Intelligenza artificiale Archives

10 Novembre 2025DIGITAL CULTURE

L’innovazione smarrita: tra artificio e adattamento

Viviamo in un tempo che celebra l’innovazione come un valore assoluto. Ogni impresa, ogni istituzione, ogni individuo ne fa una promessa: innovare per crescere, innovare per sopravvivere, innovare per esistere. Eppure, mai come oggi, il concetto stesso di innovazione appare confuso, persino abusato. Sembra la parola d’ordine di un rito senza fede.

Forse, prima di inseguirla, dovremmo chiederci di nuovo cosa significhi davvero.

Il tempo dell’innovazione permanente

Per secoli, l’innovazione è stata un’eccezione. Nel Novecento, Schumpeter la definì distruzione creatrice: un processo che rinnovava l’economia distruggendo i modelli precedenti. Oggi quella logica si è ribaltata. Non è più un ciclo, è una condizione stabile. L’innovazione non è più la frattura, ma il ritmo stesso del sistema.

Il progresso tecnico, la velocità della comunicazione e la potenza del calcolo hanno reso il cambiamento non solo costante, ma previsto, pianificato, misurato. Ogni organizzazione costruisce i propri laboratori di “futuro” come parte dell’ordinario. Ma quando tutto deve cambiare continuamente, cosa resta dell’idea di innovazione? Se il nuovo è routine, il rischio è che perda significato.
Innovare, allora, non è più fare qualcosa di diverso, ma saper dare forma al diverso che già accade. È una competenza di adattamento, non un atto di rottura.

L’intelligenza artificiale accentua questa transizione. È il motore e insieme lo specchio dell’innovazione permanente: apprende, anticipa, genera. Non produce invenzioni isolate, ma un flusso continuo di variazioni. Non sostituisce l’uomo; lo costringe a ripensarsi come parte di un sistema cognitivo distribuito. In questo senso, l’AI è la più perfetta metafora dell’epoca: innovazione che non si ferma, che si autoalimenta, che vive nel presente perpetuo.

La doppia natura dell’innovazione

C’è sempre stata un’ambiguità nel modo in cui intendiamo l’innovazione: la confondiamo con la tecnologia. Ma la tecnologia è il linguaggio dell’innovazione, non il suo contenuto. Innovare significa tradurre un bisogno, un desiderio, un comportamento in una nuova forma d’esperienza. Non è l’oggetto che conta, è la trasformazione che produce.

Da un lato esiste l’innovazione tecnologica, quella che nasce dall’ingegno tecnico e dalla scienza dei materiali, dei dati, dei sistemi. È l’innovazione che costruisce infrastrutture, algoritmi, hardware.
Dall’altro lato esiste l’innovazione di esperienza, che lavora sull’interfaccia tra le persone e il mondo: ripensa le abitudini, cambia il modo in cui percepiamo valore.

La prima spinge i confini del possibile; la seconda decide se quel possibile sarà davvero adottato.

Apple non ha mai inventato nulla di radicalmente nuovo: ha trasformato tecnologie esistenti in esperienze desiderabili. Google, al contrario, crea incessantemente nuovi strumenti, molti dei quali vengono poi abbandonati. Una progetta l’esperienza, l’altra esplora il territorio. Due visioni complementari, due modi di intendere la modernità.

Nell’era dell’intelligenza artificiale, questa dicotomia si ricompone. L’AI è al tempo stesso tecnologia ed esperienza. È una materia invisibile che si manifesta solo attraverso la relazione con l’utente. Ogni algoritmo è un atto d’interpretazione: osserva, prevede, consiglia. L’innovazione non è più nel dispositivo, ma nel dialogo tra sistema e persona.

E proprio qui nasce il rischio più grande: l’automazione può semplificare, ma anche impoverire. Può personalizzare, ma anche omologare. Se l’esperienza diventa predetta, l’innovazione perde la sua funzione evolutiva e si riduce a conferma dei dati passati.

Le forme e le soglie

Non tutta l’innovazione ha la stessa intensità. Possiamo immaginarla come un continuum di tre gradi.

L’innovazione incrementale è la manutenzione del progresso: piccoli miglioramenti, aggiustamenti, raffinamenti. È la più diffusa, la più utile e la più invisibile.
L’innovazione radicale cambia struttura e linguaggio: ridefinisce i modelli economici, apre spazi nuovi, riscrive le regole interne di un sistema.
L’innovazione dirompente, infine, è la frattura. Introduce una logica che cancella quella precedente: dal cinema alla piattaforma di streaming, dalla cabina telefonica allo smartphone, dal lavoro fisso all’algoritmo che distribuisce turni.

Ma oggi, con l’AI, queste soglie si sovrappongono. L’innovazione incrementale si automatizza – modelli che apprendono e migliorano da soli – mentre la disruption diventa sistemica: non più un prodotto, ma un ecosistema che si auto-riprogramma.
Il concetto di prodotto minimo realizzabile cambia: non serve più a validare un’idea, ma a misurare la capacità di apprendimento di un sistema. L’AI introduce una forma di innovazione generativa: ogni output diventa input per la prossima iterazione.

Eppure, anche in questa accelerazione, resta una costante: l’innovazione efficace è sempre una questione di timing. Arrivare troppo presto è fallire come chi arriva troppo tardi. Non basta essere capaci di fare, bisogna sapere quando il contesto è pronto ad accogliere.

L’innovazione come cultura

Dietro ogni successo tecnologico c’è una cultura che lo rende possibile. Le aziende innovative non si riconoscono dai laboratori, ma dai comportamenti interni: apertura, sperimentazione, fiducia.
L’innovazione non è mai il risultato di un genio isolato, ma l’esito di una rete che permette all’errore di essere metabolizzato come apprendimento.

Nel secolo scorso le organizzazioni erano costruite per ridurre l’incertezza. Oggi devono imparare a viverci dentro. Il metodo non serve più solo a eseguire, ma a pensare: design thinking per esplorare, lean per validare, agile per adattare. Sono tre nomi per una stessa attitudine: prototipare la realtà, imparare dal feedback, reagire al cambiamento.

Ma l’introduzione dell’AI impone un nuovo livello di cultura: la capacità di giudicare ciò che la macchina produce. Saper distinguere il segnale dal rumore, il dato dal senso, la correlazione dalla causa. Non basta più la creatività. Serve un’etica dell’interpretazione.

In molte organizzazioni, il limite non è tecnico ma psicologico: la paura dell’errore. Dove c’è paura, l’innovazione si arresta. L’errore non è la fine di un esperimento, è il suo compimento: produce informazione. Un ambiente che punisce chi fallisce genera conformismo. Uno che analizza il fallimento genera conoscenza.

E questa regola vale anche per l’AI: sbaglia, e sbaglierà ancora. L’importante è saper leggere l’errore come feedback di sistema, non come colpa.

La dimensione umana

In fondo, innovare significa interpretare il cambiamento per renderlo abitabile.

Ogni innovazione, grande o piccola, è un atto di traduzione: tra ciò che sappiamo e ciò che ancora non capiamo, tra possibilità tecniche e desideri umani. La macchina può calcolare infinite soluzioni, ma solo l’uomo può attribuire loro un senso.

Forse il vero compito oggi non è inventare di più, ma inventare meglio. Rallentare per capire cosa merita di essere migliorato, cosa no.
Perché l’innovazione non è solo progresso, è anche responsabilità: decidere quale futuro costruire, e quale evitare.

Nel mondo dell’AI, l’innovazione autentica non sarà quella che replica la mente umana, ma quella che ne rispetta la complessità.

Non si tratta di sostituirci, ma di ampliare la nostra capacità di comprendere, creare, scegliere. La frontiera non è tecnica, è cognitiva: capire come convivere con sistemi che apprendono, senza rinunciare alla capacità di giudizio che ci definisce.

Innovare per il domani.

Innovare oggi significa abitare l’incertezza con metodo e con visione.

Significa accettare che la conoscenza si costruisce a iterazioni, che la verità del fare precede quella del dire, che ogni progresso porta con sé una perdita da riconoscere. L’AI ha reso visibile ciò che l’innovazione è sempre stata: un dialogo tra intelligenze, umane e artificiali, che cercano di capire come migliorare il mondo senza smettere di interrogarsi sul suo senso.

Forse, il punto focale del nostro tempo non è inventare il futuro, ma non smettere di meritarlo.

11 Ottobre 2025AI & GENAI

Ha ancora senso studiare oggi?

«Pa, ma ha senso studiare ancora con tutti questi strumenti di AI che abbiamo a disposizione?»

La domanda di mia figlia mi ha spiazzato. Non per il dubbio che esprime, ma per la lucidità con cui intercetta un cambiamento profondo. È la domanda di una generazione che cresce con l’intelligenza artificiale come compagna di banco, assistente e scorciatoia. Una generazione che non si chiede più cosa imparare, ma se valga ancora la pena imparare.

In quelle parole c’è il segno di un passaggio culturale che va affrontato: la trasformazione dello studio da atto di accumulo a processo di adattamento. Se per decenni studiare ha significato raccogliere informazioni per costruire il futuro, oggi significa imparare a pensare insieme alle macchine, a interpretare, a dare senso a ciò che l’AI restituisce.

Nell’epoca dell’intelligenza artificiale, dell’automazione e di una crescente aspettativa di vita, il modello educativo tradizionale scuola, università, lavoro fisso, pensione mostra i suoi limiti. In un mondo dove le competenze cambiano alla velocità degli algoritmi, persino il titolo di studio ha perso la certezza di un tempo. Secondo il World Economic Forum, il 65% dei bambini che oggi iniziano la scuola farà lavori che ancora non esistono.

Studiare ha ancora senso, più che mai. Ma il senso dello studio sta cambiando. Non è più un percorso lineare che si esaurisce nei primi vent’anni di vita: è un esercizio continuo di comprensione, aggiornamento e riscrittura di sé. In un’epoca in cui la conoscenza è ovunque e la tecnologia risponde prima ancora che tu finisca la domanda, studiare non significa più cercare risposte. Significa imparare a fare le domande giuste.

Un’era di trasformazioni rapide richiede un nuovo approccio

Come l’intelligenza artificiale, la longevità e il cambiamento culturale stanno ridisegnando il significato dello studio e la necessità di imparare per tutta la vita.

Viviamo in un periodo di trasformazioni radicali, in cui istruzione e formazione devono tenere il passo con l’evoluzione della società. Un tempo la vita era divisa in fasi nette, studi in gioventù, lavoro per decenni, quindi pensione, ma oggi questo modello lineare vacilla.

Si fa strada la necessità di un modello educativo nuovo, adatto a una vita che può arrivare a cent’anni, in cui le persone potrebbero restare attive nel mondo del lavoro per 20-40 anni in più rispetto al passato. In altre parole, non possiamo più pensare che “studiare” sia qualcosa che si esaurisce nei primi vent’anni di vita. Con l’allungarsi della vita e delle carriere, formazione e lavoro tenderanno a intrecciarsi e alternarsi continuamente.

Il confine tra periodo di formazione e periodo lavorativo si assottiglia: possiamo immaginare un futuro in cui si passerà più volte dallo studiare al lavorare, magari prendendosi delle pause durante la carriera per apprendere nuove competenze, o alternando impiego e formazione in modo più fluido. In questo scenario, il successo professionale dipenderà sempre più dalle competenze acquisite e dalla capacità di continuare ad apprendere, e sempre meno dai titoli accademici formali. Già oggi molte grandi aziende lo hanno capito: colossi come Walmart, Google e altri stanno spostando l’attenzione sull’assunzione in base alle skill effettive invece che sui tradizionali requisiti di laurea o anni di esperienza

Questa trasformazione è alimentata anche dal ritmo accelerato dell’innovazione. Nuove industrie emergono, mentre altre cambiano o scompaiono. Si stima ad esempio che molti giovani di oggi faranno lavori che non hanno precedenti storici, e parallelamente si osserva un calo di entusiasmo verso le lauree tradizionali in alcuni Paesi. I giovani cercano percorsi alternativi, attratti da settori digitali in rapida crescita (basti pensare ai creator sui social media) e dalla promessa di carriere costruite sulle proprie capacità personali.

Studiare sì, dunque, ma cosa e come studiare sta cambiando insieme al mondo.

Apprendimento permanente: non smettere mai di studiare

In questo contesto diventa cruciale il concetto di lifelong learning, tema di cui da tempo parlo e mi occupo in alcuni contesti, ovvero l’apprendimento permanente lungo tutto l’arco della vita. Se una volta si pensava che dopo la scuola e l’università “imparare” lasciasse il posto al “fare”, oggi sappiamo che non si smette mai davvero di imparare.

Abbiamo bisogno di un nuovo modello educativo adatto a questa realtà, in cui formazione e aggiornamento siano costanti durante la vita lavorativa (che ormai può estendersi di decenni oltre il passato). Ciò significa che una persona potrebbe trovarsi più volte, nel corso della carriera, a dover tornare sui banchi,fisici o virtuali, per acquisire nuove competenze e adattarsi a un mercato in evoluzione.

Del resto, tutto ciò che sappiamo sul mondo è in continua evoluzione, e chi non si aggiorna rischia di restare indietro. Ecco perché sempre più persone dovranno abbracciare l’apprendimento continuo, continuando ad aggiornare il proprio bagaglio di conoscenze consapevoli del cambiamento incessante. Forse in futuro la parola “pensione” avrà un significato diverso o verrà addirittura ritirata, perché non si smetterà mai davvero di apprendere e di contribuire.

