Tag: AI per il lavoro

AI & GENAI

Metacognizione e AI: usare il modello senza perdere la testa

C’è un gesto che faccio decine di volte al giorno senza pensarci. Apro una chat, scrivo una richiesta, ricevo una risposta buona, la uso. Funziona così bene che ho smesso di chiedermi una cosa: dopo, quella competenza è mia o l’ho solo presa in prestito? La domanda sembra astratta finché non provi a rifare da solo qualcosa che la settimana prima avevi delegato al modello, e ti accorgi che la mano non sa più muoversi.

Questa è la differenza tra l’AI come amplificatore e l’AI come protesi. Un amplificatore prende una mia capacità e la rende più potente. Una protesi sostituisce una capacità che, col tempo, si atrofizza per disuso. Lo stesso strumento può essere l’uno o l’altra. Dipende da come lo uso, e quasi nessuno si ferma a controllarlo. Qui entra in gioco la metacognizione.

La competenza che non sapevo di perdere

Il termine tecnico per questo controllo è metacognizione: pensare a come si pensa, osservare il proprio modo di apprendere mentre accade. È una vecchia idea della psicologia cognitiva, e l’AI la rende improvvisamente urgente.

Quando delego al modello la stesura di un testo, sto risparmiando tempo. Indubbio. Ma sto anche saltando il processo che, ogni volta che lo facevo a mano, manteneva allenata una capacità. Non si tratta di rinunciare allo strumento, sarebbe assurdo. Si tratta di accorgersi di quando lo sto usando per amplificare e quando per evitare, perché solo nel primo caso esco dall’interazione più capace di prima.

In Pelle Digitale avevo provato a descrivere questo strato sottile dove la mente e la macchina si toccano. La metacognizione è il sensore che mi dice da che parte di quello strato sto stando: se la macchina sta estendendo me, o se io mi sto ritirando dentro la macchina.

Prompt ipotesi, check di ritenzione, rotazione

Non servono teorie, servono abitudini. Tre, semplici, che ho integrato nel mio modo di lavorare con il modello.

La prima la chiamo prompt ipotesi. Prima di chiedere al modello come si risolve un problema, scrivo la mia ipotesi di soluzione. Anche sbagliata, anche grezza. Poi confronto. Questo piccolo attrito fa una differenza enorme: invece di ricevere passivamente una risposta, la leggo come correzione di un mio ragionamento, e il ragionamento resta mio.

La seconda è il check di ritenzione. A distanza di qualche giorno da un compito che ho svolto con l’AI, provo a rifarne un pezzo senza aiuto. Se non ci riesco, ho una misura precisa di quanto quella competenza fosse prestata. Non è un esame, è un termometro. Mi dice dove sto accumulando debito cognitivo, quel saldo nascosto che si paga quando lo strumento un giorno non c’è.

La terza è la rotazione del prompt. Quando un modo di chiedere funziona, tendo a ripeterlo all’infinito. Comodo, e lentamente accecante: smetto di esplorare. Ogni tanto cambio deliberatamente l’approccio, chiedo la stessa cosa in un modo che non userei mai, per vedere cosa emerge e per non lasciare che lo strumento mi addestri a pensare in un solo modo.

Quello che vale per una persona vale per un’azienda

La metacognizione non è solo un fatto individuale. Un’organizzazione che adotta l’AI senza farsi queste domande accumula lo stesso debito, moltiplicato per il numero di persone.

Succede così. Un reparto comincia a delegare al modello una serie di compiti. La produttività sale, i numeri sono buoni, nessuno si lamenta. Poi, mesi dopo, qualcuno si accorge che la competenza interna su quei compiti è evaporata. Non c’è più nessuno in grado di valutare se l’output del modello sia giusto, perché tutti hanno smesso di farlo a mano. L’azienda è diventata dipendente da uno strumento che non sa più giudicare.

L’antidoto è lo stesso, scalato. Tenere viva una quota di lavoro fatto senza AI, non per nostalgia, ma per mantenere la capacità di giudizio. Ruotare le persone tra compiti assistiti e compiti autonomi. Misurare la ritenzione delle competenze come si misura qualsiasi altro asset, perché lo è. È una delle conversazioni che porto più spesso al tavolo di CEO e CTO: la produttività di oggi non deve comprarsi la dipendenza di domani.

La crescita o la dipendenza

La parte che mi interessa di più non è tecnica. Riguarda che tipo di persone e che tipo di organizzazioni diventiamo usando questi strumenti.

C’è una via in cui l’AI ci rende più capaci, più curiosi, liberati dal lavoro meccanico e spinti verso quello che richiede giudizio. E c’è una via in cui ci rende più comodi e progressivamente più vuoti, con le risposte sempre pronte e la capacità di trovarle in lento declino. Lo strumento è identico. A separare le due vie c’è solo l’attenzione che mettiamo nel modo in cui lo usiamo.

La metacognizione è quella attenzione, resa abitudine. Costa un piccolo attrito ogni giorno, e in cambio mantiene aperta la possibilità che l’AI sia una crescita e non un noleggio permanente di facoltà che un tempo erano nostre. Senza dubbio è l’investimento più sottovalutato del momento. Chi la coltiva arriverà al giorno in cui lo strumento cambia, o si ferma, con la mano ancora capace di muoversi da sola, e sarà quella la differenza tra chi guida i prossimi anni e chi li subisce.

AI & GENAI, TECH & BUSINESS

Manager di umani e di agenti: un mestiere che sta cambiando

A febbraio 2026 Harvard Business Review ha pubblicato un articolo a firma Suraj Srinivasan (Harvard Business School) e Vivienne Wei (Salesforce) sul nuovo ruolo del manager di agenti AI nelle aziende, intitolato To Thrive in the AI Era, Companies Need Agent Managers. Dentro c’è la giornata di Zach Stauber, support agent manager a Salesforce: comincia e finisce davanti a dashboard, scorecard e sistemi di osservabilità degli agenti. Non gestisce persone, gestisce una flotta di agenti AI che lavorano su supporto, vendite e marketing dentro Agentforce. Marc Benioff a luglio 2025 aveva già detto che Salesforce è passata da 9.000 a 5.000 ruoli nel customer support, riallocando il resto in vendite e customer success, e che gli agenti chiudono autonomamente l’85% dei ticket clienti.

Sembra una notizia di Silicon Valley, ed effettivamente il caso Salesforce è estremo. La categoria di lavoro che descrive però, quella del manager di agenti che orchestra un gruppo misto di umani e di sistemi automatizzati, sta arrivando a velocità inattesa anche dentro aziende italiane molto meno radicali. Lo vedo nei progetti di advisory che seguo, lo sto vivendo addosso io stesso nel modo in cui lavoro, e ho la sensazione che molti CEO italiani non abbiano ancora messo a fuoco quanto profondamente questo cambierà l’organigramma reale delle loro aziende entro 24 mesi.

A casa di chi costruisce AI, questo è già il presente

Lo studio Anthropic How AI Is Transforming Work at Anthropic, pubblicato il 4 dicembre 2025, ha analizzato 132 ingegneri e ricercatori interni, 53 interviste qualitative e i dati di uso di Claude Code. Un numero solo, fra i tanti che il paper mette sul tavolo, mi è rimasto in mente: il 27% del lavoro fatto con assistenza AI è lavoro che senza AI non sarebbe stato fatto affatto. Esperimenti che restavano nel cassetto, dashboard nice-to-have, documentazione interna sempre rinviata, strumenti che sarebbero costati troppo da prototipare a mano. Tutto questo adesso si fa, perché il costo marginale di iniziare è crollato.

Sotto quel 27% c’è una conseguenza meno raccontata, ma evidente nelle interviste: gli ingegneri Anthropic descrivono se stessi sempre più come supervisori, persone che danno indicazioni e controllano output, che indirizzano il lavoro invece di farlo direttamente. La quota di lavoro che dicono di poter “fully delegate” all’AI resta intorno al 10-20%, ma il restante 80-90% è collaborazione attiva, con il loro tempo che scivola dall’esecuzione diretta al controllo, dalla scrittura del codice alla revisione del codice scritto da Claude. Anthropic è il caso estremo perché Claude è il loro prodotto, ma la curva che descrivono è la stessa che vedo nei team di sviluppo italiani che hanno adottato Claude Code o Cursor o equivalenti negli ultimi sei mesi.

“Il McKinsey” che ha messo sul tavolo i numeri

A gennaio 2026, sul podcast All In, Bob Sternfels (global managing partner McKinsey) ha dichiarato che la sua azienda ha 60.000 dipendenti totali, di cui 25.000 agenti AI a fianco di 40.000 umani, con l’obiettivo di parità entro fine anno. Sul valore reale di quei 25.000 agenti il dibattito è aperto, e i concorrenti EY e PwC hanno fatto notare che una manciata di agenti ben fatti spesso produce più valore di una flotta numerosa. La notizia più seria di quella conferenza, come ho scritto in maggio, era però un’altra: McKinsey sta spostando una quota maggiore della remunerazione dei partner da cash a equity, perché i ricavi diventano volatili e il vecchio modello non regge più.

Una conseguenza che né McKinsey né i suoi concorrenti hanno ancora interiorizzato è questa: se metà della tua workforce è composta da agenti, hai bisogno di una struttura manageriale che gestisca gli agenti come si gestiscono le persone, ma con strumenti diversi.

Servono ruoli di accountability per le performance degli agenti, persone che ne misurino la qualità, che li riallenino quando deragliano, che decidano quando un caso va escalato a un umano. È esattamente quello che fa Stauber a Salesforce, ed è il primo abbozzo di una professione che fino a 18 mesi fa non esisteva.

Come sto vivendo io questo cambiamento

Mi è capitato negli ultimi mesi di trovarmi a fare il lavoro che fino a 24 mesi fa avrei diviso fra tre o quattro junior. Brief di scoping per un cliente, ricerca preliminare di mercato, prima stesura di un’offerta tecnica, analisi di documenti corposi, audit di una codebase. Quattro cose che richiedevano persone diverse, tempi distribuiti su settimane, riunioni di coordinamento. Adesso le orchestro da solo, con Claude Code che lavora sulla parte tecnica, Claude o GPT che mi preparano i deck e le bozze, RSS Intelligence che mi setaccia le fonti, MCP server che leggono i miei progetti aziendali su Biztrack e li trasformano in materiale per il cliente. Non è perfetto, non sempre regge, ma il salto di efficienza è reale.

Ed è qui che inizia il dubbio, quello che lo studio Anthropic intercetta nelle sue interviste e che condivido. Se il junior che avrebbe fatto la ricerca di mercato per me non lo faccio più assumere, perché un agente la fa decentemente in venti minuti, dove lo formerà la prossima generazione di consulenti e advisor? E se la prima bozza di un’offerta tecnica la scrive un agente che ho istruito sui miei pattern, quando avrò ancora il tempo e l’occasione di fare quel lavoro io stesso, con la lentezza che serve per capirlo davvero?

Su questo voglio essere chiaro: non sto facendo argomenti contro l’adozione dell’AI, su cui sono fra i più convinti. Sto argomentando per adottarla con la consapevolezza che ogni nuova efficienza implica una scelta di cosa non sviluppiamo più come capacità umana. La supervisione di un agente richiede competenza profonda dello stesso dominio che l’agente ha automatizzato. Se quella competenza non si forma più sul campo, fra due cicli generazionali la supervisione diventa nominale.

Il ruolo del manager si sta sdoppiando

Quello che osservo nelle aziende italiane medie con cui lavoro, fra le tecnologiche di Roma e le manifatturiere del Nord, è che la figura del manager si sta sdoppiando in due direzioni che convivono nella stessa persona.

Una direzione resta quella tradizionale, fatta di relazione umana fra persone: motivare un collega che attraversa un momento complicato, costruire e mantenere fiducia, gestire i conflitti che nascono inevitabilmente in ogni team, prendere decisioni su altre persone. Questa parte non viene erosa dall’AI, anzi: con team più piccoli e più senior, ogni decisione su una persona pesa di più, ogni riunione conta di più, ogni colloquio di sviluppo diventa più strategico. Il manager di umani non scompare, diventa più importante per quei pochi umani che resteranno nel team.

L’altra direzione è completamente nuova. Si tratta di definire i task degli agenti, scegliere il modello adatto al singolo carico, versionare i prompt come si versionano i contratti, monitorare derive e performance, decidere quando portare un agente da pilot a produzione e quando spegnerlo. Sono attività che assomigliano al lavoro di un product manager più che a quello di un people manager, ma vivono dentro lo stesso perimetro di responsabilità.

Il risultato è che il manager italiano del 2027 dovrà essere bilingue. Parlare la lingua delle persone e la lingua dei sistemi agentici. E queste due lingue si imparano in scuole molto diverse.

Ambizione, giudizio, creatività: cosa cerca davvero Sternfels

A Las Vegas, sempre a gennaio, Sternfels ha indicato che McKinsey cerca oggi nei candidati junior tre qualità precise: ambizione, giudizio, creatività. Sembra una lista da ufficio HR, ma se la leggi con la lente del lavoro che descrive Stauber a Salesforce, ti accorgi che è la descrizione esatta del manager di agenti.

L’ambizione conta perché chi gestisce agenti non ha più la routine del controllo gerarchico stretto, ha invece il problema di decidere cosa far fare di nuovo a un sistema che fa molto da solo. Il giudizio conta perché la quasi totalità delle decisioni operative la prendono gli agenti, e l’umano interviene proprio nei casi limite dove non ci sono regole chiare. Sulla creatività poggia tutto il resto, dato che definire bene un agente significa immaginare casi d’uso e prompt che non sono nel playbook esistente.

