale con l’arrivo dell’AI. Spiega come la UX tradizionale sia inadeguata a gestire l’imprevedibilità e propone un nuovo approccio mentale, tra ottimismo e consapevolezza.

  • The Future of Design: From Makers to Curators (UXMag, 2024) – Analizza come gli strumenti AI stanno trasformando il ruolo del designer. Descrive la transizione verso un ruolo più strategico, basato su selezione, supervisione e regole.
  • People + AI Guidebook – Google (2022) – Raccolta completa di best practice per progettare AI in modo human-centered. Include linee guida su incertezza, controllo dell’utente, apprendimento iterativo. Molto pratico per chi costruisce prodotti AI-driven.
  • Guidelines for Human-AI Interaction (Amershi et al., Microsoft Research, 2019) – Paper accademico che sintetizza 18 principi per progettare interazioni con AI. Esempi: come mostrare l’azione dell’AI, come ricevere feedback dall’utente. Un riferimento chiave per chi vuole progettare esperienze affidabili.
  • AI Incident Database (aiid.partnershiponai.org) – Archivio di casi reali in cui sistemi AI hanno avuto effetti inattesi o dannosi. Ottima risorsa per imparare dagli errori e sviluppare pre-mortem progettuali: “cosa potrebbe andare storto?”.

 

Toolbox

Metodi e tecniche per progettare sistemi intelligenti emergenti

  • System Mapping & Causal Loops – Utilizza strumenti come mappe di sistema o diagrammi di loop causali per visualizzare come gli elementi del tuo ecosistema di prodotto si influenzano tra loro. Aiuta a identificare retroazioni, punti critici e leve progettuali (es. mappare come l’input dell’utente viene elaborato dall’AI e restituito).
  • Scenario Planning & World-Building – Applica esercizi di world-building (ispirati a futurologi come Ann Pendleton-Jullian) per immaginare futuri alternativi del tuo prodotto. Crea scenari di comportamento dell’AI in casi migliori, medi e peggiori. Questo prepara il design a situazioni impreviste e stimola la progettazione di salvaguardie.
  • Agent-Based Simulation – Prima di lanciare una funzionalità complessa, simulala. Con modelli agent-based (anche con tool semplici), puoi approssimare come attori indipendenti (utenti o agenti AI) si comportano in gruppo. Ad esempio: simulare come evolve un feed algoritmico mentre gli utenti lo usano, per capire se si generano bias o effetti non voluti.
  • Enabling Constraints Framework – Quando definisci i requisiti di prodotto, pensa in termini di principi e vincoli, non di soluzioni. Esempio: invece di dire come dev’essere un contenuto, puoi dire “non deve mai contenere X” o “il tono deve restare amichevole-professionale”. Questi diventano vincoli abilitanti che guidano lo sviluppo e il training AI.
  • Human-in-the-Loop Controls – Integra pattern che mantengono il tocco umano sul timone. Può essere una semplice approvazione manuale di contenuti generati dall’AI, o un’interfaccia per monitorare e intervenire sulle decisioni AI in tempo reale. Pensa a questo sistema di supervisione come una valvola di sicurezza del prodotto.
  • Continuous Training & Feedback Tools – Costruisci nel prodotto meccanismi di apprendimento. Esempio: un feedback da parte dell’utente (“questo consiglio era utile?”) che alimenta il modello AI. Oppure cicli periodici di aggiornamento, con nuovi dati reali. Tieni nel toolbox anche analitiche sulle performance dell’AI e sugli esiti utente, per migliorare il sistema nel tempo.
  • Ethical Assessment Checklist – Mantieni una checklist (o usa toolkit esistenti come AI FactSheets di IBM o Responsible AI toolkit di Google) da usare durante le review. Controlla: bias, equità tra gruppi di utenti, trasparenza (spieghiamo cosa fa l’AI?), privacy. Verificando questi aspetti, ti assicuri che i comportamenti emergenti siano coerenti con i valori dell’organizzazione e le aspettative della società.
  • Modular Design Systems for AI – Usa o contribuisci a design system emergenti che includano componenti AI. Così come esistono UI component riutilizzabili, iniziano a esistere pattern riutilizzabili per interazioni AI (es. come mostrare il livello di confidenza di un output, o come annullare un’azione AI). Avere un “design system per il machine learning” accelera il lavoro e garantisce coerenza.

Ogni strumento di questa cassetta degli attrezzi aiuta a gestire la complessità del comportamento emergente, trasformandola in qualcosa di allineato agli obiettivi e ai valori dell’utente. Usando questi metodi – come uno chef che seleziona gli ingredienti – puoi costruire un processo di design robusto, adatto all’era dei sistemi intelligenti e imprevedibili. Adottare questi strumenti significa non solo affrontare il futuro, ma plasmarlo attivamente per creare esperienze tecnologiche più umane, e ispiranti.

Lo Shift continua

Se hai trovato interessante questa edizione, condividila con un collega, un cliente o una mente curiosa che sta attraversando il proprio cambiamento.

E se non l’hai ancora fatto, iscriviti per ricevere la prossima InsideTheShift direttamente nella tua inbox — ogni lunedì alle 9:41.

In arrivo su InsideTheShift #5: “From Hybrid to Continuous: La nuova evoluzione dei workflow Uomo + AI”

A presto, dentro lo shift.

Non è l’AI il problema. Ma come ci guardiamo.

In questi giorni ho letto diversi studi (tra cui The Psychological Impacts of Algorithmic and AI-Driven Social Media on Teenagers e Understanding Generative AI Risks for Youth: A Taxonomy Based on Empirical Data). Entrambi parlano dell’intelligenza artificiale, ma la verità è che parlano di noi. Non di ciò che l’AI può fare, ma di come, inconsapevolmente, stiamo insegnando alle macchine a pensarla come noi, peggiorando nel frattempo la nostra capacità di pensarla diversamente. Una deriva potenziale, difficile da correggere una volta innescata.

Siamo praticamente in una sorta di un esperimento collettivo, mai dichiarato, mai controllato: l’AI non sta semplicemente imparando da noi. Sta amplificando quello che siamo, e rimandandocelo indietro più nitido, più potente, più radicale.