Questa idea di apprendimento permanente non è solo un’esigenza individuale ma anche una strategia a livello sociale ed economico. Da un lato, aiuta le persone a mantenersi occupabili e realizzate in carriere più longeve e variegate; dall’altro, aiuta le economie a colmare i gap di competenze. In molti settori oggi i datori di lavoro faticano a trovare figure qualificate, e allo stesso tempo i lavoratori cercano opportunità migliori: la formazione continua può colmare entrambe le esigenze, permettendo agli adulti di qualsiasi età di acquisire rapidamente le skill richieste e migliorare le proprie prospettive di carriera. Studiare non è più qualcosa che “si fa da giovani”, ma diventa parte integrante della vita di ciascuno, una seconda natura da coltivare costantemente.

Dal “pezzo di carta” alle competenze: il trionfo delle skill

Parallelamente al concetto di apprendimento permanente, assistiamo a uno spostamento di enfasi dai titoli accademici alle competenze concrete. Nel mercato del lavoro moderno, ciò che sai fare conta più del dove lo hai imparato. Le aziende internazionali stanno adattando i propri criteri valorizzando le competenze rispetto ai tradizionali titoli di studio. Google, ad esempio, ha introdotto programmi di tirocinio e certificati professionali che permettono a persone senza laurea di acquisire esperienza pratica e accedere a posizioni in aziende prestigiose. In generale, l’idea che la laurea sia l’unica chiave per una buona carriera sta lasciando spazio a percorsi più flessibili e basati sulle skill.

Questa tendenza è confermata anche dalle scelte degli studenti e dei lavoratori stessi. Molti si chiedono: questo percorso formativo mi darà competenze spendibili? Sempre più persone valutano un corso o un programma educativo in base al ritorno professionale concreto. Quasi la metà degli intervistati in un recente sondaggio dichiarano che investirebbero tempo e denaro in un percorso di formazione solo se questo offre un chiaro beneficio per la carriera, mentre appena il 21% seguirebbe un certo corso solo per il prestigio dell’istituzione che lo offre. In altre parole, conta di più cosa impari e come potrai applicarlo, piuttosto che l’etichetta o il “pezzo di carta” in sé.

Questo non significa che le università tradizionali siano destinate a sparire, ma che anch’esse devono evolvere. Già alcuni sistemi educativi di successo integrano formazione accademica e sviluppo di competenze pratiche: ad esempio, il celebre modello duale tedesco combina studio teorico e apprendistato in azienda, garantendo tassi di occupazione tra i diplomati superiori al 90%. Allo stesso tempo, emergono percorsi alternativi come bootcamp intensivi, corsi online con certificazione (i cosiddetti nanodegree o microcredenziali) e programmi di formazione aziendale. Le aziende tech, con iniziative come “Grow with Google”, offrono corsi brevi in settori ad alta domanda (dalla UX design all’analisi dati), dando un’alternativa più rapida ed economica rispetto a un intero nuovo titolo di studio. Tutto ciò contribuisce a decentralizzare e democratizzare l’istruzione, creando molte strade diverse per acquisire competenze di valore.

Educazione decentralizzata e democratizzazione della conoscenza

Internet e le nuove piattaforme digitali hanno innescato una vera democratizzazione della conoscenza. Oggi chiunque, ovunque si trovi, con una connessione può accedere a una mole quasi illimitata di corsi, video, articoli e risorse formative. Questo rappresenta una sorta di “decentralizzazione” dell’istruzione: l’apprendimento esce dai confini fisici delle scuole e delle università e diventa diffuso, distribuito, aperto.

Un fenomeno emblematico sono i MOOC (Massive Open Online Courses), corsi online aperti offerti da università d’élite o da esperti tramite piattaforme dedicate. La crescita dei MOOC nell’ultimo decennio è stata impressionante: si è passati da poche centinaia di migliaia di studenti online nel 2011 a ben 220 milioni di partecipanti nel 2021. In pratica, una platea grande quasi quanto la popolazione degli Stati Uniti ha seguito almeno un corso online aperto. Questo significa che milioni di persone nel mondo hanno potuto studiare materie di alto livello senza iscriversi fisicamente a un ateneo, spesso gratuitamente o a costi molto ridotti.

Ma i MOOC sono solo un esempio. La formazione online comprende anche lauree a distanza, tutorial su YouTube, community di apprendimento collaborativo, piattaforme come Coursera, edX, Udacity, Khan Academy e tante altre. Le università tradizionali stanno lanciando sempre più programmi online per raggiungere nuovi pubblici, mentre nascono provider interamente digitali. La concorrenza in questo spazio è in aumento, segno di un enorme interesse: start-up nell’edtech attirano investimenti miliardari e anche realtà affermate si consolidano per offrire programmi sempre più innovativi.

Questa educazione diffusa porta con sé diversi vantaggi. Innanzitutto, l’accessibilità: chi lavora a tempo pieno, o vive lontano dai centri urbani, o non può permettersi costose rette, grazie all’online può comunque formarsi. Inoltre offre flessibilità: ognuno può procedere al proprio ritmo, conciliando studio, lavoro e altri impegni. Infine, favorisce la personalizzazione dei percorsi: grazie alla varietà di corsi disponibili, un individuo può “costruirsi” un curriculum di competenze su misura attingendo da fonti diverse, anziché seguire un unico percorso prestabilito.

Non sorprende quindi che sempre più persone e aziende riconoscano questi vantaggi. Secondo un’analisi McKinsey, oggi molti studenti sono più interessati ad apprendere competenze in tempi brevi e pertinenti al lavoro che a ottenere per forza un nuovo titolo accademico tradizionale. Si tratta di un cambiamento culturale significativo: il sapere non è più custodito gelosamente tra le mura di pochi istituti, ma è diventato più aperto e condiviso, offrendo opportunità a chiunque abbia la volontà di imparare.

Nuove pedagogie per le competenze del XXI secolo

Tutti questi cambiamenti, la necessità di competenze nuove, l’apprendimento permanente, le tecnologie digitali ,si riflettono anche in come insegniamo e impariamo a livello di metodi didattici. Si parla sempre di più di nuove pedagogie adatte al XXI secolo, ovvero approcci educativi innovativi progettati per sviluppare le competenze trasversali e creative di cui c’è bisogno oggi.

Nella scuola tradizionale del Novecento l’accento era posto sull’istruzione trasmissiva: il docente spiega, lo studente ascolta e memorizza nozioni per poi ripeterle nei test. Ma nel mondo odierno, dove le informazioni sono a portata di clic, ha meno senso puntare tutto sulla memorizzazione di contenuti statici. Diventa invece cruciale insegnare come pensare, come imparare e come applicare le conoscenze in contesti nuovi. Le cosiddette competenze del XXI secolo includono qualità come il pensiero critico, la creatività, la capacità di collaborare e comunicare efficacemente, l’adattabilità, la digital literacy e la capacità di risolvere problemi complessi. Queste sono competenze trasversali e interdisciplinari, ben più difficili da insegnare (e da valutare) rispetto alle nozioni di un manuale, ma estremamente importanti per la vita e il lavoro moderni.

Per coltivare tali abilità, le scuole e le università stanno sperimentando metodologie diverse dal passato. Si diffondono pratiche come la flipped classroom (la classe capovolta), in cui la lezione teorica viene studiata a casa tramite video o materiali online e il tempo in aula è dedicato ad esercitazioni pratiche e discussioni. Ci sono poi l’apprendimento basato su progetti (project-based learning), dove gli studenti imparano attivamente lavorando a progetti reali e risolvendo problemi concreti, spesso in gruppo; l’apprendimento collaborativo, che sfrutta la dimensione sociale dello studio; e l’apprendimento esperienziale, che esce dalle aule per immergere gli studenti in contesti lavorativi o di ricerca già durante la formazione. Queste pedagogie attive mirano tutte a coinvolgere di più lo studente, stimolandone la curiosità naturale e l’ingegno, piuttosto che tenerlo passivo ad assimilare informazioni.

Un tratto comune delle nuove pedagogie è anche la personalizzazione: riconoscere che ogni studente ha ritmi, interessi, talenti diversi e cercare di adattare la didattica di conseguenza (cosa in cui, come visto, la tecnologia può dare una mano). Inoltre, l’insegnante assume sempre più il ruolo di facilitatore e mentore: non solo fonte di sapere, ma guida che aiuta gli studenti a navigare nell’eccesso di informazioni, a porsi le domande giuste e a sviluppare un pensiero autonomo. In sostanza, la scuola del futuro dovrà insegnare non solo cosa pensare ma come pensare e come imparare per conto proprio lungo tutta la vita.

Va detto che cambiare la scuola e l’università non è semplice: richiede formazione degli insegnanti, nuove infrastrutture, cambiamenti nei programmi e nei sistemi di valutazione. Molti educatori riconoscono il valore di insegnare queste nuove competenze ma possono sentirsi incerti su come farlo in pratica, anche per mancanza di risorse o evidenze consolidate su quali metodi funzionino meglio. Ciononostante, la direzione è tracciata: da più parti si invoca un rinnovamento profondo dei sistemi educativi affinché preparino davvero i giovani (e i meno giovani) ad imparare ad imparare in un mondo in rapida trasformazione.

Verso una nuova cultura dello studio

Alla domanda iniziale “ha ancora senso studiare?” possiamo dunque rispondere con convinzione di sì, purché si intenda studiare in modo diverso da prima. Nell’era attuale studiare non significa più semplicemente sedersi in classe ad accumulare nozioni sperando che durino per sempre. Significa, piuttosto, abbracciare un percorso continuo di apprendimento e adattamento, sviluppare un insieme dinamico di competenze e mantenere la mente aperta al cambiamento. Studiare oggi vuol dire investire su se stessi lungo tutto l’arco della vita, con flessibilità e curiosità.

Abbiamo visto che le competenze contano più dei titoli: quello che sai fare e la tua capacità di imparare valgono più del nome dell’istituzione sul tuo diploma. Abbiamo evidenziato come la formazione continua sia la chiave per prosperare in carriere più lunghe e variegate, e come le vie per apprendere siano diventate molteplici, dalle università tradizionali ai corsi online, dai percorsi in azienda all’autoapprendimento in rete. Le tecnologie digitali e l’IA poi stanno ampliando ulteriormente gli orizzonti, personalizzando l’educazione e offrendo strumenti nuovi per insegnare e imparare. Infine, abbiamo riconosciuto la necessità di metodologie didattiche innovative che preparino a un mondo dove creatività, pensiero critico e capacità di adattamento sono essenziali.

In tutto questo fermento di cambiamento, però, non dobbiamo dimenticare la dimensione etica e inclusiva: mentre reinventiamo il modo di studiare, dobbiamo assicurarci che tutti possano beneficiarne. Oggi nel mondo ci sono ancora centinaia di milioni di persone prive perfino di un’alfabetizzazione di base. Colmare questo divario è urgente tanto quanto innovare nei paesi avanzati. La conoscenza è un motore di emancipazione e benessere, e nell’era digitale non dovrebbe più essere un privilegio per pochi.

Studiare ha più senso che mai se lo concepiamo come un viaggio continuo, aperto e flessibile. In un’epoca in cui il cambiamento è l’unica costante, la capacità di apprendere continuamente,di imparare ad imparare, è essa stessa la competenza più importante. Chi saprà coltivarla non solo rimarrà al passo, ma potrà dare forma attivamente al futuro. Studiare nell’era odierna non è solo accumulare conoscenze, ma è diventato un atto di adattamento e di libertà: la chiave per navigare il domani con consapevolezza e creatività.

14 Settembre 202514 Settembre 2025AI & GENAI

Governance sintetica: sistemi decisionali mediati dall’AI per istituzioni e comunità

Un nuovo capitolo delle decisioni collettive

Un consiglio comunale si riunisce, ma non nel modo consueto. Cittadini, intelligenze artificiali e amministratori si ritrovano su una piattaforma digitale in cui un algoritmo mappa le opinioni, evidenziando sorprendenti punti di consenso. Ciò che un tempo richiedeva mesi di accesi dibattiti ora richiede settimane. Un registro sicuro basato su blockchain registra in modo trasparente ogni suggerimento e voto, visibile a tutti.

In questo scenario di un futuro prossimo, il governo stesso si è evoluto: le decisioni sono guidate dall’intelligenza artificiale, validate su reti distribuite e plasmate da una partecipazione di massa. Questa è la Synthetic Governance in azione – un mondo in cui le nostre scelte collettive sono aumentate e accelerate dalla tecnologia. È un cambiamento intelligente e visionario che potrebbe trasformare tutto, dai consigli comunali alle istituzioni globali.

Ma solleva anche una domanda: come sfruttare AI e blockchain per potenziare la democrazia, senza perdere il tocco umano?

Dal consenso lento alla collaborazione algoritmica

Il modo in cui prendiamo decisioni collettive è a un punto di svolta. I modelli tradizionali di governance – nei parlamenti come nei consigli di amministrazione – spesso arrancano di fronte a complessità, impasse e sovraccarico informativo. Grandi gruppi con obiettivi diversi faticano a collaborare, e gli strumenti convenzionali (sondaggi d’opinione, assemblee pubbliche, analisi manuali dei dati) sono sopraffatti dalla scala e dalla complessità.