Tutte e tre queste organizzazioni stanno cercando le stesse tre competenze, e stanno cercandole in nuovi ruoli mentre tagliano in quelli vecchi. È lo scenario che le aziende italiane medie devono interiorizzare, perché succederà anche da loro, con due-tre anni di ritardo e a una scala più piccola, ma con la stessa logica.

Come imposto i progetti dove serve un manager di agenti

Quando un CEO italiano mi chiede come si prepara la sua azienda al manager di agenti, gli rispondo che non si prepara con un master di sei mesi né con un progetto di consulenza chiavi in mano. Si prepara mettendo subito un piccolo gruppo di manager attuali in condizione di lavorare quotidianamente con agenti veri, su task veri, e di imparare sul campo cosa va e cosa non va.

Praticamente significa scegliere un caso d’uso non strategico ma reale, dove il rischio è basso e l’apprendimento alto: drafting di prime risposte commerciali, analisi periodica di documentazione regolatoria, gestione della knowledge base interna. Poi serve dare al manager interno tutto lo stack per orchestrare l’agente, dall’accesso ai modelli alla dimestichezza con MCP e tool calling, fino al controllo dei prompt e alle dashboard di monitoraggio. Infine, e qui è il passaggio che vedo più trascurato, quel manager va valutato non sull’output diretto ma sulla qualità con cui gestisce l’agente, esattamente come Stauber a Salesforce.

Questa logica funziona meglio quando si appoggia su un’architettura AI dentro al perimetro aziendale, perché un manager italiano che orchestra agenti su dati di clientela o su documentazione sensibile non può farlo bene se gli agenti girano su infrastruttura americana sotto Cloud Act. Senza sovranità del dato, il manager diventa supervisore di un sistema di cui non controlla i confini, e la sua funzione si svuota.

Il rischio che non discutiamo abbastanza

C’è una parte del lavoro manageriale che la sostituzione con agenti rischia di erodere, e credo valga la pena nominarla con calma. È il mentoring informale, quello che succede quando un giovane fa una domanda a un collega più anziano in corridoio, quando un junior osserva un senior gestire una telefonata difficile, quando un team-leader passa mezz’ora con un nuovo assunto per capire come ragiona.

Quel sapere tacito, che le aziende trasmettono per contagio quotidiano, ha bisogno di numero. Servono junior che facciano domande e senior che rispondano, e servono spazi fisici e mentali dove l’asimmetria di esperienza si trasforma in relazione di apprendimento. Se gli agenti rispondono prima e meglio, i junior smettono di chiedere ai colleghi e i senior smettono di formare, e l’azienda smette di trasferire memoria operativa. È una perdita che non si vede nei KPI trimestrali, si vede nel decennio.

In Pelle Digitale ho provato a descrivere il modo in cui l’interfaccia digitale media le nostre relazioni e modifica anche quello che credevamo di sapere su noi stessi. Vale lo stesso, in modo più specifico, dentro le organizzazioni. Un’azienda dove l’interlocutore di prima istanza è un agente, e non più il collega di stanza, è un’organizzazione diversa nella sostanza, non solo nelle prestazioni. Il buon manager di agenti del 2027 dovrà difendere attivamente gli spazi dove l’apprendimento informale avviene fra umani, perché non avverrà più da solo.

La domanda da porsi

Settembre 2026 sarà probabilmente il primo trimestre in cui molte aziende italiane medie metteranno in piedi i primi prototipi seri di agentic adoption, dopo la prova generale del 2025 e i pilot del 2026. Per chi guida quelle aziende, e per chi guida funzioni dentro quelle aziende, una domanda che vale la pena tenere davanti è semplice. Quale manager della mia organizzazione è già di fatto un orchestratore di agenti senza ancora averlo dichiarato, e quale invece sta rifiutando di diventarlo perché ne percepisce l’aliquota di disagio? Perché il primo va riconosciuto e formalizzato in fretta, prima che lo riconosca un concorrente. E il secondo va ascoltato, perché la sua diffidenza spesso vede cose che chi è già dentro non vede più.

AI & GENAI

Tecnologia e lavoro nell’era degli shock: appunti da Napoli

Il 19 giugno, nel Complesso di Sant’Anna dei Lombardi a Napoli, è partito il primo appuntamento di Cantieri di Futuro, il percorso del Centro di competenza SI.FA. dedicato alle tecnologie per la transizione sociale digitale. Tre interventi al mattino, poi due sessioni di lavoro guidato ai tavoli, e sopra le nostre teste una volta affrescata che da sola ti ricorda una cosa semplice, e cioè che il futuro lo costruisce sempre qualcuno dentro spazi lasciati in eredità da chi è venuto prima. Mi hanno chiesto di fare da stimolo alla discussione, e invece di aggiungere l’ennesima lista di trend ho scelto di fare un passo indietro, fino alle curve, per provare a leggere le opportunità dell’era degli shock.

Lo strappo che chiamiamo shock

La tecnologia avanza su una curva che accelera. Le persone, le organizzazioni, le competenze, le istituzioni si adattano su una curva molto più lenta, quasi piatta al confronto. La distanza tra le due è quello che viviamo come shock, e lo viviamo male perché la nostra testa legge il mondo in modo lineare, e davanti a una crescita esponenziale la sottostima quasi sempre. È lo stesso fenomeno, la stessa intelligenza artificiale, che a qualcuno sembra un’apocalisse e a qualcun altro un giocattolo, a seconda di dove si trova rispetto a quelle due linee. Gli shock, allora, non sono temporali isolati che passano e poi torna il sereno. Sono la condizione di chi vive nel divario, e quel divario continua ad allargarsi. La parte interessante è che lo stesso spazio vuoto, in mezzo alle due curve, è dove nascono i lavori e i servizi che ancora non abbiamo immaginato.

Dal lavoro al task

Quando diciamo che l’automazione e la GenAI tolgono lavoro, stiamo usando l’unità di misura sbagliata. Un lavoro è un insieme di task, e l’automazione li ridistribuisce dentro i mestieri, che cambiano forma ma restano. Una parte se la prende la macchina, il ripetitivo e il prevedibile. Una parte resta profondamente umana, il giudizio su un caso che non somiglia a nessun altro, la relazione, la responsabilità di una decisione presa su una persona vera. E una parte nasce nuova, perché qualcuno deve orchestrare la macchina, progettare l’interazione, prendersi cura di quello che produce. Si capisce dove il lavoro si sta spostando solo guardando i task, al posto dei titoli stampati sui biglietti da visita. In Pelle Digitale ho provato a raccontare proprio quella zona di confine tra noi e le macchine, lo strato sottile in cui decidiamo ogni giorno cosa deleghiamo e cosa teniamo stretto.

La mente adattiva diventa competenza di base

Se ogni abilità vive su una curva, allora a un certo punto ogni abilità invecchia, e nessuna competenza tecnica da sola ci basta per molto tempo. Quello che resta, e che vale più di qualunque strumento, è la capacità di continuare a imparare e a ricomporsi mentre tutto cambia sotto i piedi. Le competenze che serviranno stanno in tre famiglie. La prima è saper lavorare con la macchina, orchestrarla, supervisionarla, darle istruzioni che funzionano. La seconda è il profondamente umano, la cura, il giudizio, la relazione, l’etica, tutto ciò che non si automatizza e che diventa più prezioso man mano che il resto si automatizza. La terza è imparare a imparare, perché il ciclo si ripeterà, e chi lo sa attraversare più volte parte avvantaggiato. È il pattern con cui lavoro da anni, e in un paio dei miei libri, La mente adattiva e Da Zero a Loop, è il filo che tiene insieme tutto il resto.

Tre angoli che convergono sulle persone

La cosa più bella della mattinata è stata accorgersi, senza esserci messi d’accordo prima, che i tre interventi guardavano nello stesso punto. Roberto Paura, presidente dell’Italian Institute for the Future, ha messo in fila dati e megatrend, da dove veniamo e verso dove stiamo andando, con lo sguardo lungo di chi studia il futuro per mestiere. Riccarda Zezza, fondatrice di Lifeed, ha mostrato come le competenze che contano si allenino nei contesti di vita, nella famiglia, nelle amicizie, nella cura di una persona anziana, persino nello sport, e poi si trasferiscano al lavoro. Le mie curve stavano nel mezzo, a spiegare perché quel passaggio oggi è diventato così urgente. Tre angoli diversi, una sola direzione, e al centro sempre le persone con la loro capacità di adattarsi.

Nell’economia sociale la posta è più alta

C’è un motivo per cui questo ragionamento, applicato all’economia sociale, pesa il doppio. Lì il valore di ciò che si fa è la relazione, ed è esattamente la parte che nessuna macchina prende. La transizione digitale del sociale serve allora a liberare l’operatore dal task ripetitivo, dalla carta, dagli spostamenti inutili, così che arrivi a più persone e con più continuità, e a far nascere ruoli nuovi attorno a quella relazione, dal navigatore digitale che accompagna le persone fragili fino al case manager che segue la persona con i dati invece che con i moduli. La tecnologia migliore, in questo campo, è quella che non si nota. Si nota la persona che prima restava fuori e che adesso viene raggiunta.

Cantieri, non previsioni

Per tutto questo preferisco la parola cantieri alla parola previsioni. Una previsione la guardi da fuori, e aspetti che si avveri o che ti smentisca. Un cantiere lo apri, ci entri, e ti sporchi le mani. Il futuro del lavoro nel sociale non arriverà nonostante gli shock, nascerà dentro il divario tra le due curve, e qualcuno dovrà lavorarci. Oggi, a Napoli, abbiamo iniziato a farlo. La domanda che mi porto a casa, e che lascio ai tavoli, è la più semplice di tutte: tutto quello che sta cambiando, per chi lo stiamo cambiando?

Cantieri di Futuro, primo appuntamento del percorso del Centro di competenza SI.FA., ospitato da ParteNeapolis al Complesso monumentale di Sant’Anna dei Lombardi, Napoli, 19 giugno 2026. Grazie a Marco Traversi per l’invito.

AI & GENAI

Come usiamo l’AI nel 2026: l’uso emotivo che sorpassa il tecnico

Il primo giugno 2026 Harvard Business Review ha pubblicato la terza edizione di “How People Are Really Using AI”, la ricerca che Marc Zao-Sanders porta avanti dal 2023 dentro il progetto AI in the Wild. Quest’anno ha analizzato oltre dodicimila casi d’uso reali, raccolti per dodici mesi da post pubblici sui social, dieci volte il campione dell’edizione precedente. Il dato che resta in testa dopo aver chiuso la pagina non riguarda il coding né la produttività, riguarda noi, e in particolare un uso emotivo che ha superato quello tecnico.

In cima alla classifica, per il secondo anno consecutivo, c’è la terapia e la compagnia. Non l’automazione di un processo, non la generazione di codice, non l’analisi di dati. Le persone aprono un modello di linguaggio per parlare di sé, e lo fanno più di prima.

La voce numero uno è emotiva

Zao-Sanders riporta che terapia e compagnia oggi valgono circa l’11% di tutto il dataset, contro il 5% di dodici mesi fa. In un anno l’uso emotivo è raddoppiato in peso relativo, mentre gli usi tecnici scivolavano verso il basso della classifica. Generare codice per professionisti, che nel 2025 stava al quinto posto, lascia spazio a categorie come l’intrattenimento, i consigli sulle relazioni, perfino l’astrologia e le letture dei tarocchi.

C’è una lettura comoda di questo dato, quella che lo derubrica a curiosità statistica. La gente si annoia, chiacchiera con il chatbot, niente di serio. Io credo che sia il contrario, e che dentro quel raddoppio ci sia il fenomeno culturale più interessante degli ultimi anni. La macchina che avevamo costruito per scrivere email e risolvere problemi tecnici è diventata, per milioni di persone, un interlocutore sulle cose che contano davvero, la solitudine, il senso, le relazioni.

In Pelle Digitale avevo provato a descrivere la tecnologia come estensione cognitiva, una superficie che si appoggia alla mente e ne allarga il raggio. Quello che vedo nei dati di Zao-Sanders è qualcosa di più intimo, l’estensione ha smesso di toccare solo il pensiero e ha iniziato a toccare l’affetto.

Fonte: elaborazione su dati Marc Zao-Sanders, How People Are Really Using AI in 2026, Harvard Business Review.

Thinkslop, quando deleghiamo il pensiero

L’edizione di quest’anno introduce un termine che vale la pena tenere, thinkslop. La preoccupazione non è più che la macchina scriva al posto nostro, quella battaglia è persa da tempo e a conti fatti non era nemmeno così grave. La preoccupazione è che le deleghiamo il pensiero stesso, le decisioni, le idee, le intenzioni, cioè proprio le funzioni in cui restiamo, almeno per ora, insostituibili.

Qui mi fermo, perché è il punto dove la mia esperienza personale si scontra con il dato. Uso modelli ogni giorno, in ICONICO e in ZeroFive.AI, e ho imparato a riconoscere il momento esatto in cui smetto di pensare e comincio solo a copiare. È un attrito che sparisce senza che te ne accorga, una scivolata morbida verso la risposta pronta. Il debito cognitivo di cui ho scritto altrove funziona così, non lo contrai con una decisione, lo accumuli rinunciando ogni volta a un piccolo sforzo che sembrava superfluo.

