Categoria: AI & GENAI

Intelligenza artificiale generativa, large language model, agentic AI e applicazioni dell’AI nei processi aziendali. In questa sezione raccolgo le mie analisi sui temi più rilevanti dell’AI applicata: cosa cambia davvero per le aziende italiane ed europee, dove vale la pena investire nei prossimi 12-24 mesi, quali sono i rischi sopravvalutati e quelli sottovalutati. Gli articoli coprono cinque filoni principali. Il primo è l’analisi dei modelli AI: Claude di Anthropic, ChatGPT di OpenAI, Gemini di Google, Mistral, modelli open-source. Non recensioni superficiali, ma riflessioni su cosa cambia per chi deve scegliere quale tecnologia adottare in azienda e su quali criteri valutare il fit con i propri processi. Il secondo filone è la strategia AI aziendale: come costruire una roadmap di adozione, dove l’AI genera ROI misurabile, come strutturare governance, change management e formazione. Temi che approfondisco anche nei progetti di advisory strategico con CEO, founder e leadership team di aziende medie e grandi. Il terzo è l’agentic AI: Claude Managed Agents, GPT Agents, Model Context Protocol (MCP), automazione di processi complessi via AI autonoma. Cosa funziona oggi in produzione, cosa è ancora demo, come progettare workflow human-AI che reggono in scala. Il quarto filone è il change management nell’era dell’AI: come cambiano i ruoli, le competenze richieste, le strutture organizzative quando l’intelligenza artificiale distribuisce il sapere nei nodi dell’organizzazione. Temi al centro del mio libro La mente adattiva e di articoli più recenti sul concetto di onlyness applicato alla leadership. Il quinto è la cultura dell’AI: cosa significa convivere con sistemi che generano testi, immagini, codice, decisioni. Implicazioni etiche, sociali, cognitive che vanno oltre il singolo caso d’uso aziendale. Se è la tua prima volta in questa sezione, ti consiglio di partire dagli articoli più recenti sulla leadership in era AI, o dai pezzi sui Claude Managed Agents e MCP che hanno generato più discussione. Per uno sguardo più strategico, c’è la pagina Advisory con i formati di collaborazione che propongo a chi vuole portare l’AI nei processi reali, e la sezione Pubblicazioni con i quattro libri che ho scritto su questi temi.

AI & GENAI

InsideTheShift #8 – Intelligenza Orchestrata

Come i sistemi distribuiti di AI stanno ridefinendo automazione, agency e collaborazione

L’ascesa dei team di AI

Shift in Focus

Fino a poco tempo fa, pensavamo all’intelligenza artificiale come a un singolo “genio” che risolveva problemi in autonomia. Oggi, questo paradigma sta cambiando verso una nuova forma di AI collaborativa: team di agenti specializzati che lavorano insieme in modo coordinato. I modelli linguistici di grandi dimensioni (LLM) stanno diventando nel 2025 sempre più un gioco di squadra, passando dal “modello tuttofare” a un sistema composto da agenti esperti, ognuno focalizzato su ciò che sa fare meglio.

Questo significa che attività complesse, troppo pesanti per un singolo modello, possono ora essere suddivise tra agenti cooperativi, ognuno responsabile di una parte del compito. Dal punto di vista dell’utente, l’interfaccia può sembrare ancora un unico chatbot, ma dietro le quinte si muove una vera e propria orchestra di AI, dove ogni sezione lavora in sincronia come in un’orchestra sinfonica. Questo approccio orchestrato consente ai sistemi di intelligenza artificiale di affrontare problemi finora troppo complessi, segnando il passaggio da un’intelligenza isolata a un’intelligenza distribuita e cooperativa.

Verso una nuova grammatica della collaborazione uomo-AI

Understanding the Shift

L’intelligenza orchestrata non è solo un cambio tecnico: è un cambiamento semantico e culturale nel modo in cui pensiamo la collaborazione. In passato, la narrativa dell’AI era centrata sulla sostituzione: “l’AI farà il tuo lavoro meglio di te”. Oggi si sta affermando una visione più matura: l’AI lavora con te, non contro di te.

In questo nuovo contesto, l’AI assume la forma di una pluralità di voci coordinate, dove l’essere umano resta il direttore d’orchestra. Il concetto di delegare all’AI evolve: non si tratta più di chiedere a un unico modello di fare tutto, ma di saper comporre un ecosistema di agenti, assegnare ruoli, distribuire intelligenza. È un passaggio da “prompt engineering” a system orchestration.

Questa transizione modifica il modo in cui definiamo la collaborazione. Non è più uomo → macchina, ma umano + AI + AI, in un ciclo in cui i sistemi si parlano tra loro, apprendono insieme e ci riportano insight. L’utente passa da fruitore a coordinatore di processi intelligenti. E come ogni shift linguistico, anche questo richiede una nuova grammatica: linguaggi, standard e pattern per progettare l’interazione tra molteplici AI, e tra AI e umani.

La sfida non è solo tecnica: è cognitiva e organizzativa. Chi guida un sistema orchestrato deve comprendere le dinamiche del team digitale, gestire conflitti tra agenti, progettare feedback loop efficienti. Non basta più addestrare un singolo modello: bisogna comporre e dirigere una rete intelligente. E questo cambia il profilo di competenze, ruoli e governance aziendale.

Architetture distribuite di AI

The Core

Al centro dell’intelligenza orchestrata c’è il concetto di agenti autonomi che cooperano all’interno di un sistema coordinato. Nei sistemi multi-agente, più agenti (spesso basati su LLM) vengono progettati con ruoli e competenze specifiche, e comunicano tra loro per risolvere problemi in modo collaborativo.

Una delle architetture più comuni è il modello “manager-worker”: un agente supervisore funge da orchestratore, scomponendo l’obiettivo in sottocompiti e delegandoli ad altri agenti specializzati, per poi integrare i risultati. Questa struttura può essere gerarchica o peer-to-peer, e la comunicazione può avvenire in linguaggio naturale o attraverso protocolli strutturati. Ogni agente può essere dotato di strumenti propri o di un dominio di conoscenza specifico: ad esempio, uno per la ricerca online, uno per l’analisi dei dati, un altro per la generazione di contenuti.

Attraverso il meccanismo di task orchestration, il sistema funziona come un team ben organizzato: ogni AI contribuisce con la propria expertise, e insieme si raggiunge un risultato che nessun singolo agente avrebbe potuto ottenere da solo.

I vantaggi sono diversi.

Primo: maggiore affidabilità e precisione. Gli agenti possono validare a vicenda i propri output, riducendo errori o allucinazioni che un singolo modello non noterebbe.

Secondo: maggiore capacità di elaborazione. I diversi agenti possono gestire frammenti di un documento lungo o affrontare aspetti paralleli di un problema complesso, aumentando la memoria e l’attenzione complessiva del sistema.

Terzo: esecuzione parallela. Ogni agente lavora contemporaneamente su un compito, accelerando notevolmente flussi di lavoro e cicli decisionali.

Questi sistemi abilitano workflow AI-to-AI: processi che si passano compiti tra agenti senza bisogno di input umano continuo. Ma, nonostante l’autonomia, la supervisione umana resta cruciale: una persona può intervenire per correggere la rotta, validare le scelte e assicurare che l’intero team virtuale lavori in modo coerente con gli obiettivi. In sintesi: l’intelligenza orchestrata è un sistema cooperativo progettato per sfruttare le forze complementari di ogni agente, con una gestione intelligente e una direzione condivisa.