E lo accettiamo. Anzi, ci fidiamo. Perché ci appare coerente. Perché suona simile. Perché riconosciamo quella voce, anche quando sbaglia.

In fisica si parla di risonanza: un sistema risponde con forza crescente quando una vibrazione esterna coincide con la sua frequenza naturale. Ma se quella frequenza è sbagliata, distorta, l’amplificazione non genera armonia. Genera rottura. Ecco cosa sta succedendo tra noi e l’AI. L’intelligenza artificiale non ci impone nulla: si sintonizza. E in questa sintonia, ci amplifica. Ma amplifica anche il nostro rumore, i nostri bias, le nostre crepe. E le rende struttura.

L’intelligenza artificiale funziona così: non impone, rispecchia. Non forza, amplifica. Il suo “tono” è il nostro. E quando quel tono combacia con le nostre insicurezze, i nostri bias, le nostre interpretazioni sfocate del reale… l’onda si ingrossa. Fino a deformare il nostro sguardo su ciò che ci circonda.

Uno di questi studi (How human–AI feedback loops alter human perceptual, emotional and social judgements) mostra come basta una lieve tendenza umana a leggere volti ambigui come tristi perché un algoritmo, allenato su quel pattern, cominci a vedere ovunque tristezza. Tra i dati emerge che se c’è un 53% umano di classificazione “triste”, l’AI passa al 65%, e con dati appena più rumorosi arriva a considerare il 100% delle facce come malinconiche.

E non finisce lì. Quando l’AI condivide con noi il suo giudizio, noi ci fidiamo. Cambiamo opinione. Adattiamo la nostra visione a quella dell’algoritmo, convinti che sia più lucido, più oggettivo, più vero. E così, giorno dopo giorno, diventiamo la versione amplificata dei nostri stessi pregiudizi. Senza accorgercene.

Lo stesso pattern emerge in esperimenti più percettivi che cognitivi. Un gruppo di puntini che si muove su uno schermo. Un compito semplice: stimare in che direzione vanno. Se l’AI ti suggerisce un’interpretazione sbagliata ma coerente, la tua percezione si allinea.

Ciò che “vedi” cambia. Ma non perché l’hai scelto. Perché si è allineata la tua frequenza percettiva a una narrazione artificiale.

Qui entra in gioco un altro aspetto: quanto profondamente l’AI ci conosce? Quanto siamo prevedibili?

La risposta sta nella potenza del prompting. Esiste un prompt che è andato virale chiamato “Prompt Divino”: un prompt talmente preciso da far emergere verità intime e pattern ricorrenti nelle risposte di un LLM “come se ci conoscesse“. Non lo fa davvero. Ma ci mostra qualcosa: l’AI è brava a giocare con la nostra coerenza. Con ciò che diciamo, come lo diciamo, quanto spesso lo ripetiamo (se non l’avete provato e siete utilizzatori intensi di ChatGPT provatelo per capire).

E questa familiarità diventa fiducia. Una fiducia pericolosa. Perché ci sembra una voce interiore. Ma non è nostra. È la nostra voce riscritta.

Poi c’è un fronte ancora più delicato, e in rapida espansione: quello degli adolescenti e come usano l’A. E questo è il vero campo minato

Tutto questo è amplificato quando l’interlocutore non è un adulto, ma un adolescente. Chatbot, assistenti personali, IA compagne. Sempre presenti. Sempre disponibili. Sempre “dalla tua parte”. Ma cosa succede quando un ragazzo inizia a preferire quel dialogo artificiale alle relazioni reali?

Succede che la realtà viene filtrata. Che il giudizio si costruisce dentro un circuito chiuso. E che l’identità si sviluppa in simbiosi con un’interfaccia che ottimizza attenzione, non verità. Connessione, non empatia. Comfort, non complessità.

Il risultato? Dipendenza affettiva. Linguaggi tossici normalizzati. Ritiro sociale. E una distorsione profonda dei modelli di relazione.

Ma allora l’AI è il male? No. Ma non è nemmeno il bene. L’AI è un amplificatore. Non distingue il giusto dallo sbagliato. Prende quello che trova e lo moltiplica. Se gli dai un piccolo bias, te lo restituisce ingigantito. Se gli dai dati coerenti, ti offrirà coerenza.

Ma se non progettiamo i contesti, se non introduciamo attriti cognitivi, se non costruiamo spazi dove l’AI ci aiuta a ragionare invece che convincerci… ci ritroveremo a essere lo specchio rotto di noi stessi. Persuasi dalla nostra stessa ombra.

Quale AI vogliamo davvero? La domanda non è tecnica. È etica, cognitiva, culturale. Vogliamo un’AI che ci renda più veloci o che ci renda migliori? Un’AI che ci confermi o che ci contraddica quando serve? Un’AI che pensa come noi… o che ci spinga a pensare meglio?

La risposta non può essere lasciata ai codici, né ai modelli. La risposta siamo noi. Ma dobbiamo porcela prima che la macchina diventi così familiare da sembrare trasparente. Perché quando l’algoritmo ci guarda, lo fa con i nostri stessi occhi.

E se non stiamo attenti, smetteremo di distinguerli e cambieremo il modo in cui ci guardiamo allo specchio.

L’era degli agenti intelligenti

Non stiamo solo usando l’intelligenza artificiale. Le stiamo delegando compiti, azioni e decisioni.

Per anni abbiamo parlato di AI come assistente. Un supporto intelligente per scrivere, analizzare, suggerire. Sempre accanto a noi, ma mai al posto nostro.

Poi sono arrivati loro: gli AI agent.

Sistemi autonomi, capaci di osservare un contesto, pianificare azioni, usare strumenti e agire per raggiungere un obiettivo. Senza dover chiedere permesso. Senza dover attendere un comando per ogni passo.

È iniziato così lo shift agentico:

un cambiamento che ridefinisce il modo in cui costruiamo processi, organizziamo il lavoro e progettiamo responsabilità.