Eppure la stessa ricerca lascia aperta la porta opposta. Uno degli utenti citati nello studio descrive l’AI come uno specchio, non un genio. La differenza la fa chi la usa, se la interroga come oracolo da cui ricevere la verità o come sparring partner contro cui mettere alla prova le proprie ipotesi. Lo strumento è identico, l’esito è opposto.

Gli agenti entrano in classifica, ma da sotto

Per la prima volta nella storia di questa ricerca compaiono nell’elenco le operazioni autonome di agenti AI, al sesto posto tra gli usi del 2026. È un ingresso simbolico, perché di agenti si parla da due anni come della prossima frontiera, e finalmente la frontiera lascia una traccia nei comportamenti reali delle persone, non solo nei comunicati dei vendor.

Lascia una traccia piccola, però. Zao-Sanders è cauto, e fa bene, gli agenti restano esperimenti su scala ridotta, l’AI che fa invece di consigliare è ancora più promessa che pratica diffusa. È esattamente la tensione che racconto in un altro pezzo del blog sul manager di umani e di agenti, il ruolo esiste già nei framework di HBR e di Anthropic, mentre nelle aziende italiane medie sta appena cominciando a materializzarsi.

Al lavoro vince la Shadow AI

Un dato che a chi guida aziende dovrebbe togliere il sonno, sessantatré dei cento usi principali sono professionali, ma quasi sempre nascono dal basso, spesso di nascosto. Uno degli utenti racconta di chiudere i ticket al doppio della velocità grazie all’AI, e aggiunge che nessuno in azienda sa che la usa.

La Shadow AI è la versione contemporanea di un fenomeno antico, le persone trovano lo strumento utile prima che l’organizzazione lo approvi, e lo adottano in silenzio per non doverne rispondere. Il problema per l’azienda è doppio, perde la mappa di come il lavoro viene realmente svolto, e perde il controllo sui dati che finiscono nei prompt. Per questo continuo a insistere sulla sovranità tecnologica e sull’AI privata, non come slogan ma come precondizione, se non sai dove passa l’informazione non puoi governare nulla, nemmeno l’entusiasmo dei tuoi.

I benefici aziendali, intanto, restano marginali. Efficienza sì, qualche crescita nelle vendite, pochissima trasformazione vera dei processi. Tre anni e mezzo dopo l’esplosione generativa, la distanza tra l’adozione individuale, intensa e affettiva, e la trasformazione organizzativa, lenta e cauta, è il vero dato politico di questa ricerca.

L’attaccamento alle macchine è una frontiera fragile

C’è un ultimo segnale che mi tocca più degli altri, cresce l’attaccamento emotivo. Persone che danno un nome al modello, che gli assegnano un genere, che provano qualcosa di simile al lutto quando un modello viene dismesso e sostituito. Lo abbiamo visto succedere davvero, ogni volta che un laboratorio ritira una versione e gli utenti protestano per la voce che hanno perso.

Da osservatore che lavora dentro questa trasformazione, e non da spettatore distante, trovo la cosa affascinante e fragile insieme. Affascinante perché conferma che la relazione uomo-macchina è entrata in un territorio che credevamo riservato agli umani. Fragile perché un affetto rivolto a un sistema che può cambiare, scadere o essere spento da remoto è un affetto esposto, costruito su una base che non controlli.

La ricerca di Zao-Sanders, edizione dopo edizione, racconta una cosa sola sotto le classifiche che cambiano. L’AI è entrata nelle nostre teste e nei nostri cuori prima ancora di entrare davvero nei nostri uffici. Custodire la capacità di pensare con la propria voce, e di sentire senza delegare anche quello, sta diventando una scelta quotidiana, qualcosa che va difeso ogni mattina invece di darlo per acquisito. Senza dubbio è la domanda che mi porto dietro chiudendo l’articolo, quanto di noi siamo disposti a far gestire alla macchina prima di accorgerci che gestirlo era il nostro mestiere di esseri umani?

Fonte: Marc Zao-Sanders, How People Are Really Using AI in 2026, Harvard Business Review, 1 giugno 2026.

AI & GENAI, TECH & BUSINESS

I decreti attuativi sull’IA e la responsabilità che resta umana

Il 10 giugno 2026 il Consiglio dei Ministri ha approvato in esame preliminare due decreti attuativi della legge 132/2025 sull’intelligenza artificiale. Sono il primo quadro nazionale organico in materia, costruito per dare attuazione all’AI Act dentro l’ordinamento italiano. I testi non sono ancora definitivi, davanti c’è l’iter delle Commissioni parlamentari, della Conferenza delle Regioni e delle Authority competenti, e qualche pezzo cambierà.

Li ho letti per intero, e al netto della retorica da comunicato c’è una direzione che riconosco e condivido. In un anno in cui tutti corrono sull’adozione dell’IA, queste norme spostano in silenzio il baricentro, ridefiniscono cosa diventa difficile e quindi prezioso: tenere una persona competente dentro la decisione, e tenere il dato sotto controllo. Non è un freno all’innovazione, è il posto dove inizia la difendibilità.

Dentro i decreti attuativi resta una persona che decide

Il filo che attraversa entrambi i testi è uno solo. L’IA può assistere, analizzare, prevedere, ma la decisione resta umana e imputabile a qualcuno che ne risponde. Sul lavoro la regola diventa esplicita: le scelte che riguardano assunzione, sanzione disciplinare o licenziamento non possono essere prese unicamente sulla base di un trattamento automatizzato, e un licenziamento deciso solo da un algoritmo è nullo. Il lavoratore ha diritto, su richiesta e con l’intervento di una persona fisica, a una motivazione intelligibile di ciò che lo riguarda.

La stessa logica torna nella giustizia, dove la formazione dei magistrati serve a garantire che l’IA non sostituisca lo ius dicere, e nella sanità, dove l’uso clinico degli strumenti entra obbligatoriamente nei programmi di Educazione Continua in Medicina. Cambia il settore, resta identico il principio. La sorveglianza umana diventa la condizione perché la tecnologia entri davvero, e smette di essere una casella da spuntare a posteriori.

Questa è la parte che mi tocca più da vicino. In Pelle Digitale avevo provato a raccontare la frontiera sottile tra noi e le macchine come una membrana, qualcosa che ci protegge mentre ci mette in contatto. È la traduzione in diritto di quella membrana: l’algoritmo propone, la persona resta responsabile.

E i dati dove restano?

Sul fronte dei dati il secondo dei decreti attuativi, quello sulle attività di polizia, è il banco di prova più delicato, e la scelta è leggibile. Niente sorveglianza biometrica generalizzata, niente banche dati costruite raccogliendo immagini a strascico dal web. L’identificazione biometrica in tempo reale resta ammessa solo in casi tassativi, con autorizzazione dell’autorità giudiziaria, delimitata nel tempo e nello spazio, per un periodo che non supera i quindici giorni salvo proroga motivata.

Il riconoscimento facciale a posteriori può attivarsi solo dopo un reato, sulla base di elementi verificabili, con i dati conservati in locale per sette giorni e log non modificabili per cinque anni. Nessuna decisione che danneggia una persona può fondarsi soltanto sull’output del sistema. Il comunicato lo sintetizza con un’immagine, «nessun Grande Fratello», e qui la formula coincide con la sostanza: dato conservato in locale e verificabile.

C’è chi legge questo stesso impianto con più diffidenza, e non ha torto a porsi il problema. Su Agenda Digitale è uscita una lettura più critica del decreto sulla polizia, che nelle garanzie formali vede il rischio di una normalizzazione progressiva della sorveglianza. È un’obiezione seria, da tenere accanto al testo. Le regole sui dati valgono quanto la loro applicazione concreta.

Alfabetizzazione critica, non addestramento

Il blocco sulla formazione è quello che rischiamo di sottovalutare, ed è la condizione abilitante di tutto il resto. I decreti non parlano di corsi sull’uso degli strumenti. Parlano di capacità di leggere gli output, riconoscere i bias, capire i limiti, mantenere una sorveglianza vera su sistemi che spesso restano opachi anche a chi li adopera. È la differenza tra usare uno strumento e governarlo.

La cosa entra ovunque, dalla scuola con cento milioni destinati alla formazione dei docenti, all’università, alla pubblica amministrazione, fino agli ordini professionali che dovranno adeguare i regolamenti in sei mesi e all’equo compenso ricalibrato sul livello di rischio del sistema impiegato. Per chi come me passa buona parte dell’anno dentro le aziende a lavorare su adozione e governance dell’IA, è la conferma di una cosa semplice: la competenza è il presupposto della trasformazione.

Un miliardo per l’ecosistema nazionale

Accanto alle regole il pacchetto porta una scommessa industriale, ed è la metà che spesso sfugge nel dibattito. L’articolo 23 della legge 132 destina fino a un miliardo di euro del Fondo di sostegno al venture capital allo sviluppo dell’ecosistema nazionale dell’IA. Secondo il comunicato il mercato italiano ha toccato 1,8 miliardi nel 2025, con una crescita del cinquanta per cento sull’anno prima, e CDP Venture Capital ha già allocato oltre trecento milioni su più di centocinquanta startup. Il comunicato cita anche oltre mille occupati altamente qualificati nelle imprese già sostenute e più di cinquecento milioni di nuovi investimenti previsti nel prossimo triennio.

Le filiere indicate come prioritarie dicono la direzione: robotica umanoide e guida autonoma, quantum e fotonica per il calcolo ad alte prestazioni, IA verticale e deep tech. Dal 2026 si aggiunge un polo dedicato a intelligenza artificiale e cybersicurezza. La parola che ricorre, sotto traccia, è sovranità. Costruire capacità qui, su infrastruttura europea, con il dato che non deve attraversare l’oceano per essere elaborato.

La difendibilità si sposta sul controllo

Qui le due cose, le regole e la scommessa industriale, si chiudono in un cerchio che mi riguarda da vicino. Se la decisione resta umana e il dato resta a terra e tracciato, se la formazione diventa un requisito, allora il vantaggio competitivo smette di essere soltanto la velocità. In una conferenza di pochi giorni fa avevo provato a dirlo così, veloci lo saranno tutti, difendibili pochi. Due decreti attuativi che mettono al centro controllo e responsabilità, senza cercarlo, raccontano la stessa cosa.

È il terreno su cui lavoro ogni giorno, su due piani che si tengono insieme. C’è il metodo, il lavoro con le aziende attraverso ZeroFive, per portare l’IA dentro i processi restando dentro le regole, con governance e formazione che diventano competenza reale e non slide. E c’è la tecnologia, LocalAI, dove l’inferenza gira on-premise e il dato non esce dall’azienda, anche negli ambienti più regolati. Li cito per una ragione precisa, e non per piazzare un’inserzione: sono nati prima di questo decreto, rispondendo alla stessa domanda che il decreto adesso mette nero su bianco.

Resta l’incognita di sempre, e vale la pena tenerla aperta. Una regola che impone la sorveglianza umana vale quanto la serietà con cui la si esercita, e un’infrastruttura sovrana conta solo se qualcuno la sceglie davvero. La forma definitiva dei testi arriverà tra qualche mese. La domanda vera viene dopo: quante aziende vivranno questo perimetro come un adempimento da subire, e quante come il punto da cui ricostruire un vantaggio?

Fonte: Comunicato stampa del Consiglio dei Ministri n. 177, 10 giugno 2026.

AI & GENAI, TECH & BUSINESS

Manus AI, la guida completa per le aziende: agente, costi, governance

Cosa significa “agente autonomo” davvero

Per capire Manus AI c’è una distinzione che sembra banale e invece fa tutta la differenza. ChatGPT, Claude, Gemini sono assistenti conversazionali: il ciclo è prompt-risposta, e chi guida il processo resta sempre l’utente, che decompone il problema, lancia richieste in sequenza, ricompone i risultati a mano. Manus rompe questo schema. Riceve un brief in linguaggio naturale, costruisce un piano di esecuzione visibile, e parte da solo, pianifica i passi, apre un browser, esegue ricerche, scarica file, esegue codice, salva risultati, consegna un artefatto finale.

A raccontarlo così sembra una sfumatura semantica, in pratica è un cambio di paradigma, ed è la prima cosa da mettere a fuoco su Manus AI. La documentazione ufficiale di Manus parla di “virtual colleague with its own computer”, e l’immagine rende. L’agente vive in una sandbox Linux Ubuntu completa, con shell, file system persistente, browser Chromium, interpreti Python e Node.js, e può perfino esporre servizi web all’esterno. La parte tecnica più interessante, raccontata in dettaglio dal post di E2B che fornisce l’infrastruttura, è che ogni sessione gira su microVM Firecracker, le stesse macchine virtuali leggere sviluppate da AWS per Lambda. Il risultato pratico è che l’agente può lavorare per decine di minuti, anche un’ora, mantenendo lo stato tra un passo e l’altro, persino quando il dispositivo dell’utente è spento.

Questo cambia il modo in cui si chiede a Manus di fare qualcosa. Un prompt per ChatGPT richiede precisione sulla forma della risposta, perché il modello deve restituire un testo subito. Un brief per Manus richiede precisione sull’obiettivo finale e sui criteri di successo, perché il modello prenderà decine di micro-decisioni autonome durante l’esecuzione, senza poter chiedere conferma a ogni passaggio. È una scrittura più vicina a quella che useresti per un consulente esterno che riceve un brief e torna dopo due giorni con il dossier, non a quella che useresti per un assistente in chat. Tengo questa analogia per tutta la guida, perché è la chiave mentale che fa funzionare lo strumento.