Dall’automazione alla collaborazione distribuita

The Broader Shift

Perché questo cambio di paradigma è importante oltre l’aspetto tecnico? Perché sta trasformando il modo in cui pensiamo il lavoro stesso. L’AI non è più solo un assistente per attività singole, ma diventa una squadra di risolutori autonomi in grado di portare avanti obiettivi complessi.

Immaginiamo AI che pianificano viaggi completi – dai voli agli hotel – o team virtuali che gestiscono processi aziendali end-to-end. Persino agenti AI in grado di fornire assistenza continua agli anziani, o costituire team su richiesta per progetti specifici. Non è fantascienza: sono prototipi concreti e primi prodotti di una nuova era di AI agentica.

Questi sistemi ampliano i confini dell’automazione: non più solo task semplici, ma interi progetti e flussi di lavoro. L’AI evolve da assistente a agente autonomo – o meglio, a un gruppo di agenti cooperanti. Questo ci obbliga a ripensare ruoli e modelli organizzativi: quando lasciamo all’AI il timone? Come collaboriamo con un team digitale?

Sul piano strategico e culturale, questa è un’inversione profonda. Le organizzazioni vedono già questi sistemi come una nuova forma di forza lavoro aumentata. Il concetto di “digital labor”, agenti AI come risorse operative, sta prendendo piede, ampliando la definizione stessa di “team”. Il mercato potenziale per questa forza lavoro digitale è valutato in migliaia di miliardi di dollari.

Ma per cogliere il potenziale, serviranno nuove figure professionali (orchestratori di AI, product owner di team agentici), nuovi modelli di governance e una cultura della collaborazione umano-AI. L’idea di “teamwork” si estende: ora include non solo persone, ma colleghi digitali. L’intelligenza orchestrata non è solo una novità tecnica – è un cambiamento socio-tecnico.

Verso sistemi cognitivi distribuiti e simbiotici

What’s Next – Dagli agenti cooperativi a ecosistemi di intelligenza simbiotica

Siamo solo all’inizio. Il futuro dell’intelligenza orchestrata non sarà fatto solo di più agenti, ma di sistemi cognitivi distribuiti, capaci di apprendere, adattarsi e coordinarsi in modo emergente.

Gli agenti del futuro avranno memoria persistente, specializzazione dinamica, capacità di osservare e ottimizzare se stessi. Non seguiranno solo piani predefiniti: impareranno dai propri errori, dal comportamento degli altri, e dal feedback umano. Il coordinamento sarà sempre meno centralizzato e sempre più emergente e adattivo.

Su scala più ampia, assisteremo alla nascita di reti di agenti AI inter-organizzative: ecosistemi distribuiti in grado di collaborare tra settori, aziende e contesti diversi. Immaginiamo un agente sanitario che dialoga in tempo reale con l’AI di un wearable, o agenti logistici e commerciali che negoziano in autonomia.

In parallelo, emergeranno nuove competenze umane: non solo prompt engineer, ma orchestratori di intelligenza collettiva, capaci di allineare sistemi autonomi a obiettivi umani. Sarà necessaria una leadership che sappia guidare collettivi digitali, bilanciare delega e controllo, e interpretare decisioni multi-agente.

Questo shift porterà con sé sfide (interoperabilità, responsabilità, governance) ma anche un’opportunità storica: costruire ecosistemi simbiotici in cui l’AI non sostituisce l’umano, ma ne estende le capacità.

L’intelligenza orchestrata sarà l’infrastruttura cognitiva del futuro. E ciò che verrà dopo non sarà un’aggiunta di agenti, ma un loro miglioramento profondo: più allineati, più consapevoli, più utili. A noi il compito di progettarli con visione, responsabilità e lungimiranza.

Takeaways – Lezioni chiave

  • Dall’unità alla sinfonia: l’AI si sta spostando da modelli singoli a sistemi cooperativi multi-agente.

  • Specializzazione e orchestrazione: ogni agente ha un ruolo, un compito, e lavora coordinato da un supervisore.

  • Maggiore affidabilità: gli agenti si validano a vicenda, riducendo errori e allucinazioni.

  • Efficienza parallela: task simultanei accelerano drasticamente i flussi operativi.

  • Lavoro distribuito e autonomia: workflow AI-to-AI permettono la gestione di progetti interi, riducendo l’intervento umano.

  • Forza lavoro aumentata: agenti AI come colleghi digitali che estendono le capacità operative delle imprese.

Toolbox – Strumenti e approcci per sperimentare

  • Architetture multi-agente: Progetta sistemi con pattern manager-worker per suddividere task tra AI specializzate.

  • Framework di orchestrazione: AutoGen (Microsoft), LangChain, CrewAI: soluzioni pronte per gestire sistemi multi-agente.

  • Prototipi open-source: AutoGPT, GPT Engineer e altri strumenti permettono di esplorare agenti autonomi passo dopo passo.

  • Equipaggia ogni agente: Dotali di tool e contesti specifici per massimizzare l’efficacia (memoria, strumenti, API).

  • Supervisione umana integrata: Punti di controllo umani garantiscono qualità, allineamento ed etica nei processi autonomi.

Risorse consigliate

The Shift Continues

Il viaggio dell’intelligenza orchestrata è solo iniziato. Ogni prototipo, ogni agente collaborativo, ogni workflow testato ci avvicina a una nuova interfaccia tra azione umana e intelligenza distribuita. In questo futuro, non parleremo più di AI singole ma di sistemi cognitivi collettivi, reti fluide e adattive capaci di lavorare con e per noi.

Chi impara oggi a progettare e guidare questi sistemi, domani sarà pronto a co-dirigere l’innovazione. E chi saprà orchestrare con equilibrio tra efficienza e responsabilità, costruirà infrastrutture cognitive a prova di futuro.

Lo shift continua.

NOTA: questo testo, maggiormente approfondito, in inglese lo trovate su insidetheshift.substack.com

AI & GENAI

Dual Mindset AI Framework, CRITIC + REFLEX : un approccio per collaborare con l’IA generativa

Negli ultimi anni l’intelligenza artificiale generativa (come ChatGPT) è entrata prepotentemente nella quotidianità di professionisti e studenti, promettendo di aumentare produttività e creatività. L’adozione è stata rapidissima e molte aziende ricercano competenze in questo campo (il 91% dei CEO USA vuole lavoratori esperti di ChatGPT).

Usare queste nuove AI come semplici “scatole magiche” o motori di ricerca può portare a risultati deludenti e a un appiattimento del pensiero critico umano. Studi recenti segnalano infatti che un impiego intensivo ma acritico degli LLM riduce nel tempo la capacità di analisi critica e la creatività personale. Ciò accade perché, se ci si limita ad accettare passivamente le risposte dell’AI, il nostro cervello entra in “modalità risparmio energetico”, delegando alla macchina la fatica cognitiva. Il rischio è di affidarsi all’AI senza comprenderne a fondo gli output, con possibili errori o bias non rilevati.

Non sorprende dunque che il maggiore ostacolo all’uso efficace di queste tecnologie sia proprio la scarsa capacità degli utenti di dialogare con l’AI, ad esempio fornendo prompt poveri di contesto o non verificando le risposte. Serve quindi un nuovo mindset: un approccio strutturato che mantenga l’uomo al centro del processo, guidando la collaborazione con l’AI in modo critico e consapevole.