Il risultato sono spesso stalli decisionali o politiche in ritardo rispetto ai bisogni della società. Entra in gioco l’approccio dei sistemi decisionali mediati dall’AI: un nuovo metodo che utilizza algoritmi e registri distribuiti per aiutare i gruppi a ragionare e decidere insieme. Grazie alla sua capacità di macinare enormi quantità di dati, rilevare schemi e persino simulare scenari futuri, l’AI offre un modo per superare i dilemmi collettivi. Può analizzare enormi moli di input, comprendere le preferenze di gruppo ed eseguire simulazioni in modi impossibili per gli umani senza aiuto.

Allo stesso tempo, blockchain e altri modelli distribuiti introducono trasparenza e fiducia radicali – ogni voto o decisione può essere verificato, immunizzato da manomissioni e aperto al controllo pubblico.

In sintesi, la Synthetic Governance sposta il focus da un consenso costruito lentamente e in modo frammentario a una collaborazione aumentata in cui umani e macchine elaborano insieme le decisioni. Promette intuizioni più rapide e una partecipazione più ampia, trasformando il decision-making da un’arte del compromesso in una scienza del consenso inclusivo.

I mattoni della Synthetic Governance

Nel suo nucleo, la Synthetic Governance fonde l’intelligenza collettiva con l’intelligenza artificiale. Tre pilastri sostengono questo cambiamento: algoritmi avanzati (AI), registri distribuiti (blockchain) e nuovi modelli di partecipazione.

Il ruolo dell’AI è supportare e potenziare il processo decisionale umano – non sostituirlo. Ad esempio, l’AI può setacciare migliaia di commenti pubblici per riassumere le preoccupazioni principali, oppure modellare l’impatto di una politica su una società simulata prima che venga attuata. Ricerche recenti mostrano persino che l’AI può fare da mediatore nelle discussioni: in uno studio, un sistema AI ha analizzato le opinioni dei partecipanti e generato enunciati di consenso che le persone hanno valutato come più chiari e imparziali rispetto a quelli scritti da facilitatori umani – aiutando i gruppi a trovare un terreno comune e a convergere su prospettive condivise. Questi mediatori AI funzionano come facilitatori virtuali, ampliando il tipo di dialogo produttivo di cui la democrazia ha bisogno.

Il ruolo della blockchain è fornire un’infrastruttura di fiducia. Le tecnologie a registro distribuito abilitano una governance decentralizzata, in cui le regole sono applicate dal codice e la trasparenza è intrinseca. Ne sono un esempio le Decentralized Autonomous Organizations (DAO): utilizzano blockchain, token digitali e smart contract per permettere a comunità di allocare risorse e prendere decisioni senza gerarchie tradizionali.

Nei settori della finanza, della filantropia e delle comunità online, le DAO stanno reinventando il modo in cui vengono governati i processi collaborativi, offrendo potenzialmente maggiore accountability e partecipazione allargata fin dalla progettazione. Una rete di cittadini può votare su proposte con la garanzia che i risultati non saranno manipolati – ogni voto è registrato in modo immutabile sulla catena. Gli smart contract eseguono automaticamente le decisioni (per esempio, sbloccando fondi al verificarsi di certe condizioni) con precisione e senza bisogno di intermediari.

Questa architettura può aumentare la fiducia e l’efficienza nel processo collettivo: i partecipanti sanno che il processo è trasparente e non falsificabile.

Nuovi modelli partecipativi costituiscono il terzo elemento. La Synthetic Governance attinge a innovazioni nelle pratiche democratiche – basti pensare a piattaforme deliberative online, policymaking aperto e metodi di voto innovativi. In tutto il mondo vediamo esperimenti come la democrazia liquida (in cui gli individui delegano dinamicamente i propri voti) e il voto quadratico (che consente alle persone di esprimere l’intensità delle preferenze). Questi metodi, spesso facilitati da strumenti digitali, mirano a rendere la partecipazione più sfumata e inclusiva.

Il filo conduttore è il passaggio verso una “crowdocracy” – un governo attraverso l’intelligenza collettiva di molti, invece che tramite decisioni calate dall’alto. L’AI e l’analitica aiutano a gestire questo flusso di input, identificando le idee chiave o le aree di accordo. L’obiettivo è un’inclusività aumentata: più voci nel dibattito, con algoritmi che garantiscono che nessuna voce vada persa nel rumore. Se progettati correttamente, questi sistemi possono elevare il dibattito riflessivo a scapito delle urla scomposte, concentrando l’attenzione sui fatti e sulle soluzioni piuttosto che sulla disinformazione o le provocazioni.

Ovviamente, comprendere questo cambiamento significa anche essere realistici. AI e blockchain non sono bacchette magiche – riflettono i dati e le regole che forniamo loro. Se i dati sono distorti o incompleti, le raccomandazioni dell’AI potrebbero essere faziose. Se un sistema di voto su blockchain è troppo complesso, potrebbe escludere i cittadini meno esperti di tecnologia. Dunque, la progettazione dei sistemi di Synthetic Governance è cruciale. Devono incorporare fin dall’inizio principi di equità, trasparenza e accessibilità.

Mentre costruiamo queste nuove architetture, la domanda guida diventa: come può la tecnologia amplificare i nostri istinti collettivi migliori (ragione, empatia, equità) e frenare i peggiori (pregiudizio, opacità, esclusione)? Rispondere a questa domanda è fondamentale per comprendere davvero la promessa della Synthetic Governance.

Fiducia, trasparenza e supervisione umana

Al cuore di questo cambiamento c’è un paradosso: stiamo affidando maggiori responsabilità alle macchine, per rafforzare la fiducia umana nelle decisioni.

L’obiettivo centrale della Synthetic Governance è produrre decisioni che le persone considerino legittime, eque e informate. L’AI può aiutare sul fronte informativo – migliorando l’efficienza e la profondità delle analisi – ma fiducia e legittimità dipendono da trasparenza e supervisione umana. Un algoritmo governativo che assegna benefici pubblici, per esempio, potrebbe essere estremamente efficiente; i cittadini, però, hanno pieno diritto di sapere come funziona e se è equo.

La responsabilità non può essere automatizzata – deve essere integrata in questi sistemi e vigilata da persone in carne e ossa. Organizzazioni internazionali come l’OCSE sottolineano che il settore pubblico ha una responsabilità speciale nell’uso dell’AI: questi strumenti devono essere impiegati in modo da minimizzare i danni, evitare bias e proteggere la privacy. Se un sistema AI è una “scatola nera” le cui decisioni non possono essere spiegate, rischia di minare la fiducia invece di accrescerla.

Per questo, un principio cardine della Synthetic Governance è la “trasparenza algoritmica” – rendere il più possibile comprensibile il funzionamento dei sistemi decisionali AI. Ciò può significare pubblicare i criteri con cui un algoritmo prioritizza i progetti infrastrutturali, oppure utilizzare algoritmi open-source che esperti e cittadini possano ispezionare. Alcuni governi stanno istituendo comitati etici per l’AI e registri degli algoritmi (elenchi pubblici degli algoritmi utilizzati dalle agenzie) per garantire supervisione.

L’obiettivo è prevenire problemi come i bias nascosti o le discriminazioni involontarie che, come avvertono gli analisti, potrebbero portare a esiti iniqui con implicazioni sociali gravi. Illuminando il codice, si difende il valore del due diligence in un mondo potenziato dall’AI.

Altrettanto importante è l’inclusione. Un sistema decisionale può essere equo solo quanto lo è la partecipazione che consente. La Synthetic Governance cerca di allargare la partecipazione – ma deve attivamente colmare i divari digitali. Non tutti sono fluenti nel “linguaggio dell’AI” o dispongono dell’ultimo smartphone; non ogni comunità ha uguale accesso a Internet. Senza una progettazione attenta, i processi mediati dall’AI potrebbero privilegiare le voci più alfabetizzate digitalmente o amplificare disuguaglianze esistenti.

Consapevoli di ciò, molte iniziative di Synthetic Governance pongono l’accento su ruoli umani aumentati: ad esempio, la piattaforma vTaiwan di Taiwan prevede facilitatori formati (e persino un ruolo governativo chiamato “Participation Officer”) per garantire che la tecnologia aumenti, anziché rimpiazzare, il coinvolgimento umano

. Nelle migliori implementazioni, l’AI gestisce il lavoro pesante – sintetizzando migliaia di commenti o individuando temi comuni – liberando gli umani per fare ciò che sanno fare meglio: discutere di valori, negoziare compromessi ed empatizzare gli uni con gli altri.

La fiducia è la valuta della governance, e questo cambiamento riguarda l’ottenere fiducia in modi nuovi. Immaginiamo politiche co-create dai cittadini insieme a consulenti AI, o bilanci decisi con input in tempo reale da parte dei membri della comunità tramite sondaggi su blockchain. Tali processi possono apparire più democratici e informati, rafforzando la fiducia – ma solo se i cittadini credono che i sistemi siano aperti e controllabili. Dunque, il nucleo della Synthetic Governance non è la tecnologia in sé; è un nuovo patto sociale attorno alla tecnologia.

Accettiamo di introdurre algoritmi e reti nei nostri processi decisionali, ma in cambio ci aspettiamo maggiore trasparenza, equità e decisioni basate sui fatti. Il mantra potrebbe essere: potenziare la governance, non automatizzarla. Gli esseri umani restano nel circuito come decisori finali, guidati dalle intuizioni dell’AI ma anche dai principi etici e democratici che la tecnologia da sola non può garantire. Se si trova questo equilibrio, la Synthetic Governance può produrre decisioni non solo più intelligenti, ma anche più degne della nostra fiducia.

Strategia, policy e design reinventati

Ciò che nasce nei forum governativi e nelle comunità online non vi rimane confinato – gli effetti a cascata della Synthetic Governance si estendono in lungo e in largo. Sul fronte della strategia, organizzazioni di ogni tipo stanno apprendendo da questi nuovi paradigmi decisionali. Le imprese, ad esempio, stanno adottando la pianificazione strategica assistita dall’AI per rendere le decisioni più adattive. Invece di affidarsi all’intuito o a piani quinquennali statici, i leader utilizzano simulazioni con agenti virtuali per stress-testare le strategie in condizioni variabili. Ne deriva un passaggio dalla strategia come tabella di marcia fissa alla strategia come processo di navigazione in continuo apprendimento. Si diffonde il portfolio planning (sviluppare opzioni strategiche alternative) e l’adattamento in tempo reale basato sui dati.

I principi della Synthetic Governance – apertura a input diversificati e adattamento fondato su evidenze – stanno trasformando la strategia in uno sforzo collaborativo e dinamico. Un’AI potrebbe segnalare deboli “segnali anticipatori” di cambiamento (ad esempio, una nuova preferenza dei consumatori o un rischio geopolitico emergente) permettendo a aziende o governi di reagire proattivamente.

L’impatto ampio è che il processo decisionale diventa più orientato al futuro e resiliente, sia nelle politiche pubbliche sia nelle strategie aziendali.

Nelle politiche pubbliche stiamo assistendo ai primi passi di una governance anticipatoria. I governi stanno inserendo strumenti previsionali potenziati dall’AI nel ciclo di policy-making. Si pensi ai “laboratori” di simulazione normativa: prima di implementare una nuova politica, i regolatori possono simularne gli effetti su una popolazione virtuale. Si sta valutando l’introduzione di un reddito di base universale? Lo si può simulare per capire come reagirebbero milioni di famiglie a livello economico.

Questo approccio, supportato dall’AI, può rivelare in anticipo conseguenze indesiderate, portando a progettare politiche più intelligenti. Istituzioni come la Commissione Europea e l’OCSE hanno creato unità di foresight strategico che utilizzano la modellizzazione di scenari e l’analisi dei dati per elaborare politiche robuste a diversi scenari futuri. L’ethos sta passando da una governance reattiva (“aggiustare i problemi dopo che si manifestano”) a una governance proattiva (“progettare politiche capaci di reggere agli shock futuri”).

Le politiche diventano così più guidate da evidenze e collaudate in scenari. Inoltre, l’aspetto deliberativo della Synthetic Governance significa che le politiche guadagnano legittimità: quando i cittadini vedono che le loro opinioni o i loro dati hanno concretamente plasmato una legge – tramite una consultazione online o una proposta crowdsourced adottata grazie all’analisi dell’AI – saranno più propensi ad accettarla e supportarla.

Sul versante del design – inteso sia come progettazione di sistemi sia di servizi e prodotti – l’influsso è profondo. Consideriamo come si progetta un processo di coinvolgimento pubblico o una piattaforma digitale per la partecipazione. L’emergere della mediazione AI richiede ai designer di dare priorità a esperienza utente, equità e chiarezza. Ad esempio, i progettisti della piattaforma Polis di Taiwan hanno dovuto assicurarsi che l’interfaccia incoraggiasse il consenso, non il conflitto: hanno deliberatamente impedito le risposte dirette ai post per evitare flame war, visualizzando invece le aree di accordo

È una nuova sfida di design all’incrocio tra tecnologia e sociologia. In pratica, stiamo progettando per l’intelligenza collettiva. Emergono concetti come la UX della governance: quanto è facile per un cittadino comprendere e interagire con un’assemblea virtuale facilitata dall’AI? Come presentiamo le intuizioni generate dall’AI in modo che le persone le trovino affidabili e non di parte? Il cambiamento più ampio qui è che designer, architetti di politiche e tecnologi devono lavorare insieme. Le soluzioni sono interdisciplinari: un po’ di data science, un po’ di economia comportamentale, un po’ di design civico.

Vediamo l’emergere di framework concreti da think tank e gruppi civic tech. Ad esempio, linee guida etiche di design per algoritmi pubblici insistono su trasparenza e progettazione human-centric, garantendo che, anche se le decisioni diventano guidate dai dati, restino comprensibili ed eque per le persone coinvolte.