Le due modalità e il pannello “Manus’s Computer”

Il prodotto si articola su due modalità. Chat Mode funziona come un assistente conversazionale tradizionale, costa pochissimi crediti, serve a domande veloci, sintesi rapide, ricerca puntuale. Agent Mode è la modalità autonoma vera, dove Manus prende il brief, costruisce il task plan, e parte. La differenza in termini di costi è netta, e va capita prima di iniziare a usare il prodotto in modo regolare, perché Chat Mode resta per molti utenti il novanta per cento dell’uso quotidiano.

L’elemento più distintivo dell’interfaccia è “Manus’s Computer”, un pannello laterale che mostra in tempo reale tutto ciò che l’agente sta facendo: quali pagine apre, cosa cerca, quali file scrive, quali comandi lancia nel terminale. Per chi viene da anni di chatbot dove tutto è invisibile, è un’esperienza diversa, si vede l’agente lavorare, si intercettano gli errori prima che compromettano l’intero task, si interviene spostandolo da una direzione sbagliata. Una review su Cybernews lo descrive come guardare un ricercatore al lavoro con una checklist davanti, ed è fedele.

Il punto delicato è che questa trasparenza si paga con una maggiore responsabilità di supervisione. Manus può sbagliare click sul browser, fraintendere un’istruzione, costruire un piano errato, e senza un occhio sul “Computer” l’agente consuma crediti per minuti producendo un output che alla fine non serve. La logica corretta è dargli un brief chiaro, lasciarlo lavorare, ma tenere sotto controllo i primi passi del piano. Se il piano iniziale regge, di solito l’esecuzione regge. Se è sbagliato, meglio fermarsi e riformulare. La regola pratica, ad ogni nuovo task, è chiedersi quanti strumenti diversi userei se facessi io questo lavoro: se la risposta è uno, basta Chat Mode, se sono tre o più, vale la pena passare ad Agent Mode.

Come si scrive un brief per un agente autonomo

Un brief per Manus non è un prompt per ChatGPT, ed è la singola cosa che fa la differenza tra task riusciti e task abbandonati a metà esecuzione. Un prompt conversazionale è una richiesta puntuale a cui il modello risponde subito. Un brief per Manus è la descrizione di un risultato finale e dei criteri per riconoscerlo come riuscito.

Un esempio, partendo da una richiesta sbagliata: “fammi una ricerca sui competitor”. Manus parte, ma il piano è generico, l’output incerto, i crediti consumati senza un punto di arrivo chiaro. Lo stesso task in versione corretta: “produci un dossier su cinque competitor italiani nel settore X, per ognuno raccogli sede legale, fatturato ultimi due esercizi disponibili da bilanci pubblici, posizionamento dichiarato sul sito, principali clienti citati in case study, presenza su LinkedIn dei C-level. Output: un file markdown con cinque schede da una pagina ciascuna, link a tutte le fonti, e una tabella riassuntiva finale”. Stessa richiesta sostanziale, risultato completamente diverso.

La differenza è che il secondo brief specifica quattro cose che il primo lasciava implicite: il perimetro del task, i dati da raccogliere, la struttura dell’output, le fonti accettabili. Manus eccelle quando questi quattro vincoli sono chiari, perché può costruire un piano di esecuzione lineare. Quando uno solo dei quattro manca, l’agente deve indovinare, e gli indovinelli costano crediti. La documentazione ufficiale suggerisce di pensare a sé stessi come a un manager che assegna un compito a un collaboratore esterno, ed è un’analogia che vale la pena adottare mentalmente prima ancora di iniziare a digitare. C’è anche una funzione che conviene conoscere dalla prima sessione: l’agente può essere fermato in qualsiasi momento, e si interviene chiedendo correzioni puntuali, suggerendo alternative, fornendo credenziali quando il sito richiede login. Questa pausabilità è uno dei tratti che distinguono Manus dagli agenti puramente background.

Piani, crediti, costi: il modello economico

Manus usa un sistema a crediti, e questo cambia profondamente l’esperienza rispetto agli abbonamenti illimitati di ChatGPT Plus o Claude Pro. Il piano gratuito offre trecento crediti che si rigenerano ogni ventiquattr’ore, più mille crediti starter una tantum, con accesso al Chat Mode e a Manus 1.6 Lite in Agent Mode. Basta per testare il prodotto e capire se ha senso salire di piano.

I piani Pro partono da venti dollari al mese per quattromila crediti, salgono a quaranta dollari per ottomila crediti con accesso al Wide Research, e arrivano a duecento dollari per il piano top che porta i crediti mensili a quarantamila e abilita la generazione batch di slide e siti. Il piano Team parte da venti dollari per seat con un minimo di due membri, e introduce funzionalità di workspace condiviso. La fatturazione annuale taglia circa il 17 per cento. Per i numeri aggiornati c’è la pagina ufficiale dei piani, ma il dato che conta per ragionare sui costi è un altro: i crediti mensili non si accumulano da un mese all’altro, mentre quelli acquistati come add-on restano disponibili finché l’abbonamento è attivo. Una review su Spectrum AI Lab lo conferma analizzando le regole di rollover.

Il dato concreto che serve per dimensionare il budget: un task di ricerca semplice consuma intorno ai cinquanta-sessanta crediti, un’analisi dataset di media complessità ne brucia trecento, un dossier di Wide Research approfondito arriva a quattro o diecimila crediti in una singola esecuzione. Manus non stima il costo di un task prima di lanciarlo, e in caso di crediti insufficienti si ferma a metà esecuzione senza addebiti automatici di overage. Per le aziende il budgeting va dunque fatto a posteriori nelle prime settimane, finché il team non sviluppa un’intuizione sui costi tipici dei propri task ricorrenti. Un consiglio che do sempre: tenere un piccolo log dei task lanciati, con brief, esito, crediti consumati, perché dopo dieci o quindici task emergono i pattern, alcuni tipi di richiesta rendono bene e altri sono sistematicamente difficili, e quel log diventa la base per capire dove Manus sostituisce ore di lavoro e dove invece produce solo overhead di supervisione.

I limiti veri delle prime sessioni

Manus non è perfetto, e conviene saperlo in partenza per evitare delusioni mal indirizzate. I problemi più comuni nelle prime sessioni sono tre. L’agente a volte fraintende il brief e parte in una direzione sbagliata, fa click errati sul browser scegliendo elementi che sembravano giusti, e in task lunghi perde il filo del piano iniziale divergendo verso obiettivi secondari.

Il primo problema si risolve scrivendo brief più precisi. Il secondo è una limitazione tecnica, mitigata dal browser visivo che permette di vedere gli errori e correggerli, ma resta una causa frequente di crediti consumati senza output utile. Il terzo è il più insidioso, e si gestisce dividendo i task lunghi in sotto-task più piccoli, ognuno con un output ben definito, invece di chiedere all’agente di completare in una singola esecuzione una pipeline articolata. Una review approfondita su Lindy nota che Manus funziona bene su task con percorso lineare e meno bene su quelli con logica condizionale ramificata, ed è un’osservazione utile per calibrare le aspettative fin dall’inizio.

I task su cui rodarsi senza rischiare frustrazione, nelle prime settimane, sono tre. La ricerca strutturata multi-fonte, dove Manus apre decine di pagine e le legge integralmente, producendo risultati migliori di un assistente conversazionale. L’estrazione dati da fonti web, dove l’agente apre la pagina, esegue lo scraping, scrive uno script di parsing se serve, salva il CSV, e risolve in cinque o dieci minuti quello che a mano ne richiederebbe quaranta. La generazione di documenti formattati a partire da input strutturati, dove dato un file Excel con i risultati di una survey l’agente produce un report con grafici, executive summary, sezioni per ogni domanda. Questi tre pattern coprono buona parte del valore quotidiano di Manus per un manager, e funzionano come esercizi di apprendimento.

Projects e Connectors: l’agente che entra nello stack di lavoro

Fino a metà 2025 Manus aveva un problema strutturale: ogni sessione partiva da zero. L’agente non sapeva nulla del lavoro precedente, delle abitudini del team, delle conversazioni in corso, e andava istruito ogni volta. A dicembre 2025 è arrivata la prima risposta strutturale sotto forma di Projects con Connectors, ed è il momento in cui Manus smette di essere un tool per task estemporanei e inizia a operare dentro il proprio contesto.

Un Project è un workspace persistente che conserva istruzioni di base, file di riferimento, cronologia delle conversazioni correlate. Invece di spiegare ogni volta a Manus chi siete, cosa fa la vostra azienda, qual è il tono di voce, quali sono i clienti chiave, queste informazioni vivono dentro il Project e l’agente le richiama all’inizio di ogni nuovo task. La pagina ufficiale del lancio descrive l’idea di trasformare task ripetibili in spazi persistenti. L’impatto si manifesta in tre direzioni: la qualità degli output, perché con il contesto già caricato Manus produce risultati più allineati al brand e al settore, il risparmio di crediti, perché spariscono i passi che l’agente farebbe per capire il contesto, e la possibilità di delegare task ricorrenti a chi nel team ha meno familiarità con lo strumento, perché il Project incapsula la complessità.

Qui si gioca la partita vera dei Connectors. Un Project può collegarsi nativamente, via protocollo MCP, ai servizi che già si usano: Gmail, Notion, Stripe, HubSpot, Slack, Google Calendar, Hugging Face, Google Drive, GitHub, e l’elenco continua a crescere. MCP è lo standard aperto che Anthropic ha proposto nel 2024 e che si sta affermando come lingua franca per l’integrazione tra agenti e tool esterni, un tema legato a doppio filo a come si evita il vendor lock-in nei progetti AI enterprise. Un esempio concreto: con il connettore Gmail attivo si può chiedere a Manus di leggere le email ricevute negli ultimi cinque giorni dai clienti enterprise, identificare quelle con una richiesta esplicita di follow-up, produrre una sintesi per priorità. Manus legge davvero la posta, applica i filtri, restituisce la sintesi. Con Slack attivo si può chiedere di guardare il canale vendite delle ultime due settimane e riassumere le obiezioni ricorrenti dalle call. A maggio 2026 Manus ha aggiunto i Connector Recommendations, che identificano quando un task richiede un servizio non ancora collegato e suggeriscono di attivarlo dall’interfaccia, riducendo l’attrito di scoprire a metà task che mancava una credenziale.

La tentazione iniziale è creare un Project generico chiamato “lavoro” e usarlo per tutto. Funziona male, e dopo qualche settimana produce confusione. La logica corretta è creare Project ristretti per dominio o per processo, uno per la competitive intelligence, uno per la produzione di contenuti, uno per l’analisi del customer feedback, ognuno con istruzioni mirate e connettori selezionati. Sui connettori conviene restare minimali, perché ogni connettore amplia la superficie di accesso ai dati: un Project di ricerca pubblica non ha bisogno di Gmail collegato, uno di produzione contenuti non ha bisogno di Stripe. La regola del privilegio minimo si applica anche qui, e protegge da scenari dove l’agente, in un momento di confusione, accede a dati che non doveva toccare.

Wide Research, la funzione dove Manus stacca gli altri

Ci sono task per cui un chatbot non basta, e per cui anche una “deep research” come quella di ChatGPT o Perplexity resta in superficie. Sono i dossier che richiedono di aprire decine di pagine, leggerle integralmente, estrarre dati strutturati, confrontarli, citarli con riferimenti puntuali. Wide Research è la funzione di Manus AI pensata esattamente per questo, disponibile sui piani Pro da quaranta dollari mensili in su, ed è uno dei punti dove il prodotto mostra il suo vantaggio competitivo più chiaro.

L’agente entra in una sessione estesa, lavora per quaranta-ottanta minuti, apre decine o centinaia di pagine, mantiene uno stato persistente, salva risultati intermedi, consegna un dossier corposo. La differenza con le ricerche standard riguarda la durata, certo, ma soprattutto la profondità di lettura: invece di fermarsi agli snippet dei primi risultati, l’agente apre davvero le pagine e le legge per intero. Sul confronto con la “deep research” di altri vale la pena guardare i numeri con cautela. Un’analisi su The Planet Tools che ha testato Manus su GAIA, il benchmark di riferimento per agenti AI, riporta uno score dell’86,5 per cento sul livello uno, 70,1 sul livello due, 57,7 sul livello tre, contro il 74,3, 69,1 e 47,6 di OpenAI Deep Research. I benchmark di prodotto vanno presi con le pinze, ma indicano una direzione: su task di ricerca multi-step strutturati Manus si comporta in modo competitivo, e in alcuni scenari supera la concorrenza più affermata.

Le regole sul brief valgono qui con un’intensità maggiore, perché un brief vago per un task da cinquanta crediti produce uno spreco accettabile, mentre per un task da cinquemila crediti produce uno spreco doloroso. I quattro elementi che fanno la differenza sono il perimetro, la struttura dell’output, le fonti accettabili, i criteri di successo. Wide Research rende particolarmente bene su tre terreni. La competitive intelligence strutturata, dove l’agente apre siti aziendali, comunicati, press release, e produce dossier che a un analista umano richiederebbero due o tre giornate. La due diligence light, che non sostituisce quella formale ma serve a valutare preliminarmente una controparte, raccogliendo informazioni pubbliche, segnalando red flag, ricostruendo la storia del management, con la capacità di citare puntualmente le fonti costruendo un audit trail della ricerca. Il market scan e la ricerca regolatoria, dove serve coprire molte fonti istituzionali, paper, comunicati di authority, banche centrali, organismi europei.