Negli ultimi mesi, lavorando con diverse aule di formazione, in diversi master e con team di aziende, ho iniziato a usare un approccio che ho chiamato Dual Mindset AI Framework, un metodo integrato basato su due approcci complementari, CRITIC e REFLEX, strutturati da me per migliorare il rapporto tra persone e AI generativa.

In parole povere, CRITIC è il mindset da adottare quando è l’umano a interrogare l’IA, cioè nella classica modalità domanda-risposta, ma con un processo critico in sei fasi. REFLEX, invece, è il mindset opposto: quando è l’umano a esporre il proprio ragionamento all’IA per testarlo, usando l’AI come “specchio” cognitivo per riflettere sulle proprie idee.

Ho provato così, dopo qualche mese di test in aula, a buttare giù in dettaglio entrambi gli approcci, le rispettive 6 fasi, come si integrano tra loro nel Dual Mindset Framework e alcuni esempi pratici nei settori marketing, education, product design e produttività personale.

L’obiettivo è fornire un metodo pratico e professionale, ma accessibile, che aiuti sia i professionisti digitali sia i neofiti a sfruttare al massimo l’IA senza rinunciare al proprio pensiero critico.

Perché serve un nuovo mindset per l’IA generativa

L’uso dell’IA generativa oggi oscilla fra entusiasmo e preoccupazione. E questo è normale e condivisibile.

Da un lato, numerose ricerche confermano che la collaborazione uomo-AI può migliorare sensibilmente le performance: ad esempio, professionisti che hanno usato ChatGPT hanno prodotto testi di qualità più alta con minore sforzo, programmatori hanno risolto problemi più velocemente, e i team creativi hanno generato idee più originali grazie alle sollecitazioni dell’AI. L’AI infatti può fornire prospettive diverse che stimolano il pensiero creativo, un po’ come fare brainstorming con un collega.

Dall’altro lato, però, emergono le sfide: se l’umano si limita a un ruolo passivo, delegando all’AI tutto il lavoro cognitivo, si perdono coinvolgimento e motivazione intrinseca. Uno studio di un team del MIT di cui ho parlato già, condividendo il mio punto di vista, ha rilevato che studenti che usavano ChatGPT in modo intensivo faticavano poi a ragionare in autonomia e ricordare quanto “scritto” dall’AI. In pratica, senza un metodo, l’AI rischia di eclissare il pensiero critico umano invece di amplificarlo.

La chiave per trarre beneficio dall’IA sta quindi nell’approccio attivo e consapevole. Come dico da sempre l’AI non sostituisce il pensiero critico, lo potenzia, fornendo accesso rapido a informazioni e soluzioni. Proprio come usare la calcolatrice non esime dal capire la matematica, usare bene l’AI richiede comunque pensiero critico per interpretare e applicare i suoi output.

In altri termini, l’AI diventa uno strumento formidabile solo se l’umano guida il processo, ponendo le domande giuste, valutando le risposte con giudizio e integrandole nel proprio contesto. Da questa riflessione nasce il framework “CRITIC + REFLEX”: due modalità mentali complementari che l’utente può adottare per interagire con l’AI generativa, mantenendo il controllo e la lucidità in ogni momento. Vediamo ora nel dettaglio in cosa consistono.

CRITIC: interrogare l’IA con spirito critico

“CRITIC” è l’acronimo di un processo in 6 fasi che struttura l’interazione classica in cui poniamo domande all’AI (prompt) e riceviamo risposte. In questo approccio l’umano svolge il ruolo di critico e regista della conversazione: formula richieste efficaci, guida l’AI, valuta criticamente le risposte e le affina iterativamente. Lo scopo è evitare sia i prompt vaghi o fuorvianti, sia l’accettazione acritica delle prime risposte generate. In pratica, CRITIC impone all’utente di interrogare l’AI come un investigatore paziente e scaltro, che scava in profondità e non si accontenta della superficie. Ecco le sei fasi del modello CRITIC:

  1. C – Contesto e obiettivi: prima di porre qualunque domanda, l’utente definisce il contesto e lo scopo della richiesta. Ciò significa raccogliere e fornire all’AI le informazioni di background essenziali, descrivere il problema o scenario, e chiarire l’obiettivo finale. Ad esempio, se si chiede aiuto per un testo, bisogna specificare a chi è destinato, il tono desiderato, gli eventuali vincoli. Questa fase è cruciale perché un prompt senza contesto rischia di fuorviare la macchina. Inserire dettagli e istruzioni specifiche nel prompt consente all’AI di operare entro il perimetro giusto e riduce il margine di errore. In breve: preparare il terreno prima di domandare.
  2. R – Richiesta chiara: formulare la domanda vera e propria in modo chiaro e preciso. Dopo il contesto, si passa al cuore del prompt, ossia cosa vogliamo dall’AI. Qui l’utente adotta la massima chiarezza, evitando ambiguità. Ad esempio, invece di chiedere “Parlami di marketing”, meglio “Elenca 5 strategie di marketing digitale adatte a una startup B2C in ambito moda”. Più la richiesta è specifica (nei limiti di quanto l’utente sa di volere), più l’AI potrà fornire risposte pertinenti. È utile anche indicare il formato dell’output atteso (elenco puntato, tabella, tono colloquiale o formale, ecc.), perché l’AI si adatterà a queste istruzioni. Questa fase R consiste dunque nello scrivere il prompt vero e proprio, mettendosi nei panni di un “prompt designer” attento a ogni parola. Vale la pena dedicare qualche minuto in più a perfezionare la domanda prima di inviarla.
  3. I – Interrogazione e interazione: una volta impostato contesto e domanda, si interroga l’AI e si avvia l’interazione. L’utente invia il prompt ben formulato e ottiene una risposta dall’intelligenza artificiale. In questa fase è importante leggere con attenzione la risposta generata, mantenendo un atteggiamento attivo. L’approccio CRITIC prevede che l’utente non si limiti a ricevere passivamente l’output, ma inizi subito a interagire mentalmente con esso: identificare i punti interessanti, le parti poco chiare, eventuali inesattezze o spunti da approfondire. In pratica, la conversazione con l’AI va vista come un dialogo iterativo. L’AI fornisce una prima risposta sulla base del prompt ricevuto – spesso sorprendentemente utile – ma raramente perfetta al primo colpo. Compito dell’umano è saper cogliere sia il valore sia i limiti di questa risposta iniziale, preparandosi a scavare più a fondo nei passi successivi.
  4. T – Test e valutazione dell’output: qui l’utente veste i panni del critico rigoroso. La fase T consiste nel verificare la qualità e l’attendibilità della risposta dell’AI prima di accettarla. In concreto, significa porsi domande come: “Questa risposta ha senso? È corretta fattualmente? Ci sono contraddizioni o punti deboli nella soluzione proposta?”. Se l’output contiene dati o affermazioni fattuali, andrebbero controllati (ad esempio con una rapida ricerca) per assicurarsi che non siano allucinazioni prive di fondamento. L’utente valuta anche se la risposta soddisfa realmente la sua esigenza iniziale: potrebbe essere on-topic ma non abbastanza approfondita, oppure ben scritta ma mancante di qualche elemento chiave. In questa fase è fondamentale il pensiero critico umano: l’AI non è infallibile e può presentare errori plausibili con tono sicuro. Come suggeriscono le linee guida, non bisogna mai accettare le risposte dell’AI a occhi chiusi: vanno confrontate con le proprie conoscenze, con altre fonti o semplicemente con il buon senso. Un trucco del metodo CRITIC è provare a “mettersi nei panni del diavolo” verso l’output dell’AI, cercando attivamente eventuali falle. Solo così l’AI diventa uno stimolo e non un rischio.
  5. I – Iterazione e raffinamento: il nome CRITIC contiene due “I” proprio a sottolineare l’importanza dell’iterazione. Dopo aver valutato la prima risposta, l’utente passa all’azione successiva: iterare la conversazione per migliorare il risultato. Ciò può avvenire in due modi principali: affinare il prompt oppure fare domande di follow-up all’AI. Affinare il prompt significa correggere o dettagliare meglio la richiesta iniziale alla luce di quanto emerso (ad esempio: “Ok, mi hai dato 5 strategie generiche, ora forniscimi esempi specifici di campagne social per ogni strategia”). Invece, porre follow-up significa chiedere chiarimenti o approfondimenti su parti dell’output (ad es.: “Puoi spiegare meglio il punto 3?” oppure “Cosa intendi con…?”). In entrambi i casi, l’idea è di non fermarsi alla prima risposta, ma sfruttarla come base per ottenere di più. Questo processo ricorsivo è simile a un’inchiesta giornalistica: la prima risposta dell’AI fornisce materiale grezzo, che l’umano deve rielaborare e su cui costruire ulteriori domande. Secondo gli esperti, non esiste il prompt perfetto al primo tentativo: il prompting efficace è un processo iterativo di raffinamento continuo. Nella fase I di iterazione, l’utente e l’AI lavorano quasi in tandem: la macchina propone, l’umano dispone (analizza e guida il prossimo passo).
  6. C – Conclusione e integrazione: infine, l’ultima fase del metodo CRITIC è Concludere il ciclo e integrare i risultati utili. Dopo aver iterato a sufficienza (il numero di cicli dipende dalla complessità del compito e dal livello di perfezione desiderato), l’utente sintetizza le informazioni e le soluzioni emerse dalle interazioni con l’AI. In pratica, si tira le fila: qual è la risposta finale alla mia domanda? Quale soluzione adotto, magari tra le varie proposte generate? Spesso questa fase comporta anche un lavoro umano di rifinitura: ad esempio, combinare il meglio di due risposte differenti ottenute dall’AI, oppure tradurre in azione pratica il suggerimento concettuale fornito. Un elemento importante è verificare che la conclusione abbia senso nel contesto reale: l’AI può aver fornito ottimi spunti teorici, ma spetta all’umano decidere cosa implementare davvero e come. In questa fase convergono di nuovo il giudizio umano e l’expertise sul dominio specifico. Il risultato finale non è “la risposta di ChatGPT”, bensì una soluzione ibrida costruita dall’intelligenza artificiale e dall’intelligenza umana che l’ha guidata e filtrata. Quando si chiude un ciclo CRITIC ben fatto, l’utente dovrebbe aver ottenuto non solo un output utile, ma anche una maggiore comprensione del problema iniziale (grazie alle domande poste e alle risposte esaminate criticamente).