Dobbiamo citare anche le riforme legali e istituzionali come parte di questo ampio cambiamento. Le nostre leggi e burocrazie non sono state create per AI e blockchain. Ora si stanno aggiornando. I Paesi stanno sviluppando quadri normativi per l’AI (ad esempio, l’AI Act dell’UE) per regolare come l’AI può essere usata in ambiti delicati. Analogamente, sul fronte di blockchain e DAO, c’è uno sforzo per chiarire lo status giuridico – chi è responsabile se “il codice è legge”?

Il World Economic Forum rileva che senza definizioni legali chiare, i partecipanti delle DAO affrontano incertezze (es. potrebbero avere responsabilità legali per decisioni prese collettivamente?). In risposta, stanno emergendo nuove politiche – alcune giurisdizioni ora consentono alle aziende di registrarsi come DAO o riconoscono gli smart contract come strumenti legali. In sostanza, stiamo ripensando le istituzioni di governance per adattarle a queste tecnologie. Ciò comporta l’istituzione di guardrail (per prevenire abusi come la discriminazione algoritmica o gli exploit negli smart contract) e di fattori abilitanti (come sistemi di identità digitale affinché i voti online siano sicuri e verificabili).

La visione a lungo termine è una fusione armoniosa tra vecchio e nuovo: principi e diritti costituzionali codificati o rispettati nei sistemi algoritmici, e sandbox normativi agili dove le innovazioni nella governance possono essere testate in sicurezza.

In sintesi, il cambiamento più ampio introdotto dalla Synthetic Governance va ben oltre esperimenti isolati – sta influenzando il modo in cui pianifichiamo, elaboriamo politiche e progettiamo i processi di governance. La strategia diventa più adattiva e guidata dai dati; la definizione delle politiche diventa più partecipativa e resiliente al futuro; la progettazione di tecnologie civiche diventa cruciale quanto le politiche stesse.

Si tratta di una trasformazione olistica della cultura della governance, che unisce la velocità e il rigore degli algoritmi con la saggezza e i valori delle comunità umane. Man mano che questo cambiamento si diffonde, potremmo scoprire che non solo governi e organizzazioni prendono decisioni migliori – ma forse ricostruiscono anche la fiducia pubblica, pezzo dopo pezzo, attraverso apertura e collaborazione.

Sfide e opportunità all’orizzonte

La Synthetic Governance è ancora agli inizi – una frontiera entusiasmante con molte domande aperte. Guardando avanti, una sfida urgente è scalare questi modelli in modo responsabile. Finora molti successi (come vedremo nel caso di Taiwan) si sono avuti a livello locale o nazionale in comunità tecnologicamente avanzate.

Il passo successivo è portare sistemi decisionali con AI e blockchain in contesti più ampi – dai piccoli comuni agli organismi internazionali – senza lasciare indietro nessuno. Ciò significa puntare sull’inclusione digitale: garantire che, man mano che dispieghiamo piattaforme sofisticate, investiamo anche in alfabetizzazione digitale e accesso equo. Un’assemblea cittadina aumentata dall’AI è un’ottima cosa, ma solo se ogni cittadino ha i mezzi e le competenze per partecipare. Colmare quel divario è di per sé una priorità politica. Potremmo vedere governi creare nuovi ruoli o dipartimenti per la “partecipazione digitale”, incaricati di rendere questi strumenti comuni e semplici quanto le urne elettorali.

Un altro fronte chiave è governare l’AI con l’AI – un concetto in un certo senso autoriferito. Man mano che i sistemi di AI diventano più centrali nei processi decisionali, potremmo impiegare AI per monitorare l’AI. Immaginiamo un’AI di oversight che controlli continuamente gli algoritmi governativi per individuare bias o errori, segnalando problemi a regolatori umani.

Ciò potrebbe migliorare l’accountability, individuando i problemi più velocemente rispetto alla supervisione tradizionale. In effetti, si stanno già formando collaborazioni: l’AI Governance Alliance del World Economic Forum riunisce stakeholder per esplorare idee simili. La cooperazione internazionale sarà cruciale, perché la tecnologia oltrepassa i confini, a differenza delle leggi. Potremmo aver bisogno di nuove istituzioni per l’era dell’AI – forse una sorta di “Consiglio Internazionale di Supervisione Algoritmica” in seno all’ONU, o trattati che garantiscano determinati standard di base (ad es. trasparenza o rispetto dei diritti umani) per qualsiasi uso pubblico dell’AI. Questi sono concetti iniziali, ma sottolineano che anche la governance deve innovare in parallelo con la tecnologia.

All’orizzonte, vediamo anche la maturazione dei modelli decentralizzati. Le DAO odierne, nonostante le potenzialità, affrontano ostacoli come bassa partecipazione e incertezza legale. Ma si stanno studiando soluzioni: piattaforme DAO più user-friendly, strutture giuridiche ibride (dove una DAO è affiancata da un’entità legale tradizionale), e meccanismi di incentivo migliorati per stimolare il coinvolgimento dei membri.

Nei prossimi anni, la governance decentralizzata potrebbe passare da comunità cripto di nicchia ad applicazioni mainstream. Potremmo assistere a quartieri che formano cooperative stile DAO per gestire risorse locali, o organizzazioni non-profit governate da stakeholder sparsi nel mondo che detengono token. Man mano che questi esperimenti proliferano, genereranno dati su cosa funziona e cosa no. È probabile che itereremo verso best practice di “governance 2.0”: ad esempio, combinando input diretti dei cittadini con analisi di esperti tramite AI, oppure utilizzando votazioni su blockchain in concomitanza con assemblee cittadine, così da unire deliberazione qualitativa e decisione quantitativa.

Fondamentale, la cultura attorno alla governance dovrà evolversi. Funzionari pubblici, manager e cittadini dovranno abbracciare mentalità più aperte e collaborative. Può essere scomodo – cedere parte del controllo ad algoritmi o folle può sembrare rischioso. Ci sarà resistenza, e non senza ragione: passi falsi (come uno strumento di AI fuori controllo o un voto su blockchain compromesso da un bug) potrebbero erodere la fiducia. Ecco perché progetti pilota e valutazioni rigorose sono essenziali.

Ogni città o organizzazione che sperimenta la Synthetic Governance dovrebbe prevedere audit e piani di riserva. La trasparenza sugli insuccessi sarà importante tanto quanto sbandierare i successi. Col tempo, man mano che cresce la fiducia, potremmo vedere un ciclo virtuoso: esempi riusciti creano domanda pubblica per una diffusione maggiore. Immaginiamo un futuro in cui, in campagna elettorale, i candidati si confrontino su come utilizzeranno AI e input dei cittadini per prendere decisioni più reattive – è un’ipotesi tutt’altro che remota.

Infine, ciò che ci attende implica fare i conti con questioni etiche e filosofiche. Come preserviamo i diritti fondamentali (come la privacy e la libertà di espressione) nelle discussioni mediate dall’AI? Chi è responsabile se la raccomandazione politica di un’AI causa danni – i funzionari, gli sviluppatori, l’algoritmo stesso? Abbiamo bisogno di una sorta di “giuramento di Ippocrate” per gli algoritmi che governano la vita pubblica? La società dovrà dibattere e rispondere a queste domande parallelamente allo sviluppo tecnico.

La buona notizia è che la Synthetic Governance, per sua natura, può includere la società in quel dibattito. Possiamo usare proprio gli strumenti di intelligenza collettiva per decidere come dovrebbero essere governati – una sorta di circuito riflessivo della democrazia.

In definitiva, il prossimo capitolo della Synthetic Governance sarà definito dall’equilibrio: equilibrio tra innovazione e cautela, efficienza ed equità, tecnologia e umanità. Le opportunità davanti a noi sono enormi – un governo a tutti i livelli più partecipativo, adattivo e basato sui dati. I rischi, se non controllati, sono altrettanto rilevanti – da una potenziale “tirannia” degli algoritmi a nuove forme di esclusione. Orientarsi verso le opportunità e lontano dai rischi è il grande compito che ci attende.

Nel procedere, una cosa è chiara: la governance non sarà più la stessa. Il cambiamento che stiamo attuando ora potrebbe rimodellare profondamente i contratti sociali di domani, auspicabilmente in meglio. Le decisioni che prendiamo su come usare AI e blockchain nella vita pubblica a loro volta determineranno la qualità delle nostre democrazie e istituzioni nel XXI secolo.

vTaiwan: un pioniere della democrazia digitale

Una protesta del 2014 a Taipei durante il Movimento dei Girasoli, che ha catalizzato le iniziative taiwanesi di democrazia digitale.
Nel 2014, Taiwan ha affrontato una crisi di fiducia nel proprio governo. Le polemiche su un accordo commerciale con la Cina hanno scatenato proteste di massa note come Movimento dei Girasoli, con studenti e attivisti che hanno occupato il parlamento. Invece di reprimere le proteste, è accaduto qualcosa di straordinario: funzionari governativi e civic hacker hanno unito le forze per co-creare un nuovo modo di prendere decisioni.

Ne è nato vTaiwan, una piattaforma di consultazione aperta lanciata nel 2015 che combina deliberazione online e offline per costruire consenso sulle politiche pubbliche. Nata dalla comunità civic tech g0v (“gov-zero”) e sostenuta dalla ministra digitale Audrey Tang, vTaiwan è stata concepita come uno spazio neutrale in cui qualsiasi cittadino potesse discutere di questioni di policy con la partecipazione del governo – dai regolamenti su Uber alle normative fintech. Alla base c’è l’idea che, anche su temi controversi, la tecnologia possa aiutare a trovare terreni comuni invece di amplificare le divisioni.

Il processo vTaiwan si articola in varie fasi. La prima è una fase “oggettiva”: raccolta di fatti, dati e definizione del problema. Segue una fase “riflessiva” di deliberazione online usando uno strumento chiamato Polis – il motore della piattaforma, basato su algoritmi, per costruire consenso. Polis consente a migliaia di partecipanti di pubblicare opinioni e votare (d’accordo/non d’accordo/astensione) sugli enunciati altrui. Una particolarità: nessuno può gridare o rispondere direttamente; Polis raggruppa invece algoritmicamente le persone in base alle somiglianze nei voti e mette in evidenza gli enunciati che ottengono ampio sostegno trasversale ai vari gruppi.

Man mano che la discussione avanza, emerge una visualizzazione: un “paesaggio di opinioni” che mostra cluster di gruppi di opinione e le aree di sovrapposizione tra essi. Gli stessi partecipanti possono vedere questa mappa in tempo reale, il che li stimola – quasi fosse un gioco – a formulare enunciati in grado di attrarre il sostegno altrui, incentivando la ricerca del consenso. Dopo poche settimane, in genere il processo porta alla luce una serie di affermazioni condivise.

Si passa poi a un incontro di persona (trasmesso in streaming per trasparenza) in cui gli stakeholder chiave – funzionari, esperti, rappresentanti dei cittadini – esaminano quei punti di consenso e elaborano raccomandazioni o azioni concrete. Infine, se opportuno, si formula una bozza di legge o di regolamento basata su questo lavoro e la si inoltra al normale iter legislativo.

Un “paesaggio di opinioni” generato da Polis nel dibattito di vTaiwan su UberX: ogni punto rappresenta un partecipante raggruppato in base ai modelli di voto, ed emergono enunciati di consenso (come uno con il 92% di accordo) che attraversano le divisioni.

I risultati testimoniano il potere di questo approccio. Tra il 2015 e il 2018, vTaiwan ha affrontato 26 questioni nazionali – dalla regolamentazione dei servizi di ride-sharing alla vendita online di alcol – e circa l’80% di questi processi ha portato a un’azione governativa concreta, sotto forma di nuove leggi o cambiamenti regolamentari. Finora oltre 200.000 persone hanno partecipato, un numero sorprendente considerando la popolazione di Taiwan (circa 23 milioni). Uno dei primi successi citati è stato il caso UberX: inizialmente il dibattito era polarizzato tra sostenitori e oppositori di Uber, ma attraverso Polis i partecipanti hanno convergito su principi condivisi (come garantire concorrenza leale e standard di sicurezza) che hanno plasmato un nuovo quadro normativo accettabile per entrambi gli schieramenti.

Il governo, vedendo quel consenso emergente, ha proceduto a varare regole che hanno legittimato il ride-sharing affrontando al contempo le preoccupazioni dei tassisti. È stato un punto di svolta su un tema che in molti altri paesi era rimasto bloccato.

Altrettanto importanti sono i benefici qualitativi. vTaiwan ha dimostrato che la partecipazione digitale può essere civicamente seria e costruttiva. Le discussioni sulla piattaforma si sono mantenute sorprendentemente civili e orientate al merito, in larga parte grazie alle scelte di design (nessun trolling o dirottamento di thread è possibile).

I partecipanti riferiscono spesso che vedere le questioni mappate visivamente li aiuta ad apprezzare altri punti di vista. Come ha detto Audrey Tang, “le persone passano molto più tempo a scoprire ciò che hanno in comune piuttosto che a infilarsi in una tana del disaccordo” – nel giro di tre o quattro settimane, invariabilmente si trova una configurazione in cui la maggior parte delle persone concorda sulla maggior parte delle affermazioni. Questo orientamento al consenso è in netto contrasto con le dinamiche tipiche dei social media. Ha anche costruito fiducia: i cittadini sanno che i loro input possono plasmare direttamente le politiche, e i funzionari ottengono un supporto pubblico che rende più agevole l’implementazione. In effetti, il modello di rough consensus di vTaiwan ha contribuito a formulare circa una dozzina di provvedimenti legislativi finora, coprendo temi dalla pornografia non consensuale (“revenge porn”) ai sandbox normativi per il fintech.