Sui costi conviene dare cifre concrete, perché il modello a crediti rende facile sottostimare l’investimento finché non ci si trova il budget mensile bruciato a metà mese. Un dossier di complessità media consuma tra i mille e i tremila crediti, uno ad alta complessità arriva a quattromila o diecimila in un’unica esecuzione. Sul piano Pro da quaranta dollari con ottomila crediti mensili, un task ben dimensionato occupa il dieci per cento del budget, mentre uno fuori scala può cannibalizzare un mese intero. Il calcolo che vale la pena fare è quanto tempo umano risparmia il dossier: se un’analisi da otto ore viene prodotta in trenta minuti con duemila crediti, il ROI è evidente, se invece il dossier è di qualità scarsa e va integrato a mano per quattro ore, il calcolo si ribalta. Per i dossier davvero importanti, quelli destinati a riunioni con stakeholder esterni o a decisioni di investimento, conviene un pilot in piccolo: stessa struttura ma su due o tre soggetti invece di dieci, si valuta la qualità, si calibra il brief, poi si lancia il task completo.

Wide Research è la scelta sbagliata quando la fonte primaria è una sola e già nota, e allora conviene caricare il documento in Chat Mode o in un Project e ragionarci sopra. Lo è quando la ricerca richiede accesso a database proprietari come Bloomberg, Crunchbase Pro, Pitchbook, perché Manus non ha accesso nativo e produrrà un dossier basato su fonti pubbliche più povere. E non funziona quando la domanda è soggettiva e richiede un giudizio interpretativo che presuppone esperienza di settore, perché valutare se un’azienda è un buon target di acquisizione è una sintesi di mercato, finanza, competitive e fit culturale che richiede chi conosce il contesto strategico interno. Wide Research prepara il terreno, non prende la decisione.

Scheduled Tasks e Cloud Computer: l’agente che lavora anche di notte

C’è un momento, in chi inizia a usare Manus seriamente, in cui ci si accorge che il vero collo di bottiglia si sposta: dalla capacità dell’agente al tempo dell’utente che deve lanciare i task. Le riunioni occupano la mattina, le revisioni il pomeriggio, e i task ricorrenti che si volevano lanciare ogni settimana si fanno una volta sì e due no, finché si smette. Qui Manus ha investito di più nell’ultimo anno, e a fine aprile 2026 ha consegnato il salto più rilevante del suo percorso prodotto.

Scheduled Tasks permette di programmare l’esecuzione di un task a cadenza fissa, ogni mattina, ogni lunedì, il primo del mese, ogni tre ore. L’agente lancia il task in autonomia, esegue, salva i risultati, eventualmente invia notifiche. Per chi è abituato a Zapier o n8n l’idea è familiare, per chi viene solo da chatbot è un cambio di prospettiva. Una review su Work Management lo descrive come la funzione che fa sembrare Manus più un operations tool che una novità AI, ed è fedele, perché il valore non sta nel singolo task pianificato ma nell’accumularsi di task ricorrenti che insieme costruiscono una piccola infrastruttura di business intelligence che gira da sola. I limiti vanno conosciuti: sul piano gratuito due Scheduled Tasks attivi, sui piani Pro il limite sale a venti task concorrenti e pianificati.

Il salto qualitativo è il Manus Cloud Computer, lanciato il 30 aprile 2026, descritto dalla stampa specializzata come il primo prodotto mainstream che dà a un agente un “permanent home”. Fino ad allora ogni sessione viveva in una sandbox effimera che si chiudeva al termine del task, mentre con Cloud Computer l’agente ha una macchina virtuale dedicata, sempre accesa, che mantiene stato, file, database, processi attivi anche tra un task e l’altro. Una rassegna su AI Automation Global descrive l’impatto come il passaggio dal 2025, anno del chat agent, al 2026, anno dell’agent runtime, un posto dove gli agenti vivono, reagiscono a eventi, accumulano effetti collaterali. Cloud Computer è disponibile in tre tier, accessibile da desktop e mobile, ed è proposto come no-code: si descrive l’obiettivo in linguaggio naturale e Manus provisiona e mantiene la macchina sottostante. Per le funzioni IT abituate a parlare di VM, container, processi supervisor, l’astrazione conta, perché non si gestisce più infrastruttura, si gestisce intento.

Gli scenari dove Scheduled Tasks ripaga rapidamente sono concreti. Il monitoring competitivo giornaliero, un task che ogni mattina controlla i siti dei competitor selezionati e invia un digest entro le otto, così il manager arriva in ufficio già allineato. Il digest settimanale di customer feedback, che ogni lunedì apre i ticket della settimana precedente, identifica i topic ricorrenti, segnala i feedback critici. La rassegna stampa di nicchia, che per chi lavora in public affairs o comunicazione scandaglia testate specializzate e account di settore producendo una rassegna ragionata, un sostituto credibile per certi scenari di servizi più costosi. Un caso descritto su NoCode MBA mostra come un setup simile per tracciare advertiser su newsletter di settore abbia intercettato lead prima della concorrenza.

I task pianificati hanno insidie diverse da quelli in tempo reale. Un task lanciato a mano lo supervisioni e se va male lo fermi, uno pianificato gira di notte e se sbaglia produce output sbagliati per giorni prima che qualcuno se ne accorga. Tre regole tengono conto di questa asimmetria. Essere conservativi sul perimetro, perché un task ricorrente deve fare poco ma bene, non è il contesto per un Wide Research da quattromila crediti ma per task semplici da cento o duecento. Configurare il fail-fast, in modo che se le fonti non sono accessibili l’agente notifichi l’errore invece di produrre output silenziosamente sbagliato. Fare una review periodica, una volta al mese, per vedere quali task generano valore e quali sono diventati rumore di fondo, perché la tendenza naturale è accumulare task senza mai potarli e dopo sei mesi ci si ritrova con quindici Scheduled Tasks di cui tre servono davvero.

Il valore vero emerge quando queste funzioni si combinano. Un Project con istruzioni mirate, connettori attivi sui propri tool, Scheduled Tasks che girano in autonomia, Cloud Computer che mantiene stato persistente, insieme diventano un’infrastruttura leggera di automazione che assomiglia a quello che le aziende grandi costruiscono con team IT dedicati. Un Project di sales intelligence con HubSpot attivo, dove ogni mattina un task apre i deal stagnanti da più di trenta giorni, controlla l’attività recente dei contatti su LinkedIn, identifica trigger di vita come un cambio ruolo o un post recente, suggerisce a quale account dare follow-up prioritario, con il Cloud Computer che mantiene memoria di lungo termine sui contatti per non ripetere segnalazioni già fatte. Due anni fa questo livello richiedeva un team di RevOps con Salesforce, Outreach, Clay, Apollo e un consulente di setup, oggi richiede un piano Manus Pro e una settimana di configurazione. C’è un caveat che ricordo sempre: tutta questa infrastruttura passa da una piattaforma esterna che ha accesso a dati aziendali sensibili, e il livello di automazione raggiunto è proporzionale alla quantità di credenziali condivise, un tema che chi ha vincoli di sovranità del dato risolve spostando lo strato AI dentro il perimetro, come racconto a proposito di infrastrutture di AI privata.

Collab, Desktop App e Design View: quando diventa risorsa di squadra

Per buona parte del 2025 Manus era un prodotto individuale. Un singolo utente apriva un task, lo seguiva, ne raccoglieva l’output, e per i team che volevano usarlo insieme l’unica strada era condividere screenshot e riprodurre a mano la stessa esecuzione. Da fine 2025 il prodotto ha coperto questo limite con un set di funzioni dedicate al lavoro di squadra.

Manus Collab apre i workspace alla collaborazione multi-utente con un solo link. Si genera, si condivide, e chi lo riceve entra nel workspace, vede lo stato dei task, partecipa alle conversazioni con l’agente, contribuisce al brief, accede agli output. Per chi viene da Notion, Linear, Figma, il pattern è familiare. L’effetto si misura sul sistemico più che sulla singola funzione: quando due persone lavorano insieme su un task le iterazioni si moltiplicano, una scrive il brief, l’altra lo affina, una valuta l’output intermedio, l’altra chiede correzioni, e la qualità finale supera quella che si otterrebbe in solitaria. Una review su Lindy nota che il lavoro di squadra è uno dei terreni dove i prodotti agentici stanno colmando il distacco rispetto agli strumenti collaborativi tradizionali. Un Manus solitario è uno strumento, un Manus condiviso può diventare un processo aziendale.

La Desktop App per Mac e Windows, descritta nella documentazione come “My Computer”, porta tre vantaggi pratici. L’accesso ai file locali senza upload manuale, così si lavora su documenti e fogli che vivono sulla propria macchina senza prima caricarli nel cloud. La persistenza visiva, perché l’app resta aperta in background e le notifiche sui task completati arrivano nel sistema operativo invece di disperdersi tra mille schede. E il senso di professionalità dello strumento, meno banale di quanto sembri, perché un’applicazione dedicata cambia il modo in cui un team percepisce un tool e abbassa la resistenza all’adozione strutturata. Resta una limitazione che conviene conoscere: anche con l’app desktop, l’esecuzione dell’agente avviene nella sandbox cloud, non sulla macchina locale, ed è un vincolo di sicurezza che vale per tutti gli agenti autonomi sul mercato.

Design View è il modulo dedicato alla generazione e all’editing di immagini, lanciato con una novità tecnica: integra Nano Banana Pro, il modello di generazione visuale di Google noto per la qualità delle iterazioni successive a partire dalla stessa immagine sorgente. Si carica o si genera un’immagine, e si chiedono modifiche in linguaggio naturale, cambia lo sfondo, togli la persona sulla destra, trasforma il giorno in notte, ogni modifica produce una nuova versione e il workspace mantiene la storia delle iterazioni. Per il marketing serve a produrre varianti per A/B test, social, landing page senza passare ogni volta dal design team per modifiche minori, per il design diventa uno sketchbook collaborativo, per la comunicazione interna permette di personalizzare template senza competenze grafiche. La qualità di Nano Banana Pro è alta sulle modifiche iterative dello stesso soggetto, meno costante quando si chiede una composizione completamente nuova, quindi conviene trattarlo come strumento di editing più che di creazione, affidando le brand asset di valore alto a designer professionisti.

C’è un tratto che accomuna gli scenari di squadra, e vale la pena fissarlo. Il valore di Manus per i team non sta nella sostituzione del lavoro umano, sta nella riduzione del tempo morto tra una decisione e la sua materializzazione. Cambia il throughput del processo creativo o produttivo, non la qualità finale dell’output, che resta dipendente dalla professionalità di chi lavora. Per aziende dove il time-to-market dei contenuti o delle materializzazioni visuali è un fattore competitivo, è una differenza che si misura in giornate di lavoro recuperate ogni settimana.

API e Custom MCP Server: integrare l’agente nei sistemi aziendali

C’è una fascia di lettori per cui usare Manus come prodotto finito non basta. Sono i CTO, gli IT manager, i lead developer che devono valutare se e come integrarlo dentro flussi esistenti, sopra database proprietari, dentro pipeline che girano su altri stack. Per questi profili la domanda non è come si usa Manus, è come si costruisce qualcosa con Manus. Due strade complementari, l’API per integrazioni server-to-server e i Custom MCP Server per esporre i sistemi interni all’agente.

L’API Manus permette a un sistema esterno di lanciare task sull’agente, ricevere risultati, gestire l’esecuzione in modo programmatico. La logica è quella di qualunque API moderna, chiave di accesso, endpoint, JSON in input e output, gestione asincrona dei task lunghi. Un caveat onesto: la documentazione tecnica sull’API è ancora in consolidamento e non ha la completezza di provider più maturi come OpenAI o Anthropic. Una guida su Skywork che ha analizzato pattern di integrazione con Stripe, Slack, Notion e Google Sheets nota che Manus si concentra sulla generazione rapida di app complete ma non documenta pubblicamente un developer SDK, un marketplace di plugin o un framework webhook strutturato. In pratica le integrazioni oggi si fanno in due modi, tramite middleware costruito ad hoc che riceve eventi dai propri sistemi e li traduce in chiamate Manus, oppure tramite polling per i servizi senza webhook affidabili. Entrambi richiedono uno sviluppatore esperto, e nessuno dei due è plug-and-play come l’esperienza dei Connectors nativi.

I Custom MCP Server fanno l’opposto: permettono a Manus di chiamare i sistemi aziendali interni come se fossero strumenti standard. Per le aziende strutturate è la direzione più potente, perché evita il problema della completezza dell’API e sfrutta lo standard aperto MCP. Si costruisce un server, ospitabile in cloud privato, on-premise o hybrid, che espone una serie di tool al protocollo, ognuno con un nome, una descrizione, parametri tipizzati, e un’implementazione che parla con i sistemi interni, per esempio “trova cliente per codice fiscale”, “estrai ultime fatture”, “aggiorna stato pratica”, “verifica disponibilità magazzino”. Si configura Manus per usare il server, e da quel momento l’agente opera sui sistemi proprietari dentro qualunque task autonomo. La documentazione integrazioni di Manus indica proprio questa possibilità di esporre CRM interni, database, API legacy in modo nativo. Per chi conosce il pattern del tool function calling negli LLM tradizionali, è la stessa cosa elevata a protocollo aperto e portabile, dove il server scritto per Manus può in linea di principio essere usato da altri agenti compatibili MCP, evitando il lock-in tecnologico.