In questo numero di InsideTheShift, provo a raccontare cosa significa questo passaggio:

  • Dal “prompt” al “goal”

  • Dal task isolato al ciclo percepisci–pianifica–agisci

  • Dalla UI tradizionale a un’interazione comportamentale

  • Dall’AI come supporto all’AI come soggetto operativo

Ma anche cosa comporta sul piano organizzativo e culturale. Perché questi agenti stanno entrando nelle aziende come nuove unità di azione, e con loro dobbiamo ripensare ruoli, governance, competenze, fiducia.

Dentro lo shift ci siamo già.

La domanda è: vogliamo continuare a supervisionare ogni azione… o iniziare a progettare delega consapevole?

📬 InsideTheShift #3 è online:

Inside the Agentic Shift

How AI Agents Are Reorganizing Action, Autonomy and Work

👉 Qui l’ultimo pezzo 

ROT: il Return on Trust, cosa e come implementarlo

Ho coniato il termine ROT – Return on Trust, “ritorno sulla fiducia”.

Credo fermamente che nel mondo aziendale trasformato dall’Intelligenza Artificiale la fiducia stia diventando e sarà sempre più un fattore critico da misurare e coltivare al pari dei classici e noti indicatori finanziari.

Di recente, durante una tavola rotonda su AI e mentoring, ho riflettuto in prima persona su come l’adozione di sistemi intelligenti metta alla prova la fiducia: l’AI può agire da catalizzatore ma anche da stress-test delle nostre relazioni, smontando certezze e costringendoci a ridefinire la “grammatica” dei rapporti umani e digitali.

AI amplificatore (o erosore) di relazioni

Prima di arrivare al ROS vale la pena però prima soffermarsi un attimo sull’impatto ambivalente che l’AI sta già esercitando sulle relazioni in azienda (e non solo) e gli effetti che ci troveremo a dover gestire.

Quando una organizzazione e gli strumenti di AI sono progettatati con trasparenza ed empatia, l’intelligenza artificiale si comporta da amplificatore: elimina attività ripetitive, fa emergere insight nascosti e personalizza le interazioni, così che mentor, manager e colleghi possano investire le proprie energie migliori in empatia, visione strategica e problem solving creativo. Il risultato è un engagement più profondo, cicli di feedback accelerati e una cultura dove la condivisione della conoscenza diventa naturale e gratificante.

Ma gli stessi algoritmi, se introdotti come black box opache o come meri strumenti di taglio dei costi, rischiano di trasformarsi in erosori di relazione: possono rafforzare i bias di conferma, indurre i leader ad abdicare alla responsabilità, atrofizzare il “muscolo dell’apprendimento” e impoverire la sicurezza psicologica necessaria al confronto onesto. I team allora obbediscono in apparenza, ma interiormente diffidano sia dello strumento sia di chi lo ha imposto.

L’AI amplifica il terreno relazionale che trova—che sia nutriente o tossico. Ed è proprio questa polarità a spiegare perché, insieme al Return on Trust, dobbiamo ora monitorare una seconda dimensione: il Return on Skills (ROS), ossia la capacità dell’organizzazione di trasformare quella (auspicabilmente alta) fiducia in un processo continuo di sviluppo di competenze adatte al futuro.

Da questa consapevolezza è nata l’idea del ROT come nuova chiave di lettura del cambiamento in atto.

Che cos’è il ROT (Return on Trust)?

Partiamo dalle basi del concetto che sto esplorando. ROT significa considerare la fiducia generata (o distrutta) da ogni iniziativa come un ritorno misurabile. Se il ROI (Return on Investment) è storicamente la metrica dominante per valutare progetti e strategie, soprattutto legate all’AI, oggi c’è secondo me il bisogno di affiancargli un indicatore complementare: quanto valore in termini di fiducia stiamo creando?

In altre parole, il ROT ci invita a chiederci non solo

“Questa tecnologia/processo migliorerà i profitti?” ma anche “Migliorerà la fiducia tra le persone coinvolte?”.

L’obiettivo del ROT vuol esser quello di rendere tangibile l’intangibile, ossia dare peso alla fiducia in ogni valutazione strategica. Vuole spingere leader e organizzazioni a progettare soluzioni people-centric, in cui il successo si misuri anche dal grado di fiducia che dipendenti, clienti e partner ripongono nel cambiamento.

In un contesto di AI diffusa, ciò significa, ad esempio, valutare se un algoritmo aumenta la fiducia dei clienti (grazie a trasparenza e risultati equi) o se un nuovo tool AI rafforza la fiducia dei dipendenti nel sentirsi supportati anziché rimpiazzati. Il ROT intende quindi arricchire le metriche di successo: non solo risultati economici o di efficienza, ma anche indicatori di clima, collaborazione e sicurezza psicologica.

Parlare di fiducia tocca però un perimetro ampio. Il ROT abbraccia la fiducia a 360°: tra colleghi, tra leader e team, tra azienda e clienti, e persino tra esseri umani e macchine. Ogni nuova tecnologia, riorganizzazione o scelta manageriale ha un impatto su queste dinamiche di fiducia. La complessità sta nel fatto che la fiducia è multidimensionale e delicata: è influenzata dalla cultura aziendale, dalle comunicazioni, dai comportamenti quotidiani e dall’etica con cui implementiamo gli strumenti digitali. A differenza di un KPI finanziario, la fiducia è difficile da quantificare direttamente e può variare nel tempo o tra gruppi. Ma soprattutto è asimmetrica: richiede tempo per costruirla, ma può essere persa in un attimo con un singolo passo falso. Questo rende la misurazione del ROT una sfida che richiede un mix di metriche quantitative e qualitative.

La domanda che giustamente mi è stata posta è

Come approcciare o introdurre qualcosa di cosi intangibile in una organizzazione?“.

Introdurre il ROT come metrica significa anche rivedere alcune logiche interne. In primo luogo occorre diffondere una cultura della fiducia: ambienti in cui le persone si sentono ascoltate, rispettate e sicure nel poter esprimere idee o dubbi. Le ricerche che accenanavo anche nel precedente post indicano chiaramente che un clima di alta fiducia produce benefici tangibili: aziende con elevata fiducia registrano 74% meno stress, 106% più energia, 50% più produttività, 76% più engagement rispetto a realtà a bassa fiducia.