CRITIC trasforma la semplice query all’AI in un processo strutturato di domanda, analisi critica e miglioramento iterativo. Questo mindset assicura che l’utente resti mentalmente vigile: ogni risposta dell’IA è un punto di partenza, non di arrivo. Applicando CRITIC, l’intelligenza artificiale diventa uno strumento sotto controllo umano: potente, sì, ma guidato dalla bussola del nostro pensiero critico: “leggere, revisionare e integrare l’output del modello è fondamentale tanto quanto scrivere un prompt efficace”. CRITIC copre entrambi gli aspetti: prompt efficaci in ingresso e valutazione/integrazione efficace in uscita.

REFLEX: testare il proprio ragionamento con l’IA

Passiamo ora al secondo pilastro del framework duale: REFLEX. Questo approccio capovolge la prospettiva tradizionale. Invece di usare l’AI per ottenere risposte a domande, lo si usa per ottenere feedback sul proprio ragionamento (praticamente quello che insegno, come approccio, ai miei figli e ai ragazzi sull’uso dell’AI).

Possiamo immaginare REFLEX come un dialogo in cui l’umano espone all’AI un’idea, un piano o un ragionamento completo, e chiede all’AI di valutarlo, criticarlo o rafforzarlo. L’AI diventa così una sorta di specchio intelligente o sparring partner mentale: consente di vedere da un’angolazione esterna la solidità di ciò che pensiamo. Questo metodo è ispirato a pratiche come il “rubber duck debugging” in informatica, dove spiegare il problema ad un’anatra di gomma aiuta a risolverlo , con la differenza che qui “l’anatra (l’AI) ci risponde anche”! In ambito programmazione, ad esempio, molti sviluppatori usano ChatGPT per spiegare ad alta voce il loro codice o algoritmo e farsi indicare bug e casi limite che hanno trascurato. REFLEX è utile ogni volta che abbiamo già abbozzato una soluzione (un testo, un’analisi, un progetto) e vogliamo un paio d’occhi artificiali per metterla alla prova prima di considerarla definitiva.

Le 6 fasi del modello REFLEX, anch’esso acronimo di sei parole chiave:

  1. R – Ragionamento (preparazione interna): la fase iniziale consiste nel formulare chiaramente il proprio ragionamento o progetto che si intende sottoporre all’AI. In altre parole, l’utente organizza le idee nella propria mente (o su carta) affinché siano presentabili. È un momento di auto-riflessione: “Cosa voglio verificare? Qual è la mia tesi o soluzione attuale? Come posso spiegare all’AI in modo chiaro?”. Ad esempio, uno studente che ha risolto un problema di matematica prepara mentalmente (o scrive) i passaggi logici seguiti e il risultato ottenuto. Oppure un marketer che ha ideato una strategia riassume i punti chiave della sua idea. Questa fase è cruciale perché richiede già uno sforzo di metacognizione: articolare i propri pensieri in modo lineare e comprensibile. Molte volte, nel formulare chiaramente il nostro ragionamento, già emergono eventuali dubbi o lacune, ed è proprio l’obiettivo! REFLEX inizia con un atto di chiarezza mentale da parte dell’umano.
  2. E – Esporre all’AI il proprio pensiero: a questo punto si passa a spiegare attivamente il ragionamento all’intelligenza artificiale. L’utente prende ciò che ha organizzato nel passo precedente e lo comunica all’AI tramite un prompt dettagliato. Ad esempio: “Ti descrivo come ho risolto il problema X: ho fatto A, poi B, assumendo C, e ho ottenuto come risultato D. Secondo te questo procedimento è corretto e completo?”. Oppure: “Ecco l’idea di progetto: obiettivo, target, strategia, ecc. Ti sembra fattibile? Cosa migliorerebbe?”. È importante presentare tutti i passaggi e le premesse del proprio ragionamento, in modo che l’AI abbia il quadro completo per valutarlo. Più onesti e trasparenti si è nell’esporre anche i propri dubbi, meglio l’AI potrà aiutare. In questa fase si “mette sul tavolo” la propria soluzione, senza timore di sottoporla a critica: è un po’ come spiegare il progetto a un collega virtuale. L’AI qui funge da ascoltatore attento, pronto a intervenire nel prossimo passo.
  3. F – Feedback dell’IA (valutazione esterna): ora avviene la magia del REFLEX. Si chiede esplicitamente all’AI di fornire un feedback critico e costruttivo su quanto esposto. In pratica, l’utente dice all’AI qualcosa come: “Analizza il mio ragionamento e dimmi se ci sono errori, punti deboli o aspetti poco chiari”. Oppure: “Valuta la mia soluzione e suggerisci possibili miglioramenti o alternative”. L’AI, avendo ricevuto l’intero contesto e i passaggi, genera una risposta che in questa fase idealmente avrà il ruolo di consulente/mentore. Ad esempio, potrebbe segnalare che un certo passaggio logico non è giustificato, oppure che l’idea proposta potrebbe non tenere conto di un certo fattore. Potrebbe confermare ciò che è valido e indicare dove rafforzare l’analisi. È importante, nel prompt, invitare l’AI a essere onesta e dettagliata nel feedback (es. “Non dare per scontato che io abbia ragione; cerca anche possibili errori sottili”). Questo è il momento centrale di REFLEX: l’AI riflette il nostro pensiero come farebbe uno specchio, mostrandoci cose che dall’interno potremmo non vedere. Come afferma un esperto, ChatGPT trasforma i nostri monologhi interiori in dialoghi, permettendoci di confrontarci davvero con le nostre idee. Il feedback dell’AI può assumere varie forme: correzione di errori, domande che mettono alla prova le nostre assunzioni, suggerimenti creativi, o anche complimenti su ciò che è stato fatto bene (per incoraggiare). L’essenziale è che fornisca una prospettiva esterna sul nostro operato.
  4. L – Lettura e analisi del feedback: terminata la risposta dell’AI, l’utente deve leggere attentamente e analizzare il feedback ricevuto. Questa fase è parallela alla fase T di CRITIC, ma qui si applica al feedback sul nostro ragionamento anziché a una risposta a una domanda. L’utente valuta: “Cosa ha evidenziato l’AI? Sono d’accordo con queste osservazioni? Mi ero accorto di questi punti deboli oppure sono nuovi per me?”. È importante mantenere la mente aperta e non prendere sul personale le critiche dell’AI, dopotutto l’obiettivo è imparare dai propri errori o affinare l’idea. Se l’AI segnala un errore concreto (es. un calcolo sbagliato, un fatto storico inesatto nel nostro testo, una contraddizione logica), l’utente lo prende come spunto per correggere. Se l’AI fa notare un aspetto migliorabile (es. “Qui potresti aggiungere un esempio”, oppure “Questa scelta strategica potrebbe causare problema Y”), l’utente riflette sulla validità di quel punto. Questa fase richiede onestà intellettuale: riconoscere dove l’AI ha ragione e dove magari il suo commento è discutibile. È utile distinguere le diverse categorie di feedback: errori oggettivi da correggere subito, lacune informative da colmare, punti di disaccordo da approfondire (magari con ulteriori fonti), e suggerimenti creativi da valutare. In sostanza, l’utente deve estrarre dal feedback dell’AI una “lista di miglioramenti” o una maggiore consapevolezza della qualità del proprio lavoro.
  5. E – Elaborazione delle revisioni: a questo punto si passa all’azione successiva: elaborare modifiche o approfondimenti in base al feedback ricevuto. REFLEX infatti non si ferma alla diagnosi (il feedback), ma prosegue con la cura. Se nella fase precedente abbiamo individuato errori o carenze, ora l’utente li affronta concretamente: corregge il calcolo sbagliato, riscrive la frase confusa, aggiunge la sezione mancante, rivede il piano alla luce del nuovo fattore emerso, ecc. In pratica, l’output di REFLEX è un miglioramento del prodotto iniziale (che fosse un’idea, un progetto, un testo, una soluzione). L’AI può essere coinvolta anche in questa fase come aiuto operativo: ad esempio, se ha suggerito un’alternativa, si può chiedere “Come implementeresti questa alternativa?”; oppure semplicemente l’utente da solo integra il suggerimento e poi magari chiederà conferma. Un aspetto chiave qui è mantenere comunque il controllo: l’AI offre spunti, ma sta all’umano decidere quali accettare e come implementarli. Questa elaborazione può richiedere più cicli: in alcuni casi, dopo aver modificato il proprio elaborato, l’utente può tornare al passo 2 o 3 di REFLEX per un secondo giro di feedback sulla versione aggiornata (simile all’iterazione di CRITIC). Si può pensare a REFLEX come a un processo di revisione incrementale, dove l’AI è il revisore. Dopo uno o più passaggi, si convergerà verso una versione significativamente migliorata rispetto al punto di partenza.
  6. X – eXtra controllo o eXperiment (fase finale): l’ultima lettera di REFLEX, X, simboleggia la chiusura del ciclo con eventuali test finali o sperimentazioni ulteriori. In algebra la X rappresenta l’incognita da trovare: qui possiamo intenderla come la soluzione finale ottimizzata dopo il confronto con l’AI. Cosa avviene in questa fase? L’utente, dopo aver apportato le correzioni/migliorie, può fare un “extra” controllo di qualità: ad esempio chiedere all’AI una verifica finale (es. “Ora il mio ragionamento fila? Ci sono ancora errori? Ci sono Bias”). Oppure, se si trattava di un’idea progettuale, questa fase potrebbe consistere nel sperimentare davvero in piccolo la soluzione (e.g., lanciare un mini-test di mercato) forte dei consigli ottenuti. In pratica, X sta per quell’azione conclusiva che consolida l’apprendimento: sia assicurarsi che il problema iniziale sia risolto in modo robusto, sia interiorizzare quanto appreso dal confronto con l’AI. Ad esempio, uno studente potrebbe, dopo aver corretto il suo elaborato, rifare mentalmente il percorso per vedere se ora è tutto coerente. Oppure un professionista, fortemente arricchito dai punti emersi, decide di esplorare ulteriormente (“eXperiment”) un aspetto interessante suggerito dall’AI, aprendosi magari a nuove domande (che eventualmente riportano in modalità CRITIC per approfondire, chiudendo così il cerchio del Dual Mindset, come vedremo più avanti). Insomma, la fase X conclude il REFLEX sancendo che l’idea iniziale è passata per il “bagno di realtà” dell’IA ed è uscita raffinata e verificata.

REFLEX è un metodo che permette di usare l’AI come cassa di risonanza e come revisore del proprio pensiero, soprattutto perchè chiediamo espliciamente la critica e non di assecondarci (come farebbe by-design). È particolarmente potente per smascherare errori che noi stessi non notiamo e per migliorare la qualità di un lavoro prima di presentarlo a terzi. Un esempio di uso efficace viene dal settore education: alcuni studenti “studiano con l’AI” spiegando ad essa ciò che hanno capito e facendosi dire se e dove sbagliano (mia figlia per esempio mi dice che “questo approccio le permette di sapere ancora più rispetto a quanto c’è sul libro e che la prof le spiega” . In questo modo sono costretti a ragionare attivamente e ricevere correzioni immediate, come avessero un tutor personale. Allo stesso tempo, insegnanti e formatori possono incoraggiare gli allievi a utilizzare ChatGPT in modalità REFLEX, ad esempio chiedendo agli studenti di sottoporre le proprie tesi all’AI per verificarne solidità e originalità (ovviamente con spirito critico in ricezione). L’importante, nuovamente, è che l’umano resti attivamente coinvolto: REFLEX funziona se consideriamo l’AI un alleato con cui confrontarci, non un giudice infallibile. L’AI può sbagliare nelle sue valutazioni o avere bias, quindi anche i feedback vanno valutati (in CRITIC noi valutavamo la risposta a una nostra domanda; in REFLEX valutiamo la risposta dell’AI al nostro ragionamento).