Tre pattern ricorrono nelle integrazioni serie. Il ticket-enrichment, dove un sistema di ticketing genera un ticket, un trigger chiama Manus che con un Custom MCP Server sul CRM interno analizza il contenuto, identifica il cliente, recupera lo storico, classifica la richiesta, propone una priorità e un primo draft di risposta, e il ticket arricchito torna all’operatore umano con contesto già pronto. Il monitoring-and-routing, dove una pipeline di ingestion raccoglie input eterogenei e un task Manus li classifica, identifica i casi che richiedono attenzione umana, indirizza gli altri verso processi automatici, lo smistamento intelligente che dieci anni fa richiedeva regole if-then complesse. Il report-and-distribute, dove un task pianificato genera report periodici partendo da CRM, ERP, BI, li compone in documenti formattati, li distribuisce via email, Slack, Notion, una sostituzione credibile di parte del lavoro che oggi fanno manualmente i business analyst.

Tre temi tecnici vanno affrontati prima dello sviluppo. Webhook e polling sono i due modelli per la reattività, i webhook efficienti ma con endpoint pubblici e gestione delle retry, il polling più semplice ma con latenza e carico costante, e nella maggior parte dei casi conviene un layer ibrido. La gestione delle credenziali è il punto sensibile, perché con i Custom MCP Server le credenziali ai sistemi interni vivono nel server stesso, che diventa il punto critico di sicurezza, da isolare in rete dedicata, con credentials manager come Vault o i secrets manager cloud, con rotazione regolare e log di ogni accesso. L’idempotenza è il terzo, perché un task Manus può essere ritentato dopo errore o ricevere lo stesso input due volte, e i tool esposti devono produrre lo stesso risultato se chiamati due volte con gli stessi parametri, evitando doppie scritture. Sulla scelta tra costruire e comprare, il criterio è quello classico: si costruisce custom quando ci sono sistemi proprietari unici, requisiti di sicurezza specifici, volumi che ammortizzano lo sviluppo, e si compra il prodotto quando il caso d’uso è coperto dai Connectors nativi e il team non ha competenze per mantenere integrazioni custom. La variante intermedia più frequente è “buy the platform, build the connectors”, Manus come piattaforma chiavi in mano per il novanta per cento dei casi standard e un Custom MCP Server dedicato per i sistemi proprietari critici.

Adozione enterprise: governance, sicurezza, costi, proprietà

Un decisore che ha capito cosa fa il prodotto si trova davanti alle domande che contano quando si passa da “uno sperimenta nel team” a “lo adottiamo come strumento aziendale”. Quanto costa su scala team, quali garanzie di sicurezza offre, dove finiscono i dati, qual è il contesto di proprietà e governance, quando vale la pena e quando no.

Su scala team la logica di Manus AI è la stessa degli utenti individuali, con dinamiche di scala da comprendere. Il piano Team parte da venti dollari al mese per seat con un minimo di due membri, e introduce workspace condiviso, single sign-on, funzionalità di amministrazione, una pool di crediti gestita collettivamente. Per un’azienda con dieci utilizzatori attivi il costo base è duecento dollari al mese, più gli eventuali add-on per i picchi. Il calcolo che conta è quello dei crediti, non quello del seat, perché i casi più costosi, Wide Research, Cloud Computer attivo, task autonomi lunghi, concentrano buona parte del budget se non si stabilisce una disciplina interna. I crediti mensili non si accumulano, quelli da add-on restano finché l’abbonamento è attivo, e questa asimmetria spinge a una calibrazione fine, meglio un piano leggermente sotto il fabbisogno medio integrato con add-on quando serve, che un piano sovradimensionato che spreca crediti ogni mese.

Tre limiti operativi impattano l’organizzazione. Il limite di task concorrenti, uno solo sul gratuito, venti su Pro, scalabile con i seat ma con un tetto sul Team, che emerge quando un team di otto persone tenta di lanciare ognuno un Wide Research nello stesso pomeriggio e alcuni restano in coda. Il limite di Scheduled Tasks attivi, dove la disciplina di tenere pochi task ben fatti è anche un’auto-limitazione virtuosa. Il limite di Wide Research, dove le sessioni hanno durate massime e i crediti possono saturare il budget mensile, tanto che per team con bisogno frequente di dossier il piano top da duecento dollari diventa quello sostenibile.

Su sicurezza, data residency e audit trail Manus ha una maturità intermedia, i meccanismi di base ci sono ma la documentazione enterprise non è ancora al livello dei provider più consolidati. Tutto ciò che passa per la sandbox cloud, file caricati, contenuti delle conversazioni, output prodotti, viene processato dalla piattaforma, e per dati non particolarmente sensibili è coerente con qualunque SaaS moderno. Per dati regolamentati, categorie particolari GDPR, segreto bancario, dati sanitari, classificati pubblici, questa è la prima asimmetria da considerare, perché Manus non è oggi un prodotto certificato per la gestione di dati ad alta sensibilità, e per questi scenari va verificato puntualmente cosa il proprio framework di compliance consente. Sulla data residency, l’infrastruttura sottostante gira su provider cloud americani, e per aziende italiane ed europee in PA centrale o in settori finanziari di rilevanza sistemica, con vincoli espliciti di sovranità del dato, questo è un nodo da valutare caso per caso. Per la maggior parte delle aziende private il framework di trasferimento internazionale copre adeguatamente, ma l’analisi va documentata formalmente. Sull’audit trail il prodotto registra conversazioni ed esecuzioni e offre l’accesso alla cronologia, sufficiente per l’accountability interna, mentre per audit formali le funzionalità avanzate come log immutabili, export strutturato, integrazione SIEM, sono in consolidamento e vanno verificate con il vendor.

C’è poi un punto di proprietà e governance del prodotto che merita di essere riportato con precisione, perché si è mosso parecchio negli ultimi mesi. Manus nasce da Butterfly Effect, società fondata in Cina con radici a Pechino e Wuhan, poi reincorporata a Singapore nel 2025. A dicembre 2025 Meta ha annunciato l’acquisizione di Manus, riportata intorno ai due miliardi di dollari, dichiarando che avrebbe accelerato l’innovazione AI per i propri prodotti consumer ed enterprise. L’operazione ha attratto scrutinio sia negli Stati Uniti sia in Cina, e il 27 aprile 2026 la National Development and Reform Commission cinese ha bloccato l’acquisizione, chiedendo alle parti di annullarla, in una mossa che la stampa internazionale ha collegato alle preoccupazioni di Pechino sul trasferimento di tecnologia avanzata e talento. Meta ha risposto che la transazione era pienamente conforme alle leggi applicabili e che si attende una risoluzione appropriata della questione. Allo stato attuale lo scenario resta aperto e non del tutto chiarito, anche perché parte del personale risultava già integrato nei team Meta. Per le aziende che valutano l’adozione il punto non è prendere posizione su una vicenda geopolitica, è registrare che il prodotto attraversa una fase di evoluzione e incertezza societaria, con i lati positivi degli investimenti continui e i lati di consapevolezza sui possibili cambiamenti di pricing e di policy. Per settori con vincoli stringenti sulla provenienza geografica dei fornitori cloud, PA centrale, difesa, sanità, banking sistemico, questo va verificato con le funzioni di compliance interne, mentre per il resto del mercato privato il tema è meno stringente di quanto a volte appaia.

La griglia decisionale: quando Manus AI è la scelta giusta

Resta da mettere insieme tutto in criteri sintetici, da combinare con il contesto specifico di ogni azienda. La domanda preliminare, prima ancora di aprire l’account, riguarda il proprio flusso di lavoro: ha task multi-passo che oggi vengono eseguiti a mano per mancanza di alternative, oppure è già strutturato intorno a strumenti specializzati che coprono ogni segmento?

Una griglia grossolana ma utile parte dal tempo. Se il task richiede meno di cinque minuti di lavoro umano, Manus è un’overkill costosa ed è meglio un assistente conversazionale. Se richiede tra cinque minuti e un’ora, e attraversa più strumenti o più fonti, Manus può essere la scelta giusta. Se richiede più di un’ora di lavoro complesso ma altamente strutturato, vale la pena valutare se non sia più adatto a una pipeline costruita con API e tooling dedicato. Manus è la scelta giusta quando l’azienda ha bisogno regolare di task multi-passo oggi eseguiti a mano, quando il team ha competenze digitali medio-alte e può investire un mese o due nella curva di apprendimento, quando i casi d’uso prevalenti riguardano ricerca approfondita, generazione di documenti formattati, monitoraggio continuo, supporto a customer operations e sales, e quando i dati toccati non sono in fasce di sensibilità elevata oppure si è disposti a costruire un Custom MCP Server che isoli il perimetro.

È invece da rivalutare con attenzione quando l’azienda opera in settori altamente regolati con vincoli di sovranità del dato espliciti, quando il team non ha la disponibilità per investire nella curva di apprendimento e cerca un tool da accendere e usare, quando i casi d’uso sono prevalentemente conversazionali e iterativi, per i quali un assistente tradizionale è più adatto, e quando il budget è strutturalmente sotto i venti dollari mensili per utente, perché il modello a crediti rende il piano gratuito limitante per un uso professionale serio.

In molti casi reali la risposta sta nel mezzo, ed è una valutazione sfumata che conviene chiudere con un pilot strutturato, un trimestre di prova con un team ristretto di tre o cinque power user, obiettivi misurabili sul tempo umano risparmiato e sulla qualità degli output, e una decisione formale a fine trimestre se estendere all’organizzazione o fermarsi. È l’approccio che evita sia il rifiuto pregiudiziale sia l’adesione entusiastica non sostenibile, ed è quello che la maggior parte delle aziende che adottano con successo nuovi tool AI sta usando in questa fase. C’è anche un criterio organizzativo che vedo spesso sottovalutato: le aziende che adottano Manus con successo sono quelle che dedicano una persona o un piccolo team alla curva di apprendimento iniziale, prima di estendere l’uso al resto dell’organizzazione, perché lanciarlo dall’alto come tool generalista, senza un nucleo di power user che sviluppi pattern riconoscibili, tende a produrre frustrazione e abbandono.

Tutto questo ragionamento, dalla scelta del modello fino all’architettura di governance, è esattamente il tipo di valutazione che mi capita di affiancare quando un’azienda mi chiede un assessment sulla propria adozione AI. Se Manus entra in un disegno più ampio di sovranità del dato e infrastruttura interna, vale la pena leggerlo insieme alle scelte di stack che ho raccontato altrove, dal perché Mistral è diventata la scelta enterprise più seria d’Europa per chi vuole l’AI dentro il proprio perimetro, fino a cosa cambia per il GDPR quando un dato esce dall’azienda e si appoggia a una piattaforma esterna come Manus. In Pelle Digitale ho provato a descrivere come l’interfaccia digitale media il nostro rapporto con il lavoro e con noi stessi, e un agente autonomo come Manus è il caso limite di questa mediazione, uno strumento che non risponde più soltanto, agisce. Per una conversazione diretta sul vostro caso specifico c’è la pagina Advisory.

A inizio percorso lasciavo aperta una domanda, e la richiudo qui dopo aver attraversato tutto il prodotto. Aprire un account, dedicare due settimane all’esperimento concreto, scegliere tre task realistici del proprio lavoro e provarli con la disciplina vista in queste pagine, perché la risposta sul valore di Manus per il proprio contesto arriva solo dall’esperienza diretta e nessuna guida può sostituirla. Senza dubbio è in quella prova concreta che si gioca la differenza tra chi avrà cavalcato l’onda degli agenti autonomi e chi la guarderà passare?

Leggi anche: ecosistema di AI privata

AI & GENAI

Magnifica Humanitas: Leone XIV e il bivio dell’IA

Al centro di Magnifica Humanitas, la prima enciclica di Leone XIV, ci sono due immagini bibliche contrapposte. Una è la torre di Babele, costruita per toccare il cielo e per farsi un nome, fatta crollare nella confusione delle lingue. L’altra sono le mura di Gerusalemme che Neemia ricostruisce dopo l’esilio, pezzo per pezzo, affidando a ciascuna famiglia un tratto. Babele come progetto di potere, uniformità, autosufficienza. Gerusalemme come opera lenta e distribuita, fondata su responsabilità condivisa.

Quando oggi ho letto questa coppia di immagini, nelle prime pagine di Magnifica Humanitas, mi sono accorto che la stessa polarità l’avevo descritta in modo diverso quando ho scritto il mio libro Pelle Digitale ormai qualche mese fa, ma con altri nomi.

Babele per me si chiama “megastruttura accidentale”, riprendendo Bratton. Gerusalemme l’ho chiamata “umanesimo aumentato”. Stesso concetto, lessico diverso, e la cosa mi ha stupito non poco: c’è poco da stare sereni e pensare che sia un caso se una visione tecnologica converge con una visione teologica e spirituale. È un segnale, probabilmente, che il tempo del dibattito puramente tecnico è finito o sicuramente ormai superato.

Cosa dice Magnifica Humanitas

Leone XIV non scrive contro la tecnica e a mio avviso nemmeno contro l’AI. La inserisce dentro un quadro di responsabilità che le tecnologie da sole non possono darsi. L’impalcatura di tutto il testo si regge su cinque punti.

Il primo è la denuncia del paradigma tecnocratico, già al centro di Laudato si’, qui aggiornato all’IA con un’accentuazione nuova. Al paragrafo 95 il Papa scrive che il controllo di piattaforme, dati e capacità di calcolo non appartiene più agli Stati ma a grandi attori economici e tecnologici “che, di fatto, fissano le condizioni di accesso”. Lo dice un Papa, ma potrebbe averlo scritto Shoshana Zuboff, sociologa ed economista americana, professoressa dell’Harvard Business School che è diventata un riferimento centrale del dibattito critico sul digitale per via di un libro del 2019, The Age of Surveillance Capitalism (in italiano Il capitalismo della sorveglianza, Luiss University Press), considerato uno dei testi più influenti dell’ultimo decennio su economia digitale e potere delle piattaforme.