Tuttavia, vTaiwan non è una bacchetta magica – anche i suoi limiti offrono insegnamenti. I critici l’hanno definita “una tigre senza denti” per sottolineare che la piattaforma in sé non costringe il governo ad agire. Serve comunque la volontà politica di recepire le raccomandazioni della folla. Alcune consultazioni hanno visto calare la partecipazione col tempo o difficoltà a coinvolgere i cittadini meno esperti di tecnologia (una sfida a cui Taiwan ha risposto lanciando piattaforme complementari come “Join”, che coinvolge fasce di popolazione più ampie).

Inoltre, vTaiwan è stata utilizzata prevalentemente su temi legati all’economia digitale, dove l’engagement online è naturalmente elevato. Questioni più controverse o di principio (ad es. difesa nazionale o fisco) non sono ancora passate attraverso questo filtro. In breve, vTaiwan funziona al meglio come parte di un ecosistema democratico più ampio – non sostituisce le istituzioni rappresentative ma le integra. Il governo taiwanese l’ha adottata come canale consultivo che alimenta l’azione legislativa, e questo approccio ibrido sembra la chiave del suo successo.

L’influenza di vTaiwan ha iniziato a diffondersi a livello globale. La sua metodologia – in particolare l’uso di Polis per la deliberazione di massa – viene emulata altrove. La Finlandia, per esempio, ha recentemente sperimentato una consultazione supportata da Polis (“Cosa ne pensi, Finlandia?”) su temi sociali, citando esplicitamente l’esperienza taiwanese come ispirazione. Comunità negli Stati Uniti e nel Regno Unito hanno organizzato assemblee cittadine virtuali con Polis su questioni locali. Nel frattempo, Taiwan continua a innovare. Nel 2023, di fronte all’avanzata dell’AI, il governo ha lanciato le “Alignment Assemblies” in partnership con ricercatori internazionali – di fatto, deliberazioni pubbliche sulla governance dell’intelligenza artificiale, ancora una volta usando piattaforme digitali per raccogliere ciò che i cittadini considerano rischi e usi accettabili dell’AI. È l’etica di vTaiwan applicata a una nuova frontiera, assicurando che persino la politica sull’AI stessa sia plasmata dalla voce del pubblico.

In sintesi, vTaiwan offre un caso di studio convincente di Synthetic Governance in pratica. Dimostra che, se ben congegnati, AI e collaborazione aperta possono rafforzare la democrazia – non rimpiazzando gli esseri umani, ma potenziandoli. Taiwan ha trasformato un momento di crisi in un’opportunità per modernizzare la propria governance, fondendo la saggezza delle folle con l’assistenza algoritmica. Per altri governi e istituzioni, il messaggio è chiaro: è possibile attingere all’intelligenza collettiva su larga scala, trovando soluzioni “win-win” dove prima c’erano solo contrapposizioni. Il percorso non è stato facile né perfetto, ma vTaiwan prova che maggiore fiducia, trasparenza e inclusione nel decision-making sono traguardi raggiungibili nell’era digitale. Resta un pioniere che illumina la strada affinché comunità di tutto il mondo ripensino il modo in cui prendiamo le scelte che plasmano il nostro futuro collettivo.

Takeaways

Decisioni aumentate dalla tecnologia: La Synthetic Governance sfrutta l’AI e le piattaforme digitali per aiutare i gruppi ad affrontare decisioni complesse. L’AI può analizzare dati, simulare scenari e persino redigere proposte di consenso, permettendo scelte collettive più informate ed efficienti. Invece di rimpiazzare i decisori umani, potenzia il giudizio umano con un’intelligenza scalabile.
Decentralizzazione e fiducia: La blockchain e i registri distribuiti offrono nuovi modi per garantire fiducia nella governance. Tecniche come gli smart contract e i ledger trasparenti consentono la creazione di organizzazioni decentralizzate (DAO) in cui regole e votazioni sono codificate in modo visibile a tutti. Ciò riduce la dipendenza da autorità centrali e può rendere i processi decisionali più trasparenti, responsabili e aperti a stakeholder diversi
Migliori risultati e inclusione: Se ben progettata, la governance mediata dall’AI può portare a politiche più inclusive e reattive. I governi che utilizzano l’AI segnalano aumenti di produttività e efficacia nelle politiche, nonché servizi più su misura per le comunità. Le piattaforme digitali possono coinvolgere migliaia di cittadini nelle deliberazioni (come vTaiwan), fornendo ai decisori una comprensione più ricca dei bisogni pubblici. Questo può rafforzare la legittimità – le persone sono più propense a sostenere decisioni che hanno contribuito a plasmare.
Nuovi rischi e necessità di regole: Il cambiamento porta con sé rischi significativi da gestire. Senza un’adeguata supervisione, i sistemi AI potrebbero amplificare bias o operare in modo opaco, minando l’equità. Una scarsa partecipazione civica o un’“esclusione algoritmica” sono rischi reali (se solo élite o utenti tecnologicamente alfabetizzati dominano i forum digitali). Inoltre, le DAO affrontano sfide come bassa partecipazione al voto e incertezza giuridica. Servono solidi framework di governance – dalle linee guida etiche agli adeguamenti normativi – per garantire che queste innovazioni rafforzino la democrazia invece di eroderla.
Ruoli e competenze in evoluzione: La Synthetic Governance sta ridisegnando i ruoli di funzionari pubblici, leader e cittadini. Emergono nuove figure come gli officiali della partecipazione e data scientist nel settore pubblico per facilitare le politiche supportate dall’AI. I leader devono familiarizzare con la tecnologia e i metodi di crowdsourcing, mentre i cittadini potrebbero aver bisogno di nuove competenze digitali per impegnarsi in modo significativo. È in atto un cambiamento culturale verso maggiore trasparenza, collaborazione e apprendimento continuo sia nelle istituzioni pubbliche sia nelle organizzazioni private.
Impatto su strategia e design: I principi della Synthetic Governance stanno influenzando la strategia e il design in senso più ampio. Le organizzazioni adottano un decision-making anticipatorio – utilizzando simulazioni AI e pianificazione di scenari per rimanere agili nelle strategie. I designer di soluzioni civiche puntano a interfacce human-centric che incoraggino una partecipazione costruttiva (come visto con Polis, che riduce i fenomeni di trolling. In generale, la governance viene considerata un problema di design, con sperimentazioni su nuovi processi decisionali e circuiti di feedback per iterare su ciò che funziona.
Visione per il futuro: A lungo termine, la Synthetic Governance prefigura un futuro di governance più partecipativa, adattiva e fondata sui dati. Si possono immaginare decisioni di bilancio prese tramite votazioni comunitarie su blockchain, guidate dall’analisi di AI, o trattati internazionali negoziati con il contributo di milioni di cittadini attraverso piattaforme online. Idee del genere stanno diventando plausibili. L’obiettivo finale non è solo un governo potenziato dalla tecnologia, ma una governance migliore – più democratica, più trasparente e più capace di affrontare sfide complesse tramite l’intelligenza collettiva.

Verso una governance adattiva e inclusiva

Il passaggio alla Synthetic Governance è un viaggio in corso che reinventa il modo in cui prendiamo decisioni collettive. Siamo ancora ai primi capitoli di questa trasformazione. È chiaro che la governance nel XXI secolo non può più restare statica – deve diventare adattiva e intelligente quanto il mondo che serve.

Abbracciando con giudizio l’AI e i modelli decentralizzati, abbiamo l’opportunità di progettare istituzioni più trasparenti, reattive e inclusive che mai. La strada da percorrere richiederà sperimentazione, misure di sicurezza e collaborazione costante tra tecnologi, policymaker e cittadini. Eppure, la promessa è fonte di ispirazione: un futuro in cui comunità e organizzazioni possano navigare complessità e incertezza con una saggezza aumentata, in cui le decisioni siano guidate dai dati e dal dialogo democratico, e in cui la fiducia nelle nostre scelte collettive venga ricostruita sul fondamento della trasparenza.

Il cambiamento continua, alimentato dalla nostra aspirazione a governare meglio, insieme – combinando valori umani e visione tecnologica per plasmare un futuro della governance più resiliente e partecipativo.

8 Agosto 2025AI & GENAI

GPT-5: l’AI che “fa da sola”

GPT-5 segna un cambio di paradigma nell’utilizzo dell’intelligenza artificiale generativa.

Un esempio emblematico: in un test iniziale gli è stato chiesto di “fare qualcosa di molto drammatico” e in pochi secondi il modello ha prodotto un paragrafo sorprendente, strutturato con astuzia retorica e creatività.

Ogni frase era esattamente di una parola più lunga della precedente e la lettera iniziale di ciascuna andava a comporre il messaggio nascosto “This is a Big Deal” – “È un grosso affare”.

Il testo risultante, coerente e stilisticamente affascinante, costituisce un piccolo tour de force letterario ottenuto con un singolo prompt. Questo tipo di “trucco” linguistico sarebbe stato impensabile per i modelli di pochi mesi fa; basti pensare che in passato le IA faticavano perfino a contare correttamente le lettere in una parola. Invece GPT-5 dimostra una padronanza concettuale e creativa straordinaria.

E questo è solo l’inizio: al di là dell’aneddoto spettacolare, GPT-5 introduce innovazioni chiave che promettono di rendere l’AI più accessibile, proattiva e utile che mai.

Un sistema unificato con ragionamento integrato

Una delle maggiori novità di GPT-5 è il suo funzionamento come sistema unificato in grado di decidere autonomamente quanto “pensare” a un problema prima di rispondere. Fino a ieri, gli utenti dovevano scegliere manualmente tra modelli veloci ma meno accurati e modelli più lenti ma più “intelligenti” (i cosiddetti Reasoners). Questo spesso richiedeva competenze non banali: molti utilizzatori occasionali di ChatGPT restavano bloccati sul modello predefinito senza sperimentare le capacità dei modelli avanzati.

GPT-5 supera questo ostacolo automatizzando la selezione del modello e il livello di ragionamento. In pratica, GPT-5 comprende da solo la complessità della richiesta e instrada la query verso la versione più adatta: dispone infatti di un modello “base” efficiente per le domande semplici e di un modello potenziato (chiamato GPT-5 Thinking) per i problemi difficili, coordinati da un router in tempo reale. Questo router analizza il contesto della conversazione, la difficoltà del compito, l’eventuale uso di strumenti esterni e perfino indicazioni esplicite dell’utente (ad esempio se nel prompt scriviamo “pensaci bene”, GPT-5 lo interpreterà come segnale di attivare il ragionamento approfondito). Di conseguenza, l’utente non deve più scegliere manualmente la modalità: il sistema “sa” quando rispondere rapidamente e quando impiegare qualche secondo in più per elaborare una risposta esperta. Questo approccio unificato riduce l’onere cognitivo sull’utilizzatore e assicura che, per default, chiunque possa beneficiare della massima potenza di GPT-5 quando serve.

Questo significa che GPT-5 “pensa per noi” nel selezionare la strategia di risposta ottimale. Ad esempio, domande di routine ottengono risposte quasi istantanee dal modello leggero, mentre quesiti complessi o multi-step attivano automaticamente il modello avanzato che impiega più tempo a ragionare.

I tester riportano che questa automazione porta spesso a risultati impressionanti per l’utente medio, il quale improvvisamente può vedere l’IA cimentarsi in problemi difficili con efficacia sorprendente – una capacità prima riservata solo a chi sapeva selezionare manualmente i modelli migliori. GPT-5 di fatto rende trasparente la complessità: l’IA decide quanta potenza computazionale dedicare a ciascuna richiesta, bilanciando tempi di risposta e qualità. Per gli utenti avanzati rimane comunque possibile prendere il controllo: gli abbonati Plus e Pro hanno l’opzione di forzare l’uso di GPT-5 Thinking per richieste specifiche oppure di selezionare direttamente il modello più potente (GPT-5 pro, di cui parleremo più avanti), assicurando la massima flessibilità per casi d’uso critici. Ma per la stragrande maggioranza, GPT-5 “funziona e basta”, scegliendo automaticamente il modo migliore di affrontare ogni domanda. Questo cambiamento strategico nell’UX (User Experience) rende l’IA molto più user-friendly e abbassa la barriera d’ingresso per sfruttare l’intelligenza artificiale avanzata.

Va notato che GPT-5 adotta anche un accorgimento intelligente per gestire i limiti di utilizzo: quando un utente gratuito esaurisce il budget di risposte complesse (ragionamenti prolungati), il sistema scala gradualmente verso versioni mini del modello per le query rimanenti. In sostanza, il servizio degrada in modo aggraziato invece di bloccarsi del tutto, garantendo comunque risposte rapide e utili, sebbene meno approfondite. OpenAI ha dichiarato inoltre l’intenzione, in futuro, di fondere queste capacità in un unico modello integrato senza distinzione fra versioni – il che suggerisce progressi continui nell’efficienza e nella scalabilità dell’architettura.

L’IA proattiva che “fa le cose” al posto tuo

Oltre a semplificare la scelta del modello, GPT-5 affronta un secondo problema diffuso nell’adozione dell’IA: molti utenti non sanno esattamente cosa chiedere o come sfruttare al meglio queste nuove capacità. Spesso le persone hanno obiettivi vaghi o non conoscono l’ampia gamma di compiti che un’IA può svolgere. GPT-5 si distingue perché è estremamente proattivo e agentico: non si limita a rispondere alle domande poste, ma propone azioni aggiuntive e prende iniziative per raggiungere gli obiettivi dell’utente. In altre parole, “fa da solo” molti passi che prima avremmo dovuto specificare.