CRITIC e REFLEX si assomigliano perché entrambi richiedono spirito critico e dialogo iterativo, ma si applicano in situazioni opposte e complementari: domandare vs spiegare, generare da zero vs verificare ciò che già c’è.

Il “Dual Mindset AI Framework”: integrare CRITIC e REFLEX

Ho descritto separatamente i due approcci, ma il vero potere emerge integrandoli in un unico framework di lavoro. L’idea del Dual Mindset AI è proprio che un utilizzatore esperto di IA generativa sappia alternare fluidamente la modalità CRITIC e la modalità REFLEX a seconda della fase del proprio lavoro o progetto. In pratica, CRITIC e REFLEX non sono alternativi bensì sinergici: rappresentano due facce della collaborazione uomo-AI. Vediamo come si combinano:

  • Divergenza e convergenza: spesso in un progetto creativo o problem solving si alternano fasi di divergenza (brainstorming di idee, espansione) e convergenza (valutazione, selezione e affinamento delle idee). Analogamente, possiamo associare CRITIC alle fasi divergenti e REFLEX a quelle convergenti. Ad esempio, immaginiamo di dover elaborare una nuova strategia di marketing. In fase iniziale divergente, in modalità CRITIC interroghiamo l’AI per raccogliere quante più idee possibili, spunti originali, dati di contesto (l’AI ci aiuta a esplorare lo spazio delle possibilità offrendo prospettive multiple). Successivamente, in fase convergente, passiamo in modalità REFLEX: prendiamo la bozza di strategia che abbiamo formulato e la “testiamo” con l’AI chiedendo critiche e simulando scenari, così da raffinare la scelta finale. Alternando queste due mentalità otteniamo un processo completo: prima generiamo molte opzioni con l’AI come fonte di creatività, poi vagliamo e perfezioniamo con l’AI come fonte di feedback. Questo alternarsi di generazione e valutazione, supportato dall’IA in entrambi i casi, porta a risultati più innovativi e solidi rispetto a usare l’AI in un solo modo.
  • Quando usare l’uno o l’altro: un dubbio comune è “Come capisco quale approccio usare in un dato momento?”. Una regola empirica: usa CRITIC quando ti mancano informazioni o ispirazione, usa REFLEX quando vuoi mettere alla prova qualcosa di già abbozzato. Se ti trovi davanti a una pagina bianca o a un problema nuovo e complesso, partire con CRITIC è ideale – ti consente di esplorare velocemente l’ignoto chiedendo all’AI di fornirti dati, esempi, idee che da solo non avresti pensato. CRITIC eccelle nel colmare lacune di conoscenza o nel rompere il blocco creativo, perché l’AI può fornire quel diverso punto di vista che accende la lampadina. Viceversa, quando hai già prodotto una bozza, una soluzione provvisoria o vuoi verificare una teoria, passare in REFLEX ti dà enorme valore – è come avere un revisore sempre disponibile. REFLEX è l’opzione giusta se senti di poter migliorare un lavoro con un controllo di qualità aggiuntivo o se nutri dubbi sulla correttezza di qualcosa: l’AI farà da cassa di risonanza e spesso evidenzierà proprio quel punto debole che sentivi ma non sapevi articolare. In molti casi userai entrambi gli approcci nello stesso progetto: ad esempio, alternando: CRITIC per raccogliere informazioni di base, poi REFLEX per verificare la comprensione di tali informazioni; di nuovo CRITIC per approfondire un sotto-problema emerso e poi REFLEX per controllare la soluzione di quel sotto-problema, e così via. In un flusso reale, CRITIC e REFLEX possono intrecciarsi dinamicamente.
  • Massimizzare i benefici, minimizzare i rischi: il Dual Mindset mira a estrarre dall’IA il massimo potenziale evitando le trappole. CRITIC massimizza i benefici di ampiezza e creatività: l’AI può generare in pochi secondi decine di idee o analizzare quantità di dati impensabili per un umano in autonomia. REFLEX, dal canto suo, massimizza i benefici di accuratezza e apprendimento: usando l’AI per verifica e confronto, l’umano impara attivamente dai propri errori e migliora i risultati finali. Allo stesso tempo, CRITIC mitiga i rischi tipici delle AI (come le allucinazioni) perché impone la verifica critica di ogni output, mentre REFLEX mitiga il rischio di pigra dipendenza dall’AI perché costringe comunque l’utente a formulare idee in prima persona prima di consultare la macchina. In altre parole, CRITIC + REFLEX tiene il “ciclo cognitivo” sempre attivo tra uomo e AI, evitando che l’uomo spenga il cervello. Questo framework duale incanala l’uso dell’AI in un processo virtuoso: la macchina amplifica le capacità umane (di pensare in grande e di autocorreggersi) senza però rimpiazzarle. L’utente rimane pilota, l’AI co-pilota.

Adottare il Dual Mindset significa essere flessibili e consapevoli di avere due modalità di collaborazione disponibili. Molti utenti inesperti si limitano alla modalità Q&A (simile a CRITIC ma spesso senza la parte critica!), oppure usano l’AI solo per far controllare testi (simile a REFLEX, ma magari senza averci ragionato loro prima). Il vero salto di qualità si ha quando riconosci quando passare dall’una all’altra modalità: questo trasforma l’AI da semplice gadget a estensione del tuo team mentale. Non di rado, applicando entrambi gli approcci in iterazione, si raggiungono soluzioni che né l’umano da solo né l’AI in risposta a un singolo prompt avrebbero trovato. È quell’effetto “1+1=3” derivante dalla collaborative intelligence tra noi e la macchina. Vediamo ora qualche scenario concreto che illustra l’uso integrato di CRITIC e REFLEX in diversi settori.

Esempi in settori chiave

Per rendere più tangibile il Dual Mindset, ho buttato giù come i due modelli possono essere applicati in quattro contesti molto diversi: marketing, education/formazione, progettazione di prodotto e lavoro individuale. In ognuno, come spiego in aula, ho approfondito come CRITIC e REFLEX possano alternarsi per ottenere risultati migliori.

Marketing e comunicazione

Immaginiamo un team di marketing che deve lanciare una nuova campagna per un prodotto. In fase iniziale, il team può adottare l’approccio CRITIC con l’AI per fare brainstorming creativo. Ad esempio, potrebbe chiedere a ChatGPT: “Suggerisci 10 idee originali per una campagna social di lancio di [prodotto], rivolte al pubblico dei millennial”. L’IA genererà una lista di proposte, tagline e magari concept visuali inusuali. Questo sfrutta la capacità dell’AI di proporre soluzioni fuori dagli schemi e un ventaglio ampio di opzioni. Il team esamina criticamente le idee (fase T di CRITIC) e ne seleziona un paio promettenti. A questo punto entra in gioco REFLEX: i marketer sviluppano una bozza di piano per l’idea migliore (es. descrivono il messaggio chiave, i canali, il budget, ecc.) e la espongono all’AI chiedendo un feedback.