Il secondo punto è un’antropologia del limite contro transumanesimo e postumanesimo. I sistemi di IA, scrive al paragrafo 99, “imitano alcune funzioni dell’intelligenza umana” ma non hanno esperienza né corpo, non hanno coscienza morale. Non capiscono ciò che producono. La distinzione fra imitare e capire diventa il fulcro di un’intera argomentazione che oppone la pienezza umana, fatta di limite e relazione, alla promessa di un potenziamento illimitato.

Il terzo punto è la fenomenologia delle nuove schiavitù digitali. Ghost worker che etichettano dati per pochi centesimi, adolescenti che lavorano nelle miniere di terre rare, reti criminali che usano profilazione e pagamenti anonimi per la tratta, neocolonialismo dei dati sanitari estratti dal Sud globale sotto l’etichetta della ricerca. Su tutto questo, ai paragrafi 173-178, c’è un passaggio in cui il Papa chiede sinceramente perdono a nome della Chiesa per il ritardo storico sulla condanna della schiavitù, e usa quel precedente come monito a queste nuove forme di schiavitù.

Il quarto punto salda epistemologia e democrazia. Senza ricerca condivisa della verità dei fatti, la vita democratica si svuota. Hannah Arendt viene citata direttamente: il suddito ideale dei totalitarismi è chi non distingue più fra fatto e finzione. La disinformazione non nasce con l’IA, ma trova in questa un moltiplicatore.

Il quinto punto è il disarmo dell’IA. Rifiuto delle armi autonome letali, critica all’idea che il giudizio morale possa essere ridotto a calcolo, controllo umano effettivo come condizione non negoziabile. Qui dentro c’è il paragrafo 107, uno dei più affilati, complessi e delicati del testo, che secondo me dovrebbe leggerlo chiunque sviluppa modelli: non basta moralizzare la macchina, allinearla a valori umani, se non si discute chi decide quei valori. La domanda dell’alignment, scrive Leone XIV, non è un tema tecnico ma politico.

Sette nodi dove mi ritrovo in quello che scrivo spesso

Il primo nodo è il paradigma tecnocratico. In Pelle Digitale apro descrivendo Apple, Google e Amazon come “signori della gabbia dorata”, architetti di ecosistemi che catturano l’esperienza e la monetizzano. L’enciclica al paragrafo 95 arriva alla stessa diagnosi da un lessico apparentemente opposto. Io descrivo un meccanismo, fatto di estrazione di dati, monetizzazione, lock-in degli utenti. Il Papa nomina un peccato: idolatria del profitto, dominio sull’altro, pretesa di autosufficienza. Linguaggi differenti che vengono da tradizioni che da secoli non si parlano, e che improvvisamente convergono sulla stessa fotografia: pochi attori privati che decidono per tutti, con strumenti opachi e responsabilità diluite.

Poi c’è l’ambiente. Io lo chiamo “pelle digitale” e “sistema nervoso invisibile” e intendo lo strato che avvolge persone, oggetti e città. Leone XIV al paragrafo 76 parla esplicitamente di “ecosistema digitale” che, come l’ambiente naturale, può essere custodito o sfruttato, condiviso o monopolizzato. La metafora ambientale, applicata al digitale, è uguale.

Il terzo nodo è l’opacità algoritmica. Nel capitolo 7 del libro io racconto i bias, facendo degli esempi in particolare cito COMPAS sulla recidiva e il caso del recruiting di Amazon, e arrivo a parlare di “teocrazia digitale” per descrivere algoritmi-divinità che decidono senza dover dare spiegazioni. L’enciclica, ai paragrafi 102-107, costruisce la stessa argomentazione con parole più “sobrie”: black box, accountability, catena di responsabilità non delegabile alla macchina. Il Papa non usa “teocrazia”. Ma il problema che descrive è esattamente quello a mio avviso.

Quarto nodo: i ghost worker. Nel libro dedico una pagina alla materia che si nasconde dietro l’immaterialità apparente del cloud e al lavoro umano che c’è dietro. Una catena globale di corpi e luoghi che regge la leggerezza apparente di una risposta generata in due secondi. Il paragrafo 173 di Magnifica Humanitas entra in questa anatomia con una forza che pochi documenti pubblici hanno. Leone XIV scrive che ogni risposta dell’IA proviene da “una lunga catena di mediazioni” che include risorse naturali, infrastrutture energetiche e persone. Nomina la fatica invisibile di chi etichetta dati e modera contenuti per compensi minimi, “spesso giovani donne”. Aggiunge l’estrazione delle terre rare, dove “adolescenti e bambini lavorano in condizioni pericolose”. E chiude con la frase che spacca la sezione: “corpi segnati, mutilati, consumati perché il flusso del calcolo non si interrompa”.

Quando un Papa nomina i corpi mutilati dentro un’enciclica sull’intelligenza artificiale, sta facendo un’operazione che nessun rapporto o paper accademico può fare: mette la materia umana al centro morale del dibattito, e non ai suoi margini. La conseguenza al paragrafo 174 è esplicita e a mio avviso centrale: una tecnologia che promette emancipazione ma produce nuove forme di subordinazione globale contraddice il principio fondamentale della dignità della persona.

C’è poi tutto il tema della mente estesa, attenzione catturata, forme di dipendenza che ne derivano. Nel capitolo 4 io ho scritto della cognizione distribuita di Andy Clark, e nel capitolo 6 sull’economia dell’attenzione progettata per catturarci. L’enciclica ai paragrafi 100 e 170 parla di “delega” cognitiva e di modelli imprenditoriali che “prosperano sulla debolezza umana”. Qui c’è uno scarto interpretativo che vale la pena tenere aperto: Clark vede nell’estensione un guadagno, il Papa la legge come rischio. E a mio avviso tutte e due sono vere.

Sesto, c’è il tema dello human-in-the-loop, che ho dichiarato pilastro del capitolo finale del libro. L’enciclica, parlando di IA militare al paragrafo 200, usa la stessa nozione con parole quasi sovrapponibili: la forza letale non può essere delegata a processi automatizzati, deve restare sotto “un controllo umano effettivo, consapevole e responsabile”.

Settimo, il più delicato a mio avviso. L’alignment come questione politica. Nel libro parlo di ethics by design e cito Stuart Russell sull’allineamento ai valori umani. Il Papa al paragrafo 107 fa un passo che la letteratura tecnica raramente fa: chiede chi decide quei valori. Se l’allineamento è una scelta morale, è una scelta che non può essere appannaggio di pochi laboratori. È un punto della discussione che sposta tutta la conversazione sull’IA dall’ingegneria alla politica, e lo fa con una precisione che dovrebbe far riflettere chi lavora su questi temi.

Dove Magnifica Humanitas va ben oltre le riflessioni comuni

Il primo punto è la questione delle armi autonome. Io ne parlo in modo leggero nel capitolo sull’agency degli agenti, ma non la centro. Leone XIV le mette al cuore di un intero capitolo, riconosce che la riabilitazione contemporanea della guerra come strumento di politica internazionale è uno dei segni più gravi del tempo, e collega il riarmo all’IA in modo che dieci anni fa sarebbe stato impensabile. Ha ragione e condivido pienamente, gli scenari ibridi e gli attacchi cyber stanno cambiando la grammatica dei conflitti, e non si può parlare di etica dell’IA senza arrivare a parlare di questo.

Il secondo è il neocolonialismo dei dati sanitari. Nel libro descrivo l’asimmetria della medicina basata su dati, ma resto sul piano dell’individuo. L’enciclica al paragrafo 178 lo allarga ai popoli: chi possiede oggi i dati sanitari di intere popolazioni, raccolti sotto il segno della ricerca, “possiede in realtà una leva strutturale sul futuro”. È una lettura geopolitica dell’estrazione dei dati che a gennaio, quando ho pubblicato il libro, per quanto ne fossi consapevole non ho pensato di affrontare.

Il terzo, e forse il più importante, è la memoria storica. Il Papa usa il ritardo con cui la Chiesa ha condannato la schiavitù come monito sul presente: se non vogliamo chiedere perdono in futuro per non aver visto le nuove asimmetrie di oggi, dobbiamo nominarle adesso. È una valutazione che solo un’istituzione con quel tempo lungo può fare. La riflessione laica contemporanea, la mia compresa, ha una memoria corta. Senza memoria lunga, certe asimmetrie restano fuori dal campo visivo.

E poi c’è il nodo del lavoro

C’è un punto su cui Leone XIV passa, e su cui non ho una posizione netta. È il capitolo sul lavoro, paragrafi 148-169, praticamente la parte più operativa di tutta l’enciclica a mio avviso e quella che parla più direttamente al mondo dell’impresa e della trasformazione digitale.

Il Papa cita san Benedetto e l’ora et labora, parla del lavoro come cammino di maturità e realizzazione. Al paragrafo 148 “lavoro” significa opera e contributo, fatica che ha senso, attività con cui prolunghiamo in qualche modo l’opera del Creatore. Ma già al paragrafo 149 la parola scivola sull’occupazione retribuita che produce sostentamento.

Un’ambiguità antica, che la Dottrina Sociale trascina dalla Rerum Novarum del 1891 in poi, e che oggi pesa, perché tiene insieme due cose che dovremo scindere con intelligenza.

Lo scenario che mi interessa, e che discuto da tempo con un amico parroco con cui non sono d’accordo, è quello in cui l’automazione derivante da AI e Robot libera davvero l’umanità dalla necessità di lavorare per sussistere. È uno scenario plausibile, forse il più radicale (e ottimista per certi versi). In quel mondo un reddito universale di base diventa obbligo strutturale prima ancora che scelta politica: senza, l’IA produce solo concentrazione di ricchezza e povertà di massa. E se la base materiale è garantita, si apre uno spazio per un altro tipo di lavoro, fondato su contributo e non su scambio. Il lavoro dei monaci copisti che hanno salvato la civiltà occidentale tra il VI e il XII secolo. Il lavoro delle madri che crescono i figli. Il lavoro dei volontari che reggono le associazioni, dei contributori di codice open source, dei ricercatori che pubblicano senza ricavarne nulla. Nessuna di queste attività è retribuita. Tutte sono lavoro nel senso pieno benedettino del termine.

Il mio amico Don Michele la pensa diversamente. Non esiste dignità senza lavoro, mi ripete ogni volta che ne parliamo, e lo dice con una fermezza esperienziale prima che ideologica. Vede ogni giorno cosa succede alle persone che il lavoro lo perdono o non lo trovano. Vede come si perde il senso di sé. Per lui il lavoro è un dato antropologico, non un dettaglio economico: è la forma stessa attraverso cui l’essere umano matura e si riconosce. Ed è qui che la sua tradizione e la mia visione del futuro si incontrano in modo costruttivo, perché ha ragione anche lui, su un pezzo del problema che spesso chi ragiona di reddito universale rimuove.

L’essere umano matura attraverso il fare che ha conseguenze. Senza un’opera che lo metta in rapporto con la realtà, con i limiti dei materiali, con il giudizio degli altri, con la propria fatica, la dignità diventa un’astrazione interiore che non regge. La tradizione cristiana lo sa da Genesi in poi, l’uomo è collaboratore della creazione e non spettatore. E sociologicamente succede esattamente quello che il mio amico vede sul campo: nelle comunità dove l’occupazione collassa senza essere sostituita da altre forme di contributo riconosciuto, le persone non fioriscono, si rovinano, entrano in forme diverse di collisione sociale. Le ricerche sulle zone deindustrializzate americane, sui quartieri operai italiani dopo le chiusure delle fabbriche, lo confermano. Se le persone non si sentono utili, tutto collassa.

Magnifica Humanitas apre un varco proprio su questo nodo. Al paragrafo 154 Leone XIV scrive che una società che garantisse occupazione solo a una minoranza esporrebbe molti a “inattività forzata, assenza di responsabilità, mancanza di impegni e stimoli quotidiani, con esiti di impoverimento umano e culturale in contrasto con l’elevato livello di sviluppo tecnico”. Lo chiama “paradosso di progresso materiale e regressione antropologica”. E conclude che è necessario “ripensare il lavoro stesso e il suo rapporto con la cittadinanza, perché l’assenza di occupazione non pregiudichi la partecipazione sociale”. Il Papa non sta dicendo che senza occupazione retribuita non c’è dignità. Sta dicendo che la nozione novecentesca di lavoro, quella che lega stipendio e dignità in un nodo unico, sta diventando inadeguata e va sciolta con cura.

Il “lavoro” come lo intendiamo oggi, un’attività salariata separata dalla vita domestica, misurata in ore, scambiata sul mercato del lavoro, è un’invenzione industriale di duecento anni.

Prima c’erano contadini e artigiani, monaci e madri di famiglia, scribi e copisti. Tutte figure che producevano valore senza essere “occupate” nel senso novecentesco. Hannah Arendt nella Condizione umana distingue tre cose. Labor, la fatica per sopravvivere. Work, la creazione di opere durevoli. Action, l’azione che lascia traccia nel mondo umano. Solo il primo è lavoro nel senso economico stretto. Gli altri due sono ciò che intendo quando parlo di un lavoro non remunerato fatto di passione e contributo.