In pratica, la fiducia funziona da moltiplicatore di valore, migliora la collaborazione, l’innovazione e la resilienza ai cambiamenti. Di conseguenza, adottare il ROT implica inserire la “gestione della fiducia” nelle responsabilità di leadership e HR: significa progettare percorsi di cambiamento coinvolgendo attivamente le persone, comunicare con trasparenza, investire in formazione etica sull’AI, e predisporre meccanismi per ascoltare feedback e preoccupazioni. Può voler dire introdurre nuove figure o competenze (ad esempio esperti di people analytics focalizzati sul clima, o comitati etici per l’AI) e includere parametri di fiducia nei report periodici.

Le aziende che decideranno di orientarsi ad un principio del genere potrebbero anche rivedere politiche di valutazione delle performance, premiando manager che sanno creare ambienti fiduciosi e team coesi. Insomma, il ROT porta con sé un’evoluzione organizzativa: dal comando-controllo alla organizzazione “trust-centric”, in cui la fiducia non è solo un valore dichiarato ma un obiettivo operativo progettato e misurato, nei piani di sviluppo, crescita e valutazione individuale.

Implementare il ROT in azienda: modello operativo

Come passare dalla teoria alla pratica? L’idea è quella di un modello scandito da alcuni step chiave, con ruoli e responsabilità ben definiti:

  1. Mappatura iniziale della fiducia: prima di tutto, è necessario misurare lo stato attuale. Questo significa condurre un’analisi del clima e della fiducia esistente,  tramite survey interne, focus group, interviste aperte, come è già in alcuni contesti applicato.
    È fondamentale ascoltare le persone a tutti i livelli per capire dove la fiducia è forte e dove presenta criticità. In questa fase si possono usare strumenti consolidati (alcuni descritti più avanti, come il Trust Index o questionari sulla sicurezza psicologica) per ottenere un baseline. Tipicamente l’HR insieme ai team di organization development o consulenti esterni specializzati in clima aziendale hanno responsabilità di questa fase.

  2. Definizione di obiettivi e governance del ROT: sulla base della mappatura, il top management, in prima persona, deve definire cosa significhi fiducia per la propria organizzazione e fissare obiettivi chiari di miglioramento. Una idea, spesso discussa, potrebbe porsi di aumentare dell’X% l’engagement o di ridurre il tasso di turnover legato a scarsa fiducia nel management.
    È utile istituire una sorta di cabina di regia del ROT: un team interfunzionale (HR, Comunicazione, IT, Legal, ecc.) guidato da un executive sponsor (ad esempio il Direttore HR o il CEO stesso) che sovrintenda alle iniziative. Assegnare ruoli e responsabilità è cruciale: i leader di funzione devono essere ambasciatori della fiducia nei propri team, l’IT deve garantire che gli strumenti di AI siano affidabili e trasparenti, la funzione Legal/Ethics assicura conformità e uso etico dei dati, e così via.

  3. Progettazione di iniziative “trust-driven”: in questa fase si passa alla messa a terra, disegnando interventi pratici per migliorare la fiducia. Parliamo di formazione e coaching per i manager sulla leadership empatica e inclusiva (imparare a dare feedback costruttivi, riconoscere gli errori, comunicare vulnerabilità quando serve, il tutto per far sentire i team al sicuro).
    Si introducono pratiche di trasparenza nelle decisioni: per esempio è importante a mio avviso condividere le ragioni dietro cambiamenti organizzativi o spiegare il funzionamento degli algoritmi AI che affiancano le persone, visto che molto spesso i cambiamenti sono semplicemente una comunicazione top-down e gli strumenti decisionali sono blackbox i cui razionali sono noti a pochi.
    Tra le attività che a mio avviso sono necessarie ci sono i programmi di mentoring interno (colleghi esperti che guidano i meno esperti, instaurando fiducia trasversale, indistintamente da età o ruolo, e non necessariamente su hard skills) e creare spazi di dialogo aperto (town hall meeting regolari, canali anonimi per domande difficili, ecc.). Un’altra leva operativa è rivedere i processi per assicurarsi che siano “trust-friendly”: semplificare policy troppo burocratiche che segnalano mancanza di fiducia, oppure introdurre workflow che richiedono collaborazione interfunzionale (rompendo silos e costruendo fiducia reciproca tra team). Su questo i modelli per esempio che stiamo studiando con Boundryless vanno esattamente in questa direzione. Ogni iniziativa va disegnata coinvolgendo attivamente i destinatari, co-creare soluzioni con i dipendenti aumenta sia la fiducia che la probabilità di successo.

  4. Integrazione della fiducia nelle tecnologie AI: dato che l’adozione dell’Intelligenza Artificiale è spesso il fattore scatenante del ROT, un passo operativo specifico è assicurarsi che le soluzioni AI implementate siano degne di fiducia. Questo implica adottare principi di AI etica e “explainable AI” durante lo sviluppo o l’acquisto di sistemi: modelli che sappiano spiegare le proprie decisioni, audit algoritmici per eliminare bias discriminatori, rispetto della privacy dei dati.
    Il team IT/AI deve collaborare con esperti di dominio, HR (dove necessario) e rappresentanti degli utenti finali per validare che l’AI venga percepita come alleata e non come “scatola nera” imprevedibile. Per capirci, se in un’azienda che introduce un sistema AI per suggerire decisioni ai manager riguardo valutazioni di percorso e carriera, potrebbe essere utile inizialmente affiancare suggerimenti dell’AI a spiegazioni su perché quella raccomandazione viene data, e raccogliere il feedback dei manager su quanto la ritengono affidabile, così come rendere trasparente il processo anche al valutato. In questo modo si affina il sistema e si costruisce gradualmente fiducia nell’interazione uomo-macchina.