Ad esempio: “Ecco la nostra strategia di campagna X… Secondo te quali punti deboli potrebbe avere? Come reagirebbe il pubblico target?”. ChatGPT potrebbe rispondere simulando la prospettiva del cliente (es. “come utente troverei interessante Y ma poco chiaro Z”) oppure identificando eventuali rischi (es. il messaggio potrebbe non risuonare in una certa fascia di pubblico). Questo consente al team di iterare la strategia prima di investirci budget reale, correggendo il tiro in anticipo. Inoltre, potrebbero alternare di nuovo: tornare in modalità CRITIC per chiedere all’AI idee su come mitigare il punto debole emerso (ad es. “Come possiamo migliorare il messaggio Z per il segmento over 40?”) e poi rifare REFLEX per validare la versione aggiornata. Nel marketing la combinazione CRITIC+REFLEX aiuta a essere creativi ma allo stesso tempo data-driven: l’AI funge sia da agenzia creativa instancabile che da focus group virtuale per testare le campagne prima del lancio. Il risultato è una comunicazione più innovativa e affinata sui feedback, con meno rischio di flop.

Education e formazione

Nel campo educativo, il Dual Mindset può rivoluzionare l’apprendimento e l’insegnamento. Consideriamo uno studente universitario alle prese con un esame difficile. In modalità CRITIC, lo studente può utilizzare l’AI come tutor personale: per esempio, ponendo domande per chiarire concetti poco compresi (“Spiegami in modo semplice la seconda legge della termodinamica”) o generando possibili esercizi di pratica (“Fammi 5 domande quiz sul Capitolo 3 con soluzione”). L’AI fornisce spiegazioni e quiz che lo studente affronta, valutandone criticamente le risposte (magari confrontandole col libro). Questa è già una forma di studio attivo. Ma il vero salto avviene con REFLEX: dopo aver studiato, lo studente prova a spiegare all’AI ciò che ha capito, come se insegnasse la materia. Ad esempio, digita: “Ti espongo il funzionamento del motore a combustione interna: [segue spiegazione dettagliata]. Ti prego di correggermi se sbaglio o se dimentico qualcosa.” L’AI ascolta questa “consegna” e poi restituisce un feedback, evidenziando eventuali errori concettuali o parti mancanti. Magari risponde: “La tua spiegazione è buona, però non hai menzionato il ruolo del catalizzatore nei gas di scarico”. In questo modo lo studente realizza subito di aver trascurato quel punto e può integrarlo.

Questa tecnica di “learning by teaching” con l’AI costringe lo studente a riformulare attivamente le conoscenze (il che ne rafforza la memoria) e gli dà un riscontro immediato sulle aree deboli. Anche i docenti possono sfruttare il Dual Mindset: ad esempio, in CRITIC possono generare con l’AI materiale didattico o spunti per lezioni più coinvolgenti (es. chiedere “Fammi un esempio concreto per illustrare la legge di Ohm a studenti di 15 anni”), mentre in REFLEX possono testare le proprie spiegazioni sul chatbot (es. “Questa è la mia spiegazione del teorema, secondo te è chiara per un non esperto?”). Oppure ancora, far usare REFLEX agli studenti in modo controllato: ad esempio in classe, dopo un lavoro di gruppo, ogni gruppo presenta la propria soluzione a ChatGPT e vede cosa ne pensa, per poi discuterne insieme.

Il risultato è un apprendimento più profondo e critico: l’AI non è usata per copiare i compiti, ma come strumento per stimolare domande e autovalutazione. Va sottolineato che tutto ciò funziona se studenti e docenti mantengono l’atteggiamento critico: l’AI può sbagliare anche nelle spiegazioni, quindi le correzioni vanno a loro volta vagliate (a volte l’AI potrebbe correggere qualcosa che in realtà era giusto – un’occasione in più per approfondire!). In sintesi, nell’education il Dual Mindset trasforma l’AI in un compagno di studi e in un assistente alla docenza, migliorando comprensione e coinvolgimento.

Progettazione di prodotto e design

Nel product design e, più in generale, nell’innovazione di prodotto, CRITIC+REFLEX può supportare dall’ideazione fino al test concettuale. Immaginiamo un progettista o una startup che sta sviluppando un nuovo gadget tecnologico. In fase iniziale, l’approccio CRITIC aiuta a generare idee di funzionalità, design e utilizzo. Ad esempio, il team può interrogare l’AI: “Che esigenze potenziali dei consumatori potrebbe soddisfare un dispositivo wearable per il fitness che oggi non sono coperte?”. L’IA analizzerà trend e desideri comuni (dal suo addestramento) e proporrà svariate idee di feature innovative o nicchie di bisogno. Oppure può fornire benchmark creativi (es. “Brainstorming: 5 utilizzi non convenzionali di uno smartwatch”). Ciò consente di esplorare lo spazio progettuale senza pregiudizi, magari sbloccando qualche intuizione fuori dalla visione iniziale del team.

Dopo la fase di ideazione, supponiamo che il team abbia delineato un concept di prodotto con alcune caratteristiche chiave. Entra in gioco REFLEX: i designer descrivono all’AI il concept completo – target utenti, funzioni previste, design pensato, modello di business – e chiedono un riscontro critico. Per esempio: “Questo è il nostro concept: … Secondo te quali potrebbero essere le criticità o le sfide di mercato? Ci sono scenari d’uso che stiamo ignorando?”. L’AI può rispondere evidenziando potenziali difetti (es. “la batteria potrebbe durare poco se includete tutte queste funzioni”, oppure “un prodotto simile esiste già in ambito medico, dovreste differenziarvi così…”). Oppure potrebbe simulare la reazione di diversi tipi di utenti: “per un utente anziano questa interfaccia potrebbe risultare complessa”. Questo feedback consente al team di migliorare il progetto prima ancora di costruire un prototipo, risparmiando tempo e risorse.

Il team potrebbe iterare più volte: usare CRITIC per chiedere all’AI possibili soluzioni a una criticità emersa (es. “Come potremmo aumentare la durata batteria senza sacrificare funzioni?” – l’AI suggerirà magari tecnologie o compromessi), poi testare la nuova idea con REFLEX di nuovo, e così via. Inoltre, l’AI può generare user persona o scenari d’uso alternativi per sfidare ulteriormente il concept. Un altro uso pratico: in CRITIC, il product manager può chiedere all’AI analisi di mercato rapide (es. “Quali sono i 3 maggiori competitor in questo segmento e cosa offrono?”), e in REFLEX può presentare la propria unique value proposition per vedere se l’AI la ritiene davvero unica. Insomma, nella progettazione prodotto il Dual Mindset aiuta sia a creare prodotti migliori (più idee) sia a validarli virtualmente (meno errori in fase di realizzazione).

In passato molti problemi di design emergevano tardi, dopo test fisici; ora possiamo anticiparli facendoli notare dall’AI in una sorta di crash test cognitivo. Ovviamente poi serviranno test reali, ma intanto l’AI avrà fatto da “filtro” iniziale. Questo approccio integrato velocizza l’innovazione e migliora la qualità delle soluzioni, mantenendo però sempre il designer in controllo delle decisioni finali (l’AI non possiede piena conoscenza del contesto specifico, ma è bravissima a farci da specchio e da cassa di risonanza di informazioni).