Da Arendt in poi sappiamo che la dignità del lavoro stipendiato novecentesco era un fascio di tre cose tenute insieme. Un fare che incontra resistenza reale: i materiali e il tempo, la fatica, il giudizio degli altri. Senza questo l’identità si squaglia. Un riconoscimento sociale del valore di quel fare. Senza questo l’attività diventa hobby privato e non sostiene la dignità pubblica. Una base materiale di sussistenza che permetta di farlo senza disperazione. Senza questa, ogni discorso su “passione e ambizione” è privilegio per ricchi. Il salario industriale offriva i tre insieme, e questo ne ha fatto il modello dominante per due secoli. L’errore di chi parla solo di reddito universale, il mio compreso quando alleggerisco troppo il discorso, è pensare che la sola base materiale basti. L’errore opposto, di chi difende una visione ottocentesca del lavoro, è pensare che solo il lavoro retribuito possa fornire le altre due.

C’è poi un nodo geografico che l’enciclica nomina al paragrafo 153 e che vale la pena ripetere. La transizione non procederà in modo omogeneo. Le società ricche si automatizzano caoticamente e producono disoccupazione. Vaste regioni del Sud globale restano intrappolate in quelle che Leone XIV chiama “economie ibride” dove lavoro umano sottopagato e tecnologie parziali convivono senza mai trasformarsi davvero. Diventano serbatoi di manodopera precaria e focolai di migrazioni forzate. Il discorso sul futuro del lavoro va sempre tenuto a due velocità, perché chi parla di reddito universale spesso parla da Paesi ricchi e dimentica che intere economie del pianeta non hanno mai conosciuto il salario industriale come modello.

Siamo all’inizio di una transizione in cui dobbiamo inventare istituzioni che riconoscano come lavoro il fare non retribuito. Se non lo facciamo, la sostituzione algoritmica del lavoro stipendiato sarà una catastrofe antropologica, e su questo l’enciclica ha ragione a essere allarmata. Se lo facciamo, può essere lo spostamento di senso del lavoro più grande dai tempi della riforma benedettina. La domanda concreta, quella che resta aperta, è questa: quali istituzioni possono oggi riconoscere come dignità il lavoro non remunerato? La parrocchia ne è una storica. L’associazione di volontariato un’altra. La famiglia estesa un’altra ancora. Sono tutte istituzioni in crisi, ognuna per ragioni sue. Servono forme nuove, e quelle vecchie vanno rigenerate. Su questo l’enciclica è ambigua secondo me, e credo che il prossimo passo della Dottrina Sociale dovrà essere più esplicito di quanto Leone XIV osi oggi in questa enciclica.

Cosa cambia, se cambia qualcosa

Chi sviluppa e finanzia IA, chi la regola, non può più dichiararsi “tecnico” come schermo. Il paragrafo 209 dell’enciclica chiama in causa scienziati e imprenditori, investitori e autorità accademiche, politici. Quando ci si limita a guardare al proprio settore, scrive Leone XIV, ci si illude di svolgere un compito moralmente neutro. Mi ci ritrovo perfettamente, perché è la stessa argomentazione che faccio nel manifesto finale del libro: il fallimento etico è un fallimento progettuale.

La responsabilità progettuale, che chiamo ethics by design, l’enciclica la riformula come responsabilità condivisa fra istituzioni capaci di regolare, imprese che riconoscono nel lavoro e nella dignità un criterio di successo, corpi intermedi che ricostruiscono fiducia.

C’è un altro elemento operativo che vale la pena segnalare, perché passa sottotraccia ma c’è e non è sottovalutabile. Magnifica Humanitas al paragrafo 159 chiede esplicitamente di superare il Prodotto Interno Lordo come metrica unica dello sviluppo. Servono, scrive Leone XIV, parametri complementari capaci di misurare dignità del lavoro, prosperità condivisa, riduzione delle disuguaglianze, salvaguardia ambientale. Per chi lavora in impresa e si confronta ogni trimestre con KPI finanziari, è un invito a chiedersi quali metriche stiamo davvero usando per misurare il successo dei progetti tecnologici che lanciamo.

Lo stesso vale per il paragrafo 163, dove il Papa elenca quattro criteri operativi che diventano una check-list utile per chi progetta sistemi di IA che incidono su persone. Trasparenza e responsabilità nelle decisioni algoritmiche che riguardano accesso al credito e al lavoro, ai servizi essenziali. Inclusione e accesso ai benefici dell’innovazione, perché la tecnologia non allarghi il divario fra chi ha e chi non ha. Misure di equità che correggano gli squilibri creati dalla concentrazione di ricchezza e potere. Cooperazione internazionale, perché molte decisioni economiche superano i confini degli Stati. Sono cose verificabili, più che principi generici. E sono il vero terreno comune fra una riflessione laica sulla tecnologia e la Dottrina Sociale aggiornata.

Nessuno di noi che lavora su queste materie ha gli strumenti per agire da solo. La convergenza fra tradizioni distanti, su questo, è un dono che vale la pena prendere sul serio.

Neemia ricostruì le mura di Gerusalemme con famiglie diverse, ognuna su un tratto. Nessuna ricostruì l’intera cinta da sola. A chi progetta tecnologia oggi tocca il tratto in cui passa la decisione su cosa deleghiamo, cosa controlliamo, cosa restiamo capaci di giudicare. Il prossimo noi, come scrivevo a chiusura del manifesto di Pelle Digitale, inizia da lì.

Lettera Enciclica Magnifica Humanitas di Papa Leone XIV, 15 maggio 2026.

Leggi anche: cosa mi muove oltre la tecnologia

AI & GENAI, TECH & BUSINESS

Il 57% di McKinsey è il numero sbagliato per fare scelte aziendali

Il 25 novembre 2025 il McKinsey Global Institute ha pubblicato uno dei report più discussi dell’ultimo semestre, Agents, Robots, and Us: Skill Partnerships in the Age of AI. La cifra che è girata su tutti i media internazionali è una: il 57% delle ore lavorative negli Stati Uniti è tecnicamente automatizzabile oggi, senza attendere ulteriori breakthrough. Il 44% via agenti AI, il 13% via robotica. Una percentuale così alta che, raccontata male, suona come un annuncio di disoccupazione di massa.

Leggere così quel numero, secondo me, è il modo peggiore di usare quel report. Il 57% misura il potenziale tecnico in laboratorio, non lo scenario reale di adozione. Usarlo per fare scelte aziendali porta nella direzione opposta a quella utile. Ho letto il report intero in questi giorni e provo a dare la mia lettura, da chi lavora in azienda con le aziende, non da chi commenta da fuori.

Il 40% è il dato da cui partire

Il 57% è il limite superiore in laboratorio. Risponde alla domanda: se prendiamo gli strumenti AI e robotici che già esistono, quante ore di lavoro umano potrebbero in teoria essere svolte dalle macchine? La risposta è oltre la metà. Ma McKinsey stesso sottolinea che questa cifra non si tradurrà in posti persi nella stessa proporzione, per tre ragioni che il report spiega bene.

  • Tempo di adozione: l’adozione richiederà anni, in molti casi decenni, perché le aziende devono ridisegnare i flussi prima di poter automatizzare.
  • Mix di attività dentro ogni ruolo: la maggior parte dei lavori contiene un mix di attività, e raramente un singolo lavoro è automatizzabile al 100%.
  • Gap fra laboratorio e produzione: molte attività che oggi sembrano automatizzabili in laboratorio non lo sono in produzione, per ragioni di affidabilità, responsabilità legale, accettabilità sociale o semplice costo del bilanciamento errore-supervisione.

Il numero che secondo me andrebbe letto in parallelo è un altro che si nasconde nel report: circa il 40% dei lavori cade nelle categorie a più alta automatizzabilità, principalmente attività amministrative, legali junior, programmazione di routine. Quel 40% non sparisce, ma cambierà natura entro l’orizzonte 2030, e cambierà bruscamente per chi non si attrezza per tempo. Questo dovrebbe essere il dato da cui partono le riunioni di leadership team in questi mesi, non il 57% da titolo apocalittico.

Persone, agenti software, robot fisici: il framework di McKinsey

Il contributo più interessante del report è il framework dei sette archetipi di lavoro che McKinsey costruisce mappando 800 occupazioni rispetto a tre dimensioni: quanto è people-centric, quanto è agent-centric (cioè automatizzabile da AI software), quanto è robot-centric (cioè automatizzabile da hardware). Ne emergono profili misti che rispecchiano quello che si vede nei contesti reali. Un radiologo è people-centric per la responsabilità clinica e agent-centric per l’analisi delle immagini, e la combinazione delle due dimensioni in un’unica figura professionale è un nodo organizzativo nuovo da governare.

La parola chiave del framework è partnership. McKinsey parla di collaborazione fra persone, agenti software e robot fisici, ciascuno con la propria competenza, orchestrati in workflow ridisegnati. La parte più scomoda del messaggio è che il framework funziona solo se l’organizzazione fa il lavoro di ridisegno. Se prendi un workflow esistente, ci ficchi dentro un agente AI sopra al processo che hai sempre fatto, non ottieni il 57%, ottieni nel migliore dei casi un risparmio del 10-15% e una serie di frustrazioni operative.

Per chi compra AI in azienda, questo punto vale più di mille slide. Il valore non sta nel tool, sta nel ridisegno del processo intorno al tool. Senza ridisegno, il ROI delle implementazioni AI rimane sotto le attese e i progetti finiscono nel limbo dei pilot perpetui.

Tre competenze umane che si fanno scarse

Una parte del report che mi ha colpito riguarda le competenze umane che diventano più rare, e quindi più richieste, man mano che l’AI assorbe i compiti standardizzati. McKinsey mappa migliaia di skill estratte dagli annunci di lavoro e individua tre cluster che resistono e crescono.

Il primo è quello delle skill relazionali avanzate: gestione del conflitto, negoziazione, coaching, costruzione del consenso in gruppi diversi. Sono attività che richiedono lettura del contesto sociale, contestualizzazione, judgement etico, e che le macchine fanno male anche quando sanno parlare bene.

Il secondo è quello del problem framing: la capacità di formulare la domanda giusta da porre all’AI, di distinguere un buon prompt da uno mediocre, di interpretare un output e capire quando merita fiducia e quando no. È una skill che ha più a che fare con il pensiero critico che con la tecnica, e curiosamente è una skill che il sistema scolastico italiano non ha mai sviluppato in modo sistematico.

Il terzo è quello dell’orchestrazione: tenere insieme processi multi-step in cui interagiscono persone diverse, agenti diversi, sistemi diversi. Project manager evoluti che capiscono dove inserire un agente nel flusso e dove tenere fermo l’umano. Sono profili che fino a un anno fa non esistevano e che adesso le aziende si contendono.

Tre skill scarse, prezzi che si muovono. È quasi un piccolo manuale di come riallocare il budget HR per il prossimo triennio.

Tre conversazioni che i board italiani dovrebbero aprire entro fine anno

In Italia il dibattito sull’AI nel lavoro è ancora dominato da due narrative simmetriche e sbagliate. La prima dice che l’AI ci ruberà i posti e che bisogna proteggerli con qualche regolazione. La seconda dice che l’AI è un super-strumento neutro, basta adottarlo per essere più competitivi. Il report di McKinsey mostra che entrambe queste narrative perdono il punto.

Le aziende che vinceranno il prossimo decennio non saranno quelle che adottano l’AI prima, ma quelle che ridisegnano i propri processi intorno alla collaborazione fra persone, agenti software e robot fisici. Per farlo serve qualcosa che in Italia abbiamo strutturalmente poco, ovvero capacità di trasformazione organizzativa profonda. Non capacità di acquistare tool, ne abbiamo a sufficienza. Capacità di rimettere mano a chi fa cosa, di toccare le abitudini consolidate, di accettare che metà del valore di un’implementazione AI si gioca prima ancora di accenderla, nella riprogettazione del flusso che le sta intorno.

Per chi guida un’azienda strutturata, oggi, ci sono tre conversazioni che meritano di essere portate al tavolo del board nei prossimi tre mesi.

La prima: quali nostri workflow contengono il maggior numero di ore standardizzabili, e quali no? Una mappa di alto livello del 57% dentro la nostra realtà specifica.

La seconda: chi sono i nostri orchestratori naturali? Persone che hanno già la capacità di tenere insieme processi multi-attore, che capiscono dove servono le competenze relazionali e dove serve la disciplina tecnica. Le aziende che riescono a identificarli e a metterli nei posti giusti partiranno con un vantaggio enorme.

La terza: dove possiamo permetterci di pilotare un workflow completamente ridisegnato, e non solo automatizzato a strati? Dove ci possiamo permettere il rischio di romperlo e ricostruirlo, su uno scope contenuto, per imparare come si fa prima di doverlo fare su scala?

Sono tre domande che non hanno bisogno di numeri da 57% per essere utili. Hanno bisogno di tempo dedicato dalla leadership, e di sufficiente coraggio per dare risposte concrete entro fine anno. Da imprenditore vedo molte aziende ferme alla prima delle tre, alcune che hanno provato la seconda, pochissime che hanno avuto il coraggio della terza. È lì, secondo me, che si decide la parte interessante del prossimo ciclo competitivo italiano. Non nei budget AI, che ormai tutti hanno. Nelle scelte organizzative dietro a quei budget.

Articolo di riferimento: McKinsey Global Institute, Agents, Robots, and Us: Skill Partnerships in the Age of AI, 25 novembre 2025.

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.