  5. Misurazione continua e adattamento: come ogni approccio gestionale, ciò che non si misura non si migliora. Il ROT richiede di stabilire KPI di fiducia e monitorarli nel tempo. Questo significa, ad esempio, ripetere survey di clima periodiche per vedere l’evoluzione dei punteggi di fiducia o engagement, analizzare i tassi di adozione delle nuove tecnologie (quanti dipendenti usano attivamente il nuovo tool AI, segno di fiducia in esso), monitorare indicatori come il turnover volontario o l’assenteismo (spesso correlati con la rottura della fiducia). I dati vanno discussi apertamente nel team di governance ROT e col management, individuando aree di miglioramento.
    Il modello è iterativo: in base ai risultati, si adattano o rafforzano le iniziative. Se ad esempio una particolare unità aziendale mostra ancora basso livello di sicurezza psicologica, ci si può focalizzare con azioni mirate (workshop, ascolto dedicato, cambi di leadership se necessari). Implementare il ROT è un percorso continuo di apprendimento organizzativo. La responsabilità ultima di questa fase è sia del team di progetto che di ogni manager: creare un rito di accountability dove periodicamente si discute “come stiamo andando sulla fiducia” allo stesso modo in cui si discutono i numeri di vendita.

L’implementazione del ROT richiede impegno condiviso e coerenza nel tempo. Tutti in azienda, dal CEO all’ultimo arrivato, devono capire che la fiducia è una risorsa strategica “e non una leva di marketing interno“: va alimentata giorno per giorno e riconosciuta nei fatti (decisioni, comportamenti, investimenti) oltre che a parole.

KPI e metriche per misurare la fiducia oggi

Per misurare il ROT dobbiamo affidarci sia a metriche già esistenti che valutano aspetti di fiducia e coinvolgimento, sia a nuovi indicatori emergenti (che vedremo dopo). Partiamo dagli strumenti attuali che le aziende utilizzano per sondare fiducia, engagement, apertura al cambiamento e clima interno:

  • Trust Index: è l’indice di fiducia utilizzato, ad esempio, nei questionari di Great Place to Work. Si basa su survey ai dipendenti con una serie di affermazioni che esplorano 5 dimensioni chiave dell’esperienza lavorativa: Credibilità, Rispetto, Equità, Orgoglio e Coesione. Le prime tre dimensioni (Credibilità, Rispetto, Equità) misurano la fiducia dei collaboratori nel management, vale a dire quanto i leader comunicano in modo trasparente, mantengono le promesse, trattano le persone con equità e le rispettano.
    Le ultime due (Orgoglio e Coesione, detta anche Camaraderie) valutano invece il rapporto dei dipendenti con il proprio lavoro e i colleghi, indicando il livello di identificazione positiva e di spirito di squadra. Il Trust Index fornisce un termometro del clima aziendale: un punteggio alto segnala un ambiente in cui c’è fiducia verticale (verso i manager) e orizzontale (tra pari), oltre a un forte senso di appartenenza. Molte aziende lo usano annualmente per capire se sono un “great place to work” e dove intervenire sul clima.

  • Psychological Safety Score: la sicurezza psicologica è un concetto reso celebre dalle ricerche di Amy Edmondson e dal progetto Aristotle di Google. Indica il grado in cui le persone si sentono sicure nel prendere rischi interpersonali in un team: ad esempio ammettere un errore, esprimere un’idea controcorrente, o fare una domanda “sciocca” senza paura di conseguenze negative. Edmondson la definisce come “la convinzione condivisa che non si verrà puniti o umiliati per aver espresso idee, domande, preoccupazioni o errori”. In pratica è la misura della fiducia interna al team: fiducia che l’ambiente sia supportivo e non giudicante.
    Molte aziende valutano la sicurezza psicologica attraverso questionari specifici, chiedendo ai membri di indicare il loro accordo con frasi tipo “Nel mio team posso fare domande senza essere deriso” oppure “Il mio superiore accoglie bene gli errori come opportunità di apprendimento”. Da queste survey si ricava un punteggio medio di sicurezza psicologica (Psychological Safety Score) per team o reparto. Un PSI (Psychological Safety Index) alto è spesso correlato con team più innovativi e performanti, proprio perché le persone osano di più quando c’è fiducia reciproca. Al contrario, un punteggio basso è un campanello d’allarme: segnala barriere di paura che ostacolano la comunicazione onesta (e quindi frenano anche il miglioramento e l’innovazione).

  • eNPS (Employee Net Promoter Score): adattamento del famoso Net Promoter Score usato verso i clienti, l’eNPS misura quanto i dipendenti promuoverebbero la propria azienda come buon posto di lavoro. Viene tipicamente calcolato con una domanda molto diretta: “Con quale probabilità consiglieresti la tua azienda come luogo di lavoro a un amico o conoscente?”, da rispondere su una scala 0-10.
    I risultati sono classificati in Promotori (chi risponde 9-10, entusiasta), Passivi (7-8) e Detrattori (0-6); sottraendo la percentuale di detrattori da quella dei promotori si ottiene l’eNPS.
    Un valore alto (es. +30) indica che la maggior parte delle persone parlerebbe positivamente dell’azienda all’esterno – segnale di fiducia nell’organizzazione, di engagement e di soddisfazione generale.
    Valori negativi invece indicano prevalenza di detrattori interni (molti sconsiglierebbero l’azienda, indice di problemi di fiducia o clima).
    L’eNPS ha il pregio di essere semplice e immediato, fornendo uno “score” sintetico dello stato d’animo collettivo. Tuttavia è anche una misura abbastanza grezza (dice cosa pensano i dipendenti ma non perché). Per questo spesso viene usato in combinazione con survey più approfondite: l’eNPS come segnale generale di allerta o successo, e altre domande per diagnosticare le cause (ad esempio domande sulla fiducia nel management, sulle opportunità di crescita, ecc., che influenzano quel punteggio).

  • Altre metriche di clima e engagement: oltre ai tre indicatori citati, le aziende monitorano diversi altri KPI relativi alla salute organizzativa che intercettano dimensioni di fiducia. Ad esempio, molte imprese fanno survey di engagement più articolate, che includono domande sull’affidabilità del management, sulla chiarezza nella comunicazione dei vertici, sul livello di coinvolgimento nel cambiamento percepito dai dipendenti.
    Esistono indici compositi come l’Organizational Trust Index o il Climate Index nelle indagini di clima, che combinano vari item per dare un punteggio globale di fiducia interna. Alcune organizzazioni utilizzano metriche di open feedback (quante idee o segnalazioni vengono spontaneamente inviate dai dipendenti verso l’alto – indice di fiducia nell’essere ascoltati) o analizzano il tasso di adozione di nuovi programmi/progetti (un’adesione elevata spesso riflette fiducia nell’iniziativa e nei suoi promotori).