Lavoro individuale e produttività personale

Anche al di fuori di team strutturati, il metodo CRITIC + REFLEX può potenziare il lavoro del singolo professionista o studente nelle attività quotidiane. Pensiamo a un consulente freelance o a un ricercatore indipendente che deve organizzare un progetto complesso in autonomia. In modalità CRITIC, l’AI può essere utilizzata come un vero e proprio assistente personale per il brainstorming e la pianificazione.

Ad esempio, il professionista può chiedere: “Aiutami a strutturare un piano di lavoro per [progetto X], suddividendo in fasi con stime di tempi”. ChatGPT potrà fornire una bozza di pianificazione, magari suggerendo step che l’utente non aveva considerato. Oppure, se deve scrivere un report, può usare CRITIC per raccogliere rapidamente idee su come impostare l’indice, quali punti trattare, cercando spunti nel dominio specifico. L’AI offre in pochi secondi una traccia che l’utente poi personalizza. Durante questo processo, è chiaro che il giudizio dell’utente filtra le proposte: ad esempio scarta quelle non pertinenti e approfondisce quelle utili (il che rispecchia la fase T e I di CRITIC). Una volta che l’utente ha prodotto un output di suo pugno (che sia un documento, una presentazione, un codice, una decisione strategica), può passare a REFLEX per migliorarlo.

Ad esempio, ha scritto una prima bozza di un articolo: invece di rileggere solo da sé, chiede all’AI “Ecco il mio articolo, puoi evidenziare eventuali punti poco chiari o argomenti che dovrei ampliare?”. Otterrà una revisione con commenti, come farebbe un collega editor. Allo stesso modo, un consulente che ha preparato una proposta per un cliente potrebbe farla “esaminare” all’AI: “Questa è la mia proposta di valore, c’è qualcosa che potrebbe non convincere un potenziale cliente?”. Il chatbot potrebbe restituire osservazioni utili (es. “forse il cliente vorrebbe vedere un caso di studio concreto, che al momento manca”).

Un altro esempio di REFLEX individuale: un professionista che prende una decisione complessa può provare a spiegare all’AI il ragionamento che lo porta a scegliere X invece di Y, per vedere se emergono bias o elementi trascurati. In tutti questi casi la dinamica è: lavoro da solo + AI come reviewer/mentor. Il bello è che l’AI è disponibile 24/7, non si stanca di rivedere anche lunghi testi o calcoli, e può assumere “personalità” diverse per darci feedback da vari punti di vista (ad es. “immagina di essere un potenziale investitore, giudica la mia presentazione”). Così facendo, anche chi lavora individualmente ha accesso a una sorta di collettivo di intelligenze incarnato dall’AI. Naturalmente, bisogna comunque verificare di persona ogni suggerimento: l’AI può proporre miglioramenti stilistici discutibili o avere gusti diversi dal nostro pubblico reale, quindi l’utente deciderà quali implementare.

Poter disporre di questo confronto riduce il rischio di errori e aumenta la confidenza nell’output finale. Non a caso molte aziende valutano preziosa la capacità di usare l’AI efficacemente: è una skill che rende i lavoratori individualmente più produttivi e precisi. In sintesi, sul lavoro individuale CRITIC + REFLEX equivale ad avere sempre due marce: una creativa/espansiva (chiedi all’AI di aiutarti a produrre materiale grezzo ricco) e una critica/migliorativa (chiedi all’AI di aiutarti a rifinire e controllare la qualità).

Chi impara a ingranare l’una o l’altra a seconda delle situazioni diventa enormemente più efficiente e difficilmente “si blocca” su un task, perché sa di poter contare su un assistente versatile.

Sperimentare il Dual Mindset e oltre

L’integrazione di CRITIC e REFLEX rappresenta un cambio di paradigma nel rapporto con l’Intelligenza Artificiale.

Da semplici utilizzatori passivi, possiamo diventare collaboratori attivi dell’AI, sfruttandola sia come generatore instancabile di idee sia come specchio critico del nostro pensiero. Questo dualismo di mindset garantisce che l’IA diventi davvero un potenziatore delle nostre capacità, e non un sostituto che atrofizza le nostre competenze.

L’IA non è un sostituto del pensiero critico, ma un potente alleato che amplifica la capacità di navigare consapevolmente. È come avere un copilota che identifica correnti nascoste mentre io mantengo saldamente il timone.

In questo modo, la creatività e il giudizio umano restano al comando (il timone), mentre l’AI fornisce suggerimenti e avvisi (le correnti nascoste) che da soli avremmo potuto perdere.

Il bello di CRITIC + REFLEX è che chiunque può iniziare a sperimentarli, anche subito, nell’uso quotidiano di strumenti come ChatGPT, Mistral, Gemini, Manus o altri assistenti AI. Basta un po’ di pratica per prendere confidenza: ricordarsi di contestualizzare e interrogare con cura (mindset CRITIC) e di tanto in tanto capovolgere il dialogo spiegando all’AI cosa stiamo facendo e chiedendo un parere (mindset REFLEX). I benefici in termini di qualità dei risultati e apprendimento personale saranno evidenti fin dalle prime prove. Questo approccio è utile a chi lavora nel digitale da anni, perché permette di raggiungere livelli di efficienza e accuratezza prima impensabili – ma anche ai principianti, perché li guida in un uso più consapevole e formativo dell’AI, evitando scorciatoie che non portano reale crescita.

Il mio invito a chi leggerà questo post è di provare sul campo il Dual Mindset AI Framework. Prendete un progetto o un problema su cui state lavorando e fate l’esperimento: alternate qualche prompt in modalità CRITIC e qualche scambio in modalità REFLEX. Noterete come l’IA diventa subito più utile e “affidabile” quando la ingaggiate con questo metodo integrato. E noterete anche come voi stessi manterrete un controllo maggiore, sentendovi più coinvolti nel processo creativo/decisionale invece di subire passivamente le risposte della macchina. In definitiva, è un approccio che non solo migliora i risultati immediati, ma accresce nel tempo le vostre competenze, perché ogni ciclo CRITIC/REFLEX vi insegna qualcosa (un fatto nuovo, un diverso modo di ragionare, un errore da non ripetere…).

Per chi volesse approfondire ulteriormente, sto preparando un ebook per il metodo CRITIC + REFLEX, con esempi ampliati e casi d’uso reali, e lo pubblicherò a breve. Sarà una guida pratica e completa per adottare il Dual Mindset in ogni settore professionale. Nel frattempo, la cosa migliore da fare è allenarsi e condividere le proprie esperienze: l’IA generativa è una tecnologia giovane e in rapida evoluzione, e ogni giorno scopriamo nuovi modi per collaborarci efficacemente.

Sperimentate, iterate, riflettete – proprio come suggerisce il framework e fatemi sapere quali risultati ottenete. Il futuro del lavoro con l’AI è ancora tutto da scrivere, e con il giusto mindset possiamo esserne co-autori consapevoli, sfruttando l’innovazione senza perdere la nostra insostituibile creatività e intelligenza critica.

 

AI & GENAI

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?”

AI & GENAI

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.

AI & GENAI

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 né 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.

AI & GENAI, SPATIAL COMPUTING

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.

AI & GENAI

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.

AI & GENAI

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…

AI & GENAI

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.

AI & GENAI

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.