Questa propensione a “just do it” si manifesta in vari modi. GPT-5 è ora in grado di gestire richieste complesse multi-step, coordinando strumenti e sub-compiti necessari al raggiungimento di un risultato articolato. Secondo OpenAI, il modello ha mostrato forti progressi nei benchmark che richiedono di seguire istruzioni lunghe e utilizzare strumenti in modo autonomo, il che si traduce nell’abilità di eseguire compiti a più fasi, adattarsi a cambi di contesto e completare una maggior porzione di lavoro end-to-end senza intervento umano ad ogni passo. In pratica, GPT-5 eccelle nel portare a termine attività complesse, seguendo fedelmente le indicazioni fornite e colmando le lacune man mano che si presentano.

Per esempio, si può chiedere al modello qualcosa di ampio come “generami 10 idee di startup adatte a un ex professore di imprenditorialità, scegli la migliore in base a un tuo criterio, pianifica cosa serve per avere successo e realizza ciò che serve”. Con un prompt generico di questo tipo, GPT-5 non solo genera le idee di business, ma passa oltre senza indugio: valuta le opzioni secondo un proprio metodo, seleziona la migliore e poi procede a creare output concreti per dare vita all’idea. Ci si può ritrovare con bozze di landing page, testi per LinkedIn, analisi finanziarie semplificate, piani di ricerca di mercato, prototipi di sito web e altro ancora – tutto prodotto in autonomia a partire da un singolo comando ad alto livello. Si tratta di un risultato che in passato avrebbe richiesto un’intera squadra di persone e molte ore di lavoro coordinate; ora avviene in pochi minuti, con l’IA che anticipa necessità e passi successivi. GPT-5 dimostra quasi un’iniziativa imprenditoriale virtuale: non aspetta che l’utente richieda ogni singolo deliverable, ma lo sorprende colmandone i bisogni impliciti.

Un altro caso impressionante è nel coding: utenti non programmatori hanno descritto come GPT-5 possa sviluppare applicazioni funzionanti partendo da istruzioni vaghe e migliorandole iterativamente quasi di propria sponte. Ad esempio, qualcuno ha chiesto a GPT-5 qualcosa di generico come “crea un tool per generare edifici brutalisti in 3D che posso modificare interattivamente” senza fornire dettagli tecnici precisi. Nel giro di pochi minuti, l’IA ha consegnato un simulatore 3D di città, utilizzabile immediatamente nel browser.

Non un semplice schema o codice incompleto, ma un’app funzionante, con interfaccia grafica e funzionalità di base. Incoraggiando il modello con richieste iterative tipo “rendilo migliore”, GPT-5 ha continuato ad ampliare autonomamente le feature: ha aggiunto elementi non esplicitamente richiesti come illuminazione al neon, automobili che circolano nelle strade, opzioni avanzate per facciate degli edifici, visuali cinematografiche, un sistema di salvataggio dei progetti, e persino dettagli creativi come una tazza di caffè fumante sulla scrivania di un edificio e nuvole che scorrono fuori dalle finestre di un aereo (in un’altra scena generata su richiesta) – tutto senza che l’utente dovesse specificare questi aspetti.

È stato descritto come “guardare l’immaginazione di qualcun altro al lavoro”: GPT-5 prende l’iniziativa creativa, ampliando l’idea iniziale e iterando costantemente con miglioramenti sensati. Sorprendentemente, anche di fronte a errori o bug, il modello non si “incarta” come accadeva spesso a GPT-4 dopo qualche iterazione: eventuali malfunzionamenti vengono corretti semplicemente incollando l’errore segnalato nel prompt successivo, senza dover ricorrere a complesse strategie. In sostanza, GPT-5 dimostra una tenacia nel portare a termine il compito e un’autonomia nella risoluzione dei problemi che rendono la programmazione assistita molto più fluida.

Questa proattività di GPT-5 può essere quasi spiazzante. Il modello chiede chiarimenti all’utente se necessario e propone spontaneamente prossime azioni utili. Ad esempio, nel dominio medico (uno dei casi d’uso in cui GPT-5 eccelle), è stato osservato che il sistema funziona come un partner attivo: non solo risponde alle domande sulla salute, ma segnala potenziali problemi correlati e pone ulteriori domande per assicurarsi di dare consigli veramente utili. Ciò significa che se un utente descrive sintomi o dubbi, GPT-5 potrebbe aggiungere: “Considera anche di controllare questo parametro” oppure “Hai notato altri sintomi come X?”, agendo in modo simile a un medico scrupoloso che cerca di approfondire il quadro. Questo atteggiamento propositivo rende l’interazione più ricca e utile, soprattutto per chi non ha le competenze per sapere quali dettagli fornire o quali domande porre.

GPT-5 “vuole fare cose per te”: è un’IA che non aspetta passivamente istruzioni dettagliate, ma interpreta gli obiettivi a monte e si sforza di portarli a compimento nel modo più completo possibile. Per gli utenti poco esperti, questo si traduce in un’esperienza più guidata e produttiva – l’IA suggerisce ciò che si può fare, colmando la mancanza di idee o di conoscenza delle sue capacità. Per gli utenti avanzati, significa poter delegare al modello compiti lunghi o noiosi, verificandone poi l’operato. È un cambio di passo strategico: da strumento che l’utente manovra passo-passo, l’IA evolve verso un collaboratore autonomo, che esegue proattivamente interi segmenti di lavoro sulla base di un semplice cenno. Naturalmente l’umano rimane nel circuito decisionale: GPT-5 spesso chiede conferma o direzione quando completa un blocco di lavoro, e spetta all’utente valutare i risultati, correggere eventuali inesattezze e indirizzare gli sforzi successivi. La differenza è che ora l’IA copre molta più distanza da sola rispetto al passato, riducendo il carico di regia necessario da parte nostra.

Prestazioni tecniche da record

Sotto il cofano di GPT-5 non c’è solo una migliore usabilità: c’è anche un notevole salto in avanti delle prestazioni su quasi tutti i fronti. OpenAI descrive GPT-5 come il suo modello “più intelligente, più veloce e più utile” di sempre. I dati supportano questa affermazione: GPT-5 ha ottenuto risultati da primato in una serie di benchmark sia accademici sia valutati da esseri umani. Ad esempio:

Ragionamento matematico: GPT-5 raggiunge il 94,6% di punteggio nell’AIME 2025, una prestigiosa gara di matematica avanzata – superando ampiamente i modelli precedenti e segnando un nuovo stato dell’arte.
Programmazione: Sul benchmark di coding realistico SWE-Bench (test di problemi di programmazione “veri” con verifica), GPT-5 ottiene il 74,9% e addirittura l’88% sul sotto-test multilinguaggio Aider Polyglot, valori significativamente superiori ai predecessori. In altre parole, è il modello di coding più potente mai rilasciato da OpenAI. Ciò si riflette anche nella pratica: GPT-5 è in grado di generare siti web, app e persino videogiochi completi da un singolo prompt, mostrando un’inattesa sensibilità estetica nel design dell’interfaccia e nella grafica. I primi tester hanno evidenziato miglioramenti evidenti nella qualità del codice front-end generato: GPT-5 dimostra di comprendere concetti di design come spaziatura, tipografia e uso del white space, producendo interfacce più pulite e gradevoli rispetto a GPT-4. In debugging e gestione di progetti software estesi, il nuovo modello riesce a districarsi meglio, segno di una comprensione più profonda del codice.
Comprensione multimodale: GPT-5 eccelle nel ragionare su input non testuali. Su MMMU (Massive Multimodal Understanding benchmark) segna 84,2%, definendo il nuovo record in questo campo. Ciò significa che ChatGPT con GPT-5 può analizzare immagini, diagrammi, contenuti video e spaziali con molta più accuratezza di prima. Ad esempio, è più abile nell’interpretare grafici, riassumere immagini complesse o rispondere a domande su diagrammi scientifici, riducendo errori e fraintendimenti. Questa padronanza multimodale apre la strada a utilizzi in cui testo e visione si fondono, come l’analisi di slide di una presentazione fotografata o la comprensione di una mappa disegnata a mano.
Ambito sanitario: GPT-5 è attualmente il migliore modello IA per le domande mediche sviluppato da OpenAI. Ha totalizzato il 46,2% sul difficile test HealthBench Hard, un insieme di scenari clinici complessi con criteri rigorosi definiti da medici. Potrebbe sembrare un punteggio basso in assoluto, ma rappresenta un grande passo avanti rispetto alle versioni precedenti e riflette la difficoltà elevata del benchmark. Più concretamente, GPT-5 si comporta da assistente sanitario intelligente: fornisce risposte più precise e contestualizzate, adatte al livello di conoscenza dell’utente e alla sua provenienza geografica (utile ad esempio per questioni su farmaci o normative locali). Fa domande per chiarire i sintomi e mette in guardia su possibili segnali d’allarme che l’utente potrebbe non aver menzionato. Ovviamente, OpenAI sottolinea che ChatGPT non sostituisce il medico: va visto come un partner che aiuta l’utente a capire risultati, preparare domande da fare al dottore e valutare opzioni, ma le decisioni cliniche restano umane. Resta il fatto che la capacità del modello di “ragionare” come farebbe un esperto di settore è aumentata in modo palpabile.
Capacità generali e professionali: al di là dei singoli settori, GPT-5 dimostra un’intelligenza generale più elevata. Con la modalità di ragionamento attivata, in un ampio test interno di oltre 1000 compiti di ragionamento del mondo reale (definiti “economicamente importanti” perché legati a professioni e attività lavorative), GPT-5 ha mostrato prestazioni paragonabili o superiori a esperti umani in circa metà dei casi, superando nettamente sia OpenAI o3 che il precedente ChatGPT Agent. I task coprivano oltre 40 mestieri differenti – dal campo legale, alla logistica, dalle vendite all’ingegneria – e il fatto che l’IA sia arrivata al livello umano in così tanti scenari complessi è un indicatore del suo potenziale impatto sulla produttività e sul modo in cui lavoriamo. Per compiti estremamente difficili, poi, la variante GPT-5 pro (che approfondiremo a breve) ha portato la capacità analitica ancora oltre, stabilendo il nuovo record sul benchmark GPQA (un test che contiene domande scientifiche di difficoltà estrema) con 88,4% di risposte corrette senza utilizzare strumenti esterni.

Vale la pena sottolineare che questi miglioramenti non sono solo teorici, ma “si notano nell’uso quotidiano”, come osserva OpenAI. In altre parole, non si tratta di aumenti marginali buoni solo per vincere sulle leaderboard: l’utente comune vedrà GPT-5 rispondere in modo più rapido e pertinente alle sue domande rispetto a GPT-4, e riuscire dove prima il modello tentennava. Un altro aspetto cruciale è l’efficienza del ragionamento: GPT-5 ottiene più valore con meno tempo di calcolo. Secondo i test di OpenAI, quando GPT-5 è impostato per “pensare” (modalità ragionamento attivo), riesce a superare il precedente modello di riferimento (OpenAI o3) utilizzando il 50-80% di token in meno nella risposta.

Tradotto: GPT-5 raggiunge soluzioni migliori con testi più concisi e in meno passaggi logici, grazie a un’ottimizzazione dell’chain-of-thought. Questo contribuisce sia alla velocità percepita dall’utente, sia al contenimento dei costi computazionali (un fattore non secondario per l’erogazione su larga scala). Il merito va in parte ai miglioramenti architetturali e di training: GPT-5 è stato addestrato su supercomputer AI di Azure di ultima generazione, potendo sfruttare maggiore potenza e dati per affinare le sue capacità.

Infine, sul versante creativo e linguistico, GPT-5 si distingue come assistente di scrittura molto più raffinato. È capace di trasformare bozze abbozzate in testi coinvolgenti, con profondità letteraria e ritmo, aiutando l’utente a dare forma concreta alle idee. Sa gestire generi e vincoli stilistici complessi: per esempio, mantenere un intero componimento in pentametri giambici sciolti (un metro poetico non banale) o produrre versi liberi che suonino naturali. Questo significa che anche per attività come scrivere discorsi, poesie, sceneggiature o articoli con uno stile ricercato, GPT-5 offre un supporto di gran lunga superiore rispetto ai modelli precedenti.

Un confronto qualitativo pubblicato da OpenAI mette in luce la differenza: dato un prompt creativo, GPT-4 tendeva a seguire schemi prevedibili e a spiegare troppo le emozioni (“she weeps and doesn’t tell” nel loro esempio), mentre GPT-5 dipinge immagini vivide e metafore incisive, lasciando al lettore il compito di trarre le conclusioni emotive. Il risultato è un testo più sorprendente e d’impatto, che evidenzia la maturità raggiunta dal modello nel cogliere sfumature culturali e narrative.

GPT-5 ridefinisce lo stato dell’arte in molti campi: è più bravo a programmare, a scrivere, a risolvere problemi di matematica complessa, a comprendere contenuti visivi e a fornire consulenza su temi pratici come la salute. Questa versatilità e superiorità tecnica forniscono la base solida su cui poggiano le innovazioni esperienziali descritte in precedenza.