  • Anche il tasso di turnover volontario e il tasso di assenze vengono letti come indicatori indiretti: un aumento improvviso in specifici reparti può suggerire un calo di fiducia o problemi relazionali con un manager. In sintesi, già oggi non mancano strumenti per misurare aspetti della fiducia in azienda; il valore del concetto di ROT è semmai di riunire questi vari indicatori sotto un’unica lente strategica, evidenziandone il peso complessivo nelle trasformazioni organizzative.

Ed i nuovi indicatori da includere nel ROT

Accanto alle metriche tradizionali, un approccio ROT maturo dovrebbe sviluppare anche nuovi indicatori ad hoc, per cogliere segnali di fiducia che spesso sfuggono alle misure classiche.

Ho provato ad immaginare alcune categorie di indicatori emergenti utili a misurare il “ritorno di fiducia” in modo più completo:

  • Metriche relazionali interne: la fiducia si manifesta nella qualità delle relazioni. Possiamo quindi misurare, ad esempio, il grado di connessione e collaborazione tra reparti. Strumenti di Organizational Network Analysis potrebbero rilevare l’ampiezza e la forza delle reti informali: quanti scambi avvengono tra team diversi? Chi sono i trust broker che collegano funzioni altrimenti silos? Un aumento delle interazioni trasversali dopo un intervento organizzativo potrebbe indicare maggiore fiducia e apertura.
    Anche i programmi di mentoring o cross-training possono fornire dati: il numero di coppie mentor-mentee attive o di collaborazioni interfunzionali avviate volontariamente può essere un indicatore di fiducia reciproca crescente (le persone si affidano a colleghi di altre aree per imparare, cosa che soprattutto nelle grandi aziende, per un tema di “tifoseria” non succede). Un’altra metrica relazionale potrebbe essere un indice di coesione del team calcolato tramite survey sociali interne: chiedere fino a che punto ci si sente parte di una “famiglia lavorativa” o se si percepisce supporto dai colleghi; punteggi alti riflettono fiducia nel gruppo.

  • Segnali comportamentali e culturali: qui parliamo di tracce indirette che il comportamento organizzativo lascia. La frequenza di condivisione della conoscenza, ossia quante volte al mese un dipendente pubblica una best practice sulla intranet o tiene una sessione formativa per i colleghi? Un aumento suggerisce un clima di fiducia (ci si sente al sicuro nel condividere ciò che si sa, senza timore di perdere il proprio “vantaggio” personale).
    Oppure, il tasso di segnalazione di problemi/criticità: in un ambiente fiducioso le persone evidenziano errori o rischi prima che diventino grossi guai, perché si fidano che segnalare non comporterà punizioni. Dati dal sistema di ticketing interno, o dalle hotline etiche, potrebbero essere letti in questa chiave (un basso numero di segnalazioni non è sempre positivo, se la gente teme ritorsioni, potrebbe non parlare!).
    Un altro segnale comportamentale: la partecipazione volontaria a workshop, community interne, gruppi di miglioramento. Quando c’è fiducia nell’azienda, i dipendenti tendono a impegnarsi attivamente oltre il minimo, dando tempo ed energie extra. Monitorare quante persone si candidano spontaneamente per iniziative interne o quanti partecipano a sondaggi facoltativi può dare insight sulla fiducia/engagement. Persino l’analisi del tone of voice nelle comunicazioni interne (ad esempio usando tecniche di sentiment analysis su intranet o Slack aziendale) può fornire un termometro: parole positive, scherzi, ringraziamenti pubblici tra colleghi indicano una cultura aperta; al contrario prevalenza di toni formali o assenti può suggerire distacco e poca fiducia nel dialogo informale.

  • Dati di percezione e segnali emotivi: la fiducia ha anche una dimensione percettiva e emotiva, che possiamo cercare di catturare. Implementando delle pulse survey frequenti e brevi, dove ogni settimana o mese i dipendenti rispondono anonimamente a poche domande sul loro stato d’animo: “Mi sento motivato e fiducioso questa settimana?”, “Mi fido delle decisioni prese dal management di recente?”. Queste rilevazioni continue creano un indicatore dinamico di fiducia (un Trust Pulse?) che può essere correlato temporalmente ad eventi (es. dopo l’annuncio di una riorganizzazione, il sentiment di fiducia cala? dopo un town hall chiarificatore risale?).
    Anche i colloqui periodici con campioni di dipendenti (employee focus group) possono essere codificati in metriche: ad esempio assegnando uno score alla “qualità percepita delle relazioni” in azienda sulla base delle parole chiave che emergono. In ottica ROT, potremmo includere metriche come un indice di fiducia percepita nella leadership, misurato chiedendo “quanta fiducia hai nel fatto che il tuo leadership team prenda decisioni nel tuo migliore interesse?”. Se questo indice migliora nel tempo, è un chiaro ritorno positivo. Sul fronte clienti/partner, dati di percezione raccolti tramite sondaggio NPS o analisi reputazionali online (review, social listening) possono completare il quadro: ad esempio un incremento di commenti dove i clienti definiscono l’azienda “affidabile” o “trasparente” è un segnale che le iniziative interne di trust si riflettono anche all’esterno.

  • Indicatori di collaborazione uomo-macchina: dato il focus sull’AI, un modello ROT deve includere anche metriche che valutino la fiducia nelle soluzioni AI e la qualità della collaborazione ibrida. Questo è un campo nuovo, e non c’è dubbio che siamo ancora prima degli albori, ma i temi vanno affrontati per tempo e non come pezza di recupero, per cui credo che si possano ideare alcune misure.
    La percentuale di adozione delle raccomandazioni AI: se un algoritmo fornisce suggerimenti a un operatore, è pensabile monitorare in che percentuale questi suggerimenti vengono effettivamente seguiti vs. ignorati. Un tasso di adozione alto indica che l’utente si fida dell’AI (o quantomeno la trova utile), mentre se molti suggerimenti vengono scartati c’è forse diffidenza o scarsa utilità percepita.
    Un altro potrebbe essere il tasso di override umano: in sistemi dove l’AI può agire autonomamente ma l’umano ha facoltà di intervenire (pensiamo a sistemi di autopilota con supervisione umana), misurare quante volte gli umani intervengono per correggere l’AI. Se il valore è estremamente alto, significa che l’AI non gode di fiducia o non è ancora all’altezza (quindi le persone sentono spesso il bisogno di disabilitarla); se è moderato e decrescente nel tempo, sta crescendo la fiducia nel lasciar fare alla macchina routine operative.
    Possiamo anche considerare indici compositi come un Human-AI Trust Index, rilevato tramite survey interne specifiche: chiedendo agli utenti di un software AI quanto si fidano delle sue analisi in scala 1-5, e monitorando l’evoluzione media.
    Nella valutazione delle performance dei team ibridi, oltre a metriche classiche di produttività/errore, sarebbe utile introdurre misure della qualità dell’interazione tra umano e AI. La ricerca accademica sul tema suggerisce di guardare a come vengono prese le decisioni in coppia con l’AI, non solo a cosa si ottiene. Si può tracciare il tempo medio speso a spiegare al collega umano le decisioni dell’AI (segno che l’AI è trasparente e l’umano partecipa attivamente) oppure misurare la fiducia calibrata: quante volte l’operatore conferma l’esito dell’AI quando questo è corretto vs. quante volte lo conferma quando era errato (idealmente in un sistema fidato ma con supervisione attiva, l’operatore confermerà spesso decisioni corrette e correggerà quelle sbagliate – segno di fiducia calibrata, non cieca).

Non c’è dubbio che questi indicatori richiedono un po’ di creatività e sperimentazione nella fase attuale, ma diventano fondamentali a mio avviso per quantificare il ROT in termini di sinergia uomo-macchina. In un’era di organizzazione aumentata, mi piacerebbe vedere dashboard dove accanto ai KPI di business ci siano KPI come “Indice di fiducia team-AI: 8/10, in aumento di 1 punto rispetto al trimestre scorso”.

Naturalmente, non tutte le metriche nuove avranno la stessa importanza o facilità di raccolta, ma anche solo il processo di individuare questi indicatori è utile: forza l’organizzazione a chiarire cosa intende per fiducia nei vari contesti e a trovare modi concreti di osservarla.

L’approccio ROT, guardando oltre il semplice processo di misurazione di qualcosa, spinge a combinare dati hard e soft, dalle statistiche d’uso di un software alle percezioni emotive – per avere un’immagine più ricca e multidimensionale della salute della fiducia in azienda.

Dall’“effetto oracolo” all’etica hacker

Nel ragionare sul Return on Trust, e ricollegando letture fatte negli anni, ho trovato un legame di questo discorso con concetti culturali e scientifici che offrono prospettive complementari sul tema della fiducia nell’era digitale.

Helga Nowotny e l’effetto oracolo: la scienziata sociale Helga Nowotny, nel suo libro In AI We Trust”  e successivamente inLe Macchine di Dioparla di un curioso paradosso: tendiamo ad attribuire agli algoritmi predittivi un’aura di oggettività e infallibilità quasi oracolare. Un po’ come nell’antichità ci si affidava alle sibille o all’Oracolo di Delfi per conoscere il destino, oggi rischiamo di riporre fiducia cieca nei sistemi di AI, prendendo le loro previsioni come verità definitive.

Nowotny avverte che questo effetto oracolo può diventare pericoloso: se iniziamo a conformare il nostro comportamento a ciò che l’algoritmo predice, cediamo pezzi di libero arbitrio e rischiamo di trasformarci in “marionette algoritmiche” in balia dei sistemi di IA. Se la lettura la facciamo dall’angolazione ROT, questa è una chiamata alla consapevolezza: misurare la fiducia non significa promuovere fiducia indiscriminata verso la tecnologia. Al contrario, un alto “Return on Trust” implica una fiducia informata e calibrata. Dobbiamo progettare ambienti in cui le persone si fidano dell’AI quel tanto che basta per beneficiarne, ma mantengono senso critico e controllo. Il ruolo dell’umano resta centrale nel processo decisionale: l’AI può essere una consulente potente, ma non un oracolo incontestabile. Ricordarci di questo principio, come suggerisce Nowotny, ci aiuta a sviluppare pratiche di ROT che valorizzano la fiducia insieme alla trasparenza e all’autonomia individuale.

Paul Zak e la chimica della fiducia: un altro collegamento affascinante viene dal campo della neuroeconomia. Paul Zak, studioso noto come “Dr. Love” per le sue ricerche sull’ossitocina, ha dimostrato che la fiducia ha letteralmente una base biochimica. Quando qualcuno si fida di noi e ci affida qualcosa di valore (nel celebre “gioco della fiducia” in laboratorio si trattava di denaro), il nostro cervello rilascia ossitocina, un neuro-ormone che genera sensazioni di empatia e connessione. Più ossitocina, più tendiamo a comportarci in maniera cooperativa e affidabile verso l’altro. Zak ha persino mostrato che somministrando ossitocina sintetica a persone inconsapevoli, il loro livello di fiducia verso estranei aumenta significativamente (affidavano fino al 17% di denaro in più in custodia a sconosciuti).

Cosa c’entra questo col mondo aziendale e il ROT? C’entra parecchio perché dimostra che la fiducia non è un concetto astratto, ma ha effetti reali e misurabili sugli esseri umani, fin dentro il nostro organismo. Un ambiente lavorativo ad alta fiducia innesca un circolo virtuoso: i dipendenti rilasciano più ossitocina, si sentono più legati ai colleghi, più motivati ad aiutarsi a vicenda e a dare il meglio. Questo si traduce in performance superiori, come già visto (meno stress, più energia, più produttività).