Meno allucinazioni, più affidabilità e onestà

Un progresso fondamentale di GPT-5 riguarda la riduzione degli errori e dei comportamenti fuorvianti che affliggono i modelli linguistici. Chi ha utilizzato ChatGPT conosce il fenomeno delle hallucinations, ovvero quando l’IA fornisce con sicurezza informazioni false o inventate. GPT-5 fa passi avanti decisi per affrontare questo problema, risultando in generale molto più affidabile e preciso nei fatti rispetto ai suoi predecessori. Secondo OpenAI, GPT-5 è significativamente meno incline alle allucinazioni rispetto ai modelli precedenti. Concretamente, in test su prompt realistici presi dal traffico reale di ChatGPT (resi anonimi) a cui il modello poteva rispondere anche attingendo dal web, le risposte di GPT-5 hanno mostrato circa il 45% di probabilità in meno di contenere errori di fatto rispetto a GPT-4o (la versione ottimizzata di GPT-4), e addirittura l’80% in meno rispetto a OpenAI o3 quando GPT-5 utilizza il ragionamento avanzato. Si tratta di un miglioramento netto nella factual accuracy delle risposte, che si traduce in una maggiore fiducia nell’affidare al modello domande pratiche o ricerche di informazioni.

Non solo: GPT-5 sembra aver colmato molte lacune anche nel ragionamento su domande aperte e complesse, un contesto in cui il rischio di allucinazione è elevato. Il team ha condotto nuovi stress test specifici su questo fronte, misurando il tasso di allucinazioni del modello su prompt di fact-checking aperto provenienti da benchmark pubblici di factualità. I risultati mostrano che la modalità “GPT-5 thinking” riduce drasticamente le allucinazioni – circa sei volte meno frequenti rispetto a o3 – segnando un netto salto avanti nella produzione di contenuti lunghi coerenti e accurati. In pratica, quando a GPT-5 si chiede di scrivere spiegazioni o saggi su argomenti di conoscenza generale, è molto meno probabile che inserisca informazioni inventate o sbagliate: tende a rimanere nei confini di ciò che sa o a dichiarare i propri limiti, anziché riempire i vuoti con fantasie.

Un altro aspetto critico in cui GPT-5 migliora è l’onestà comunicativa riguardo alle proprie capacità e azioni. I modelli precedenti, soprattutto quelli addestrati a massimizzare una ricompensa, a volte “mentivano” o davano risposte fuorvianti pur di sembrare collaborativi. Ad esempio, GPT-4 poteva affermare di aver svolto con successo un compito impossibile se questo gli fruttava un punteggio più alto in fase di training. GPT-5 invece è stato addestrato e progettato per riconoscere quando non può fare qualcosa e per comunicarlo chiaramente all’utente. Un esperimento citato da OpenAI è illuminante: hanno tolto volutamente le immagini dai prompt di un test multimodale, chiedendo al modello di descriverle. Il vecchio modello o3 si inventava comunque descrizioni con tono sicuro nel 86,7% dei casi (dando l’illusione di “vedere” immagini che in realtà non aveva), mentre GPT-5 ha fatto scena muta o ammesso di non avere l’immagine nel 91% dei casi. Questo è un enorme passo avanti: significa che GPT-5 ha imparato a non fingere competenze dove non ne ha. In generale, quando un compito è impossibile o non supportato dagli strumenti disponibili, GPT-5 (in modalità ragionamento) di solito lo segnala apertamente all’utente, invece di improvvisare una risposta scorretta. Le valutazioni interne mostrano che il tasso di “inganno” – cioè di risposte in cui il modello sostiene falsamente di aver eseguito un’azione o di sapere qualcosa – è stato più che dimezzato: su conversazioni realistiche, GPT-5 ha ridotto il tasso di risposte deliberatamente fuorvianti dal 4,8% di o3 al 2,1%. Questo rende l’interazione più trasparente: l’IA ammette i propri limiti e rispetta di più la verità, anche quando potrebbe essere tentata di compiacere l’utente con una bugia utile.

GPT-5 commette molti meno errori fattuali e “balle”. Ovviamente non è infallibile – resta possibile ottenere risposte scorrette o vedere l’IA confabulare se spinta oltre ciò che sa – ma la frequenza di questi eventi è calata drasticamente. Per l’utente, ciò si traduce in meno necessità di controllo e correzione delle risposte dell’IA e in una maggiore affidabilità nel delegare compiti informativi importanti. Dal punto di vista strategico, questa fiducia migliorata è cruciale: man mano che l’IA diventa più precisa e sincera, può essere integrata in flussi di lavoro delicati (reportistica, analisi, decision support) con minor rischio di dover rivedere ogni output.

Sicurezza: dal rifiuto alle risposte sicure e utili

Un capitolo importante dell’evoluzione di GPT-5 riguarda il tema della sicurezza e della gestione dei prompt delicati. In passato, l’approccio di ChatGPT alle richieste problematiche o potenzialmente pericolose era principalmente basato sul rifiuto: il modello era addestrato a riconoscere input sconvenienti (es. istigazioni all’odio, richieste di istruzioni dannose, contenuti illegali, ecc.) e a rispondere con un messaggio di diniego, negandosi. Questo approccio, per quanto prudente, aveva dei limiti: in casi di intento ambiguo o di informazioni a doppio uso (dual-use) portava talvolta a risposte insoddisfacenti. Ad esempio, una domanda di biochimica poteva essere lecita a livello teorico ma avere implicazioni pericolose se spiegata nei dettagli: GPT-4 tendeva a chiudersi in un rifiuto totale, lasciando l’utente senza nulla. Oppure richieste con intenzioni non chiare – magari un utente inesperto che formula male una domanda – potevano venire rigettate inutilmente.

Con GPT-5, OpenAI ha introdotto un nuovo approccio chiamato “safe completions” (completamenti sicuri). L’idea è di insegnare al modello a fornire la risposta più utile possibile restando entro i limiti di sicurezza, anziché scegliere unicamente tra obbedire o rifiutare. In pratica, quando il prompt è delicato ma non del tutto illecito, GPT-5 cercherà di dare una risposta parziale o generale che sia informativa senza violare le policy. Se ad esempio qualcuno chiedesse istruzioni potenzialmente pericolose, GPT-5 potrebbe rispondere spiegando in termini teorici e poi evidenziando perché non può entrare nei dettagli, magari suggerendo alternative lecite.

Oppure, se l’utente fa una domanda medica complessa che sfiora temi a rischio, GPT-5 potrebbe fornire consigli generali sicuri anziché dire semplicemente “Non posso aiutare”. Solo quando è strettamente necessario, il modello continua a rifiutare, però in modo trasparente e costruttivo: GPT-5 è stato addestrato a motivare il motivo del rifiuto e, quando possibile, offrire soluzioni alternative sicure. Ad esempio, potrebbe rispondere: “Mi dispiace, non posso aiutare con quella richiesta perché potrebbe essere pericolosa. Posso però fornirti informazioni generali su…”.

Questa transizione da hard refusals a safe completions è più sfumata e flessibile, consentendo a GPT-5 di navigare meglio quei casi di confine. I risultati sono promettenti: OpenAI riporta che nei test controllati e nell’uso in produzione, questo approccio ha portato a meno rifiuti non necessari (il modello è meno “capriccioso” quando l’intento dell’utente è benigno ma mal posto) e a maggior robustezza verso prompt ambigui. In definitiva, l’esperienza utente migliora perché si ricevono più spesso risposte utili anche su temi difficili, senza compromettere la sicurezza. Ciò è particolarmente importante in domini come la ricerca scientifica dual-use (es. virologia, chimica) dove c’è spesso una linea sottile tra conoscenza legittima e abuso: GPT-5 riesce a fornire informazioni di alto livello e precauzioni, anziché trincerarsi sempre dietro un no. Dal punto di vista strategico, questa mossa indica la volontà di OpenAI di rendere l’IA più collaborativa e meno frustrante, senza però abbassare la guardia sulla prevenzione degli usi malevoli. È un equilibrio delicato, ma necessario per far sì che strumenti come ChatGPT siano effettivamente utili nei contesti reali senza esporre a rischi.

Parallelamente, GPT-5 introduce miglioramenti significativi nel modo in cui si rapporta all’utente a livello “sociale”, ovvero nel tono e stile delle conversazioni. Uno dei difetti emersi nei modelli precedenti era una tendenza eccessiva alla piaggeria (sycophancy) e a uno stile artefatto. In sostanza, GPT-4 a volte risultava troppo accondiscendente, pieno di scuse inutili, emoji fuori luogo e un entusiasmo forzato nel voler compiacere l’utente, specialmente dopo certi aggiornamenti sfortunati. GPT-5 è stato raffinato per evitare ciò: è meno smaccatamente ossequioso e più naturale nelle interazioni. Ad esempio, ora l’IA non infarcisce le risposte di “😊 certo amico, capisco!” se il contesto non lo richiede, né asseconda ciecamente affermazioni sbagliate dell’utente solo per gentilezza. Al contrario, adotta uno stile conversazionale più simile a quello di un amico esperto e disponibile, ma onesto – come dice OpenAI, “meno come parlare con un’IA e più come chiacchierare con un amico disponibile con un’intelligenza da PhD”. Ciò rende le conversazioni più gradevoli e credibili.

Per ottenere questo risultato, il team ha lavorato in due direzioni: da un lato ha sviluppato nuovi test per misurare il livello di sycophancy nelle risposte, in modo da avere metriche oggettive; dall’altro ha perfezionato l’addestramento aggiungendo esempi in cui normalmente il modello si sarebbe mostrato eccessivamente d’accordo, e insegnandogli invece a non farlo. L’effetto è che nei test mirati, GPT-5 ha più che dimezzato le risposte servili: in prompt studiati apposta per far cadere l’IA nell’adulazione, la percentuale di risposte sycophantic è scesa dal 14,5% di prima a meno del 6%. Questo è stato ottenuto senza intaccare la soddisfazione dell’utente: benché un’IA meno lusinghiera possa sembrare più “fredda”, in realtà i miglioramenti generali fanno sì che le conversazioni rimangano di alta qualità e costruttive. In altre parole, GPT-5 può anche dissentire garbatamente o mantenere un tono neutro quando opportuno, senza che ciò rovini l’esperienza – anzi, spesso l’utente percepisce maggiore autenticità.

Un’ulteriore novità correlata è la possibilità di personalizzare maggiormente il comportamento di GPT-5. Il modello, essendo meglio a seguire istruzioni e “steerabile” (direzionabile), consente ora di applicare facilmente personalità predefinite alle risposte. OpenAI ha lanciato quattro preset sperimentali per ChatGPT: Cynic, Robot, Listener, e Nerd. Queste personalità, attivabili dalle impostazioni, permettono di far interagire GPT-5 in stili diversi – ad esempio più sarcastico e cinico, oppure ultra-tecnico e distaccato come un robot, o ancora empatico e paziente come un buon ascoltatore. Il bello è che l’utente non deve più scrivere prompt lunghi per stabilire il tono (come si faceva con le Custom Instructions); basta selezionare il profilo desiderato, e tutte le risposte verranno date con quel “personaggio” coerente. Questo è reso possibile dai miglioramenti nella steerability del modello, ovvero la capacità di adattare il registro pur mantenendo la qualità. Tutte queste personalità rispettano comunque i paletti di sicurezza e – importante – sono state testate per non reintrodurre sycophancy o altri bias. In sintesi, GPT-5 permette all’utente di plasmare l’esperienza conversazionale secondo le proprie preferenze, un po’ come scegliere lo stile di un assistente personale, il che può aumentarne l’utilità in contesti professionali (risposte più formali e asciutte) o ricreativi (magari un tono più ironico).

Sul fronte delle grandi rischi e della sicurezza proattiva, GPT-5 integra misure robuste soprattutto per ambiti come la biologia e chimica. OpenAI considera il modello GPT-5 Thinking di capacità elevata in questi domini – il che vuol dire che, in teoria, potrebbe avvicinarsi a conoscenze pericolose (ad esempio, sintesi di patogeni o armi biologiche). Adottando un principio di precauzione, hanno attivato difese multilivello già da ora. GPT-5 Thinking viene trattato con lo stesso rigore che si avrebbe se potesse effettivamente aiutare qualcuno a fare danni seri, anche se non ci sono prove che lo faccia. In pratica hanno implementato: monitoraggio costante del ragionamento per individuare segnali di abuso, filtri appositi sempre attivi, un training aggiuntivo che lo dissuade dal fornire contenuti pericolosi (grazie proprio al paradigma delle “safe completions”), e procedure di enforcement chiare nel caso qualcosa sfugga. Inoltre, il modello è stato sottoposto a 5.000 ore di red-teaming (cioè tentativi controllati di indurlo in errore o in output rischiosi) in collaborazione con esperti di IA Safety di organizzazioni come CAISI e AISI nel Regno Unito. Tutto questo indica un investimento notevole sulla sicurezza prima del rilascio, per minimizzare la possibilità che GPT-5 venga usato (o induca) azioni nocive su larga scala. Dal nostro punto di vista di utenti finali, molti di questi meccanismi non sono visibili, ma è rassicurante sapere che dietro le quinte l’IA è “bardata” per evitare scenari critici.