In pratica, fiducia = miglior neuroclima aziendale. Inserire il ROT nella gestione d’impresa vuol dire anche tenere a mente questa dimensione “umana, troppo umana”: i KPI di fiducia non misurano solo fenomeni organizzativi, ma intercettano qualcosa di profondamente radicato nel nostro cervello sociale. Quando racconto ai manager di ossitocina e neuroscienze, il mio messaggio è: investire in fiducia paga perché rende le persone biologicamente più predisposte a impegnarsi. Non è solo buonismo: è biologia e business allo stesso tempo.

L’etica hacker di Pekka Himanen: poi c’è un aspetto culturale-valoriale che collega fiducia e innovazione tecnologica in modo ispiratore. Pekka Himanen, filosofo finlandese, descrive nella sua Etica hacker una diversa etica del lavoro nell’era digitale, contrapposta alla rigida etica protestante. Al centro dell’etica hacker ci sono valori come passione, creatività, condivisione, libertà e impegno gioioso in ciò che si crea.

Ma c’è anche un forte elemento di fiducia decentralizzata: la cultura hacker promuove la circolazione libera dell’informazione (“All information should be free”), la sfida all’autorità precostituita a favore di sistemi aperti e meritocratici, dove ci si fida del merito e delle capacità più che dei titoli.

Pensiamo al modello open source: sviluppatori di tutto il mondo collaborano volontariamente a un progetto software, spesso senza gerarchie rigide, condividendo codice liberamente, contando sulla reciproca fiducia che ognuno contribuirà al meglio delle proprie abilità. E funziona, Linux, Wikipedia e tante innovazioni ne sono la prova. Questa fiducia orizzontale “tra pari” è un ingrediente chiave dell’etica hacker e si collega al ROT in modo interessante: suggerisce che per massimizzare il ritorno della fiducia dobbiamo favorire ambienti aperti, dove le persone abbiano autonomia e responsabilità e dove l’accesso alle informazioni sia ampio.

Se i dipendenti hanno accesso alle conoscenze (anziché silo informativi) e si sentono valutati sul merito delle idee e non sul ruolo in organigramma, l’innovazione decolla e con essa la fiducia che ciascuno ripone nell’organizzazione. L’etica hacker incoraggia anche la sperimentazione senza paura dell’errore, “fail fast, learn faster”, che è possibile solo quando c’è fiducia di base.

Nel contesto ROT, adottare un po’ di questa filosofia significa strutturare le organizzazioni in modo più fluido e partecipativo: ad esempio creare comunità di pratica interne dove sviluppatori, data scientist, esperti di business condividono liberamente soluzioni AI e si aiutano (imitando l’open source); oppure dare ai team la libertà di scegliere strumenti e approcci (entro linee guida etiche) in modo che sentano fiducia riposta in loro e la ricambino con risultati eccellenti.

Fiducia chiama fiducia

come diceva anche Stephen Covey, e la cultura hacker mostra che puntando su fiducia, apertura e autonomia si possono ottenere ritorni straordinari in creatività e produttività. Per un leader, ispirarsi a questi principi vuol dire forse rinunciare a un po’ di controllo verticale, ma guadagnare in velocità, motivazione e apprendimento collettivo.

Queste prospettive (dall’oracolo di Nowotny all’ossitocina di Zak, fino all’etica hacker) condividono un principio fondante: la fiducia è un concetto sfaccettato, tecnico, umano e culturale al tempo stesso. Implementare il ROT con successo richiede di tener conto di tutte queste sfumature: dosare fede nella tecnologia e senso critico, considerare i bisogni emotivi delle persone e alimentare una cultura di apertura. È questa visione olistica che rende il Return on Trust non solo una nuova metrica, ma una vera strategia di trasformazione nell’era dell’AI.

Fiducia e oltre, verso il ROS (Return on Skills)

Definire e applicare il ROT significa dotarsi di una bussola per navigare la trasformazione digitale mettendo le persone e le relazioni al centro. Significa chiedersi, ad ogni progetto di AI o riorganizzazione, non solo “qual è il ROI?” ma anche “qual è l’impatto sulla fiducia?”.

La fiducia può essere misurata, allenata, protetta e che farlo porta benefici tangibili in performance e benessere. Il ROT è quindi un approccio che arricchisce la gestione aziendale di una dimensione etica e umana fondamentale, senza la quale le migliori tecnologie rischiano di fallire nell’adozione o di generare resistenze sotterranee.

Ma questa è solo una parte del percorso.

Riflettendo sul futuro prossimo e sulla velocità con la quale oggi le competenze tendono ad esser obsolete, mi rendo conto che accanto al ritorno sulla fiducia c’è un altro pilastro da considerare per guidare le organizzazioni attraverso l’era dell’AI: quello della formazione di nuove competenze, attraverso nuove modalità.

L’innovazione infatti richiede non solo fiducia, ma anche sviluppo continuo di nuove capacità, tanto hard skills quanto e soprattutto soft skills come il pensiero critico, l’adattabilità, l’intelligenza emotiva.

Sto iniziando a chiamare questo secondo concetto ROS – Return on Skills, il ritorno sulle competenze, inteso come la capacità di un’azienda di ottenere valore dagli investimenti in formazione, apprendimento e crescita del proprio capitale umano, non solo come elemento necessario di sopravvivenza e ottimizzazione, quanto di definizione strategica futura.

Fiducia e competenza sono gemelli siamesi da affiancare nel percorso di trasformazione attraverso questo passaggio storico, culturale e tecnologico che stiamo attraversando. La fiducia crea terreno fertile perché le persone mettano a frutto e condividano le loro competenze; allo stesso tempo, nuove competenze riducono la diffidenza e aumentano la fiducia verso le tecnologie e i colleghi.

Prossimamente approfondirò proprio il tema del Return on Skills, per esplorare come implementare nuovi modelli di formazione (da affiancare o sostituire ai metodi tradizionali non più efficaci), misurare e massimizzare il valore delle competenze in evoluzione.

Per ora, mi piace concludere sottolineando questo: nell’era dell’AI, il vero capitale competitivo risiede nelle persone, nella fiducia che riescono a costruire tra loro e nel continuo arricchimento del loro bagaglio di abilità. ROI, ROT e (presto) ROS diventeranno così le tre metriche cardinali di un’innovazione sostenibile e centrata sull’umano.