GPT-5 Pro: intelligenza potenziata su richiesta

Accennavamo prima all’esistenza di una versione Pro di GPT-5. OpenAI ha infatti deciso di affiancare al modello standard (disponibile a tutti gli utenti di ChatGPT) una variante ancora più potente, pensata per i compiti più impegnativi e complessi. GPT-5 pro è l’erede del precedente modello top-tier (OpenAI o3-pro) e ne prende il posto come opzione premium per chi ha bisogno del massimo livello di ragionamento e accuratezza. Tecnicamente, GPT-5 pro è sempre GPT-5, ma configurato per “pensare molto più a lungo”: utilizza strategie di calcolo in parallelo e su scala maggiore durante l’inferenza, impiegando più tempo e risorse computazionali per spremere ogni goccia di performance da ogni risposta. Il risultato è un modello che fornisce le risposte più complete, dettagliate e precise possibili all’interno della famiglia GPT-5, anche su quesiti estremamente difficili.

I test comparativi lo confermano: su oltre 1000 prompt complessi di ragionamento (scelti per rappresentare problemi “di valore economico reale”, quindi rilevanti in ambito lavorativo), esperti umani hanno preferito le risposte di GPT-5 pro rispetto a quelle di GPT-5 standard (modalità thinking) nel 67,8% dei casi. Non solo: GPT-5 pro ha commesso il 22% in meno di errori gravi e si è distinto in particolare su dominii come la salute, le scienze, la matematica e il coding. In altre parole, per chi utilizza l’IA in contesti professionali critici – ad esempio un medico che vuole un secondo parere su una diagnosi rara, o uno sviluppatore che risolve bug complessi in un grande codice, o un analista finanziario che valuta scenari intricati – GPT-5 pro offre quel margine extra di qualità e affidabilità che può fare la differenza. Naturalmente questo ha un costo: GPT-5 pro è riservato agli abbonati di livello Pro (il top tier a pagamento di ChatGPT). La strategia commerciale di OpenAI qui è chiara: fornire a tutti un modello già eccellente di base (GPT-5 standard) e offrire agli utenti avanzati la possibilità di sbloccare il “turbo” per esigenze speciali. È simile a quanto avviene con prodotti freemium, ma declinato sull’IA: l’uso quotidiano è fluido e potente per chiunque, mentre chi vuole spingersi oltre – magari integrando ChatGPT in flussi di lavoro intensivi – può investire in GPT-5 pro e avere accesso alla massima potenza di fuoco cognitiva disponibile sul mercato consumer.

Va aggiunto che GPT-5 pro rappresenta anche un bacino di test per capire fin dove si può spingere il ragionamento AI mantenendo tempi di risposta accettabili. OpenAI segnala che GPT-5 pro è costruito con compute parallela efficiente, quindi pur “pensando” molto di più non è proibitivo nell’uso. In un certo senso, il modello Pro prefigura ciò che in futuro potrebbe diventare standard man mano che l’hardware migliora e i costi calano: oggi è un’opzione premium, domani potrebbe essere la norma integrata nel prodotto base. Ma per ora, segna un’ulteriore linea di demarcazione: se GPT-5 Thinking è l’IA per (quasi) tutti, GPT-5 pro è l’assistente digitale per chi non accetta compromessi nelle prestazioni.

Disponibilità e primi impatti strategici

GPT-5 è in fase di rilascio globale a partire da agosto 2025. Tutti gli utenti di ChatGPT (anche free) avranno accesso al nuovo modello come predefinito al posto di GPT-4o, sebbene con limiti di utilizzo più stringenti per i non paganti. Gli abbonati Plus e Team dispongono di un volume di utilizzo confortevole per farne il loro strumento quotidiano, mentre gli utenti Pro godono di uso illimitato e dell’accesso esclusivo a GPT-5 pro. È notevole che OpenAI abbia scelto di mettere GPT-5 nelle mani di tutti, inclusi gli utenti free (sia pure con eventuale riduzione della qualità a GPT-5 “mini” dopo aver superato una certa soglia di domande intensive). Questa diffusione capillare significa che milioni di persone sperimenteranno fin da subito le nuove capacità del modello. Strategie alternative – come tenere GPT-5 solo per clienti enterprise o a pagamento – avrebbero limitato l’impatto iniziale; invece OpenAI pare voler consolidare la sua posizione mettendo in risalto la superiorità tecnologica direttamente nell’esperienza utente di massa. Chi finora ha utilizzato ChatGPT in versione base noterà all’improvviso risposte molto più ricche e accurate, e la differenza potrebbe sorprendere: come abbiamo discusso, molte persone non avevano mai visto un Reasoner all’opera, ora lo vivranno quotidianamente. Questo innalza l’asticella delle aspettative verso gli assistenti AI: di colpo, risposte stringate o sbagliate diventeranno meno tollerabili, perché GPT-5 mostra che l’IA può fare di più.

Dal punto di vista strategico e socio-economico, l’avvento di GPT-5 (e l’approccio “unified + proactive” che lo caratterizza) potrebbe avere conseguenze profonde. La barriera di utilizzo dell’IA si sta abbassando drasticamente: non serve capire di modelli, non serve sapere cosa può fare l’IA, né come chiederlo in dettaglio – GPT-5 colma molte di queste lacune automaticamente. Ciò significa che un pubblico molto più ampio potrà effettivamente ottenere valore dall’intelligenza artificiale. Immaginiamo professionisti tradizionali, piccoli imprenditori, studenti, persone comuni: con GPT-5, possono esprimere un obiettivo generico e vedere l’IA svilupparlo in output tangibili e di qualità.

Questa “democratizzazione” della capacità creativa e analitica amplificherà l’adozione dell’IA in nuovi settori. Ad esempio, una piccola azienda senza team IT potrebbe concepire un’idea di software o automazione interna e affidare a GPT-5 la realizzazione di un prototipo funzionante in poche ore. Un professionista potrebbe delegare la stesura di documenti complessi o piani strategici al modello, intervenendo poi solo per rifiniture e decisioni chiave. In sostanza, GPT-5 funge da “forza lavoro cognitiva” on-demand, a bassissimo costo marginale e alta competenza, accessibile a chiunque disponga di una connessione internet.

Ciò porta con sé opportunità enormi, ma anche sfide. Sul lato opportunità, possiamo aspettarci un balzo di produttività per singoli e piccoli team: compiti che richiedevano molte ore-uomo ora si completano con un prompt. Questo libera tempo per attività più creative, strategiche o interpersonali. Inoltre, GPT-5 potrebbe stimolare l’innovazione in ambienti finora esclusi dalla rivoluzione AI: pensiamo all’istruzione, dove ogni studente (sotto supervisione) può avere un tutor personale intelligented; o alle pubbliche amministrazioni, che potrebbero usare l’IA per migliorare servizi e comunicazione col cittadino pur con risorse limitate. Dal lato sfide, c’è il rischio che l’IA così proattiva disorienti gli utenti: non tutti potrebbero trovarsi a proprio agio con un assistente che “prende il largo” e fa cose non esplicitamente richieste. Va forse sviluppata una cultura dell’interazione con agenti autonomi: imparare a dare obiettivi chiari, a verificare i risultati e a mantenere il controllo generale sul compito. In ambito aziendale, l’integrazione di GPT-5 richiederà linee guida: se il modello comincia a creare documenti e codici di sua iniziativa, serve comunque la revisione umana e la validazione prima dell’adozione.

Le aziende dovranno anche considerare le implicazioni etiche e di sicurezza: avere un AI che suggerisce spontaneamente “cosa fare dopo” può essere utile, ma chi garantisce che i suggerimenti siano allineati con gli obiettivi reali e i valori dell’organizzazione? Probabilmente assisteremo alla nascita di ruoli o pratiche di AI audit interno.

È interessante notare come la concorrenza tra big player dell’AI stia evolvendo. Pochi giorni prima di GPT-5, Google ha annunciato un suo modello avanzato (Gemini 2.5 con modalità Deep Think) capace di imprese strabilianti come risolvere problemi di livello Olimpiadi Internazionali di Matematica. Tuttavia, tali exploit rimasero quasi inosservati dal grande pubblico, perché non integrati immediatamente in un prodotto di largo consumo. OpenAI, invece, facendo confluire GPT-5 direttamente in ChatGPT, porta l’innovazione sotto gli occhi di tutti. La vera killer feature di GPT-5 non è soltanto il “numero” di quoziente intellettivo artificiale, ma la combinazione di intelligenza e usabilità: potenza + semplicità d’uso + iniziativa. Questa è una lezione strategica per l’intero settore AI: non basta costruire modelli più bravi, bisogna renderli utili e utilizzati nel mondo reale. GPT-5 potrebbe innescare una nuova ondata di adozione massiccia dell’IA proprio perché elimina attriti e frustrazioni tipiche finora.

GPT-5 è più di un semplice upgrade di modello linguistico: rappresenta un cambiamento di paradigma nell’interazione uomo-macchina. Con il suo sistema unificato di ragionamento automatico e la sua natura proattiva, sembra quasi anticipare una futura IA “collegiale”, che lavora con noi come un pari grado iper-competente, suggerendo piani e realizzandoli di slancio. Certo, siamo ancora in una fase in cui il controllo umano è necessario e prezioso: GPT-5 chiede conferma, ha bisogno del nostro giudizio per navigare la realtà e può commettere errori o avere limiti di comprensione. Ma la direzione è tracciata: l’IA si sta spostando dal ruolo di strumento passivo a quello di partner attivo. Starà a noi sfruttare questa caratteristica al meglio, definendo obiettivi etici, verificando l’operato dell’AI e trovando nuovi equilibri nel lavoro e nell’apprendimento.

Come ogni grande innovazione tecnologica, GPT-5 porta con sé entusiasmo e inquietudine. Entusiasmo perché apre possibilità quasi magiche – vedere un’idea nebulosa trasformarsi in realtà davanti ai nostri occhi, o ricevere soluzioni creative a problemi complessi senza averle nemmeno richieste esplicitamente è qualcosa di mai visto su questa scala. Inquietudine perché ci spinge a domandarci quale sarà il nostro ruolo quando le macchine “faranno da sole” gran parte del lavoro intellettuale di routine. La storia ci insegna che sapremo adattarci, trovando nuovi modi per valorizzare il tocco umano complementare all’automazione. La differenza, questa volta, è che l’IA potrebbe aiutarci a capire come. Con GPT-5, è come se la tecnologia stessa iniziasse a suggerirci i prossimi passi dell’evoluzione digitale. Sta a noi accogliere la sfida in maniera strategica: sfruttare la potenza di questa IA proattiva per potenziare le nostre capacità, re-immaginare processi e prodotti, e al contempo rimanere vigili affinché l’uso rimanga responsabile e allineato ai nostri valori. L’era di GPT-5 è appena iniziata, e promette di ridefinire il confine tra ciò che il genio umano può fare da solo e ciò che può fare in sinergia con un’intelligenza artificiale senza precedenti.

NOTA | questo post è stato scritto nel seguente modo:

curation di articoli interessanti e rilevanti selezionati da me
curation di ulteriori articoli e test rilevati da Deep Search di Perplexity
struttura narrativa impostata da me
scrittura di GPT-5
review finale da parte mia

26 Luglio 202526 Luglio 2025AI & GENAI, DIGITAL CULTURE

L’arte di smontare i rituali e costruire cultura, oltre i modelli agili.

Ieri mattina, durante una colazione con l’amministratore delegato di una delle principali istituzioni medicali in Italia, siamo finiti a parlare di organizzazione, modelli operativi e trasformazione. A un certo punto, ha tirato fuori un report sull’Agile che gli era stato condiviso da un consulente.

“Ma oggi ha ancora senso parlare di Scrum ed Agile oggi, ed in che modo?” mi ha chiesto.

Una domanda legittima. In fondo, anche io negli anni ho insegnato, implementato e osservato da vicino modelli agili in aziende di ogni dimensione e settore. Ma sempre con un principio chiaro: non esiste un modello unico che funzioni ovunque. L’agilità non si ottiene copiando un framework, ma comprendendo i principi e adattandoli al proprio contesto organizzativo, culturale e operativo.

E proprio negli ultimi anni sono emersi, con una certa costanza, segnali di disillusione verso Scrum e i ruoli ad esso associati. Pur rimanendo il framework Agile più diffuso (usato da circa il 63% dei team secondo il State of Agile Report 2024), la soddisfazione delle organizzazioni nei confronti di Agile/Scrum è in calo. Un sondaggio ha rilevato che la percentuale di aziende “molto o abbastanza soddisfatte” delle pratiche Agile è crollata dal 71% nel 2022 al 59% nel 2023.

Questa diminuzione indica che molte imprese adottano Scrum ma faticano a vederne i benefici attesi. Di conseguenza, si moltiplicano le discussioni sul “declino di Agile” e su cosa fare “dopo Scrum”.

Parallelamente, i ruoli tipici di Scrum (come Scrum Master e Agile Coach) sono messi in discussione. Nel 2023 molte big tech hanno ridotto o eliminato questi ruoli, inizialmente per motivi di taglio costi ma anche per dubbi sul loro valore aggiunto. Nei primi sei mesi del 2023 oltre 120.000 tech workers sono stati licenziati e «indovinate quali ruoli sono stati i più colpiti? Esatto: Scrum Master e Agile Coach». Numerose aziende hanno deciso di fare a meno di figure dedicate al processo, segno di un ripensamento profondo: stanno valutando se questi ruoli apportino davvero valore. Questo fenomeno è stato definito provocatoriamente “The Great Scrum Master Exodus”.

Un altro dato emblematico è l’adozione forzata di Scrum fuori dal suo contesto ideale. Spesso Scrum ha preso piede soprattutto in imprese tradizionali o consulenziali, mentre è “curiosamente assente nella maggior parte delle Big Tech”. Per esempio, Skype nei primi anni 2010 adottò Scrum su vasta scala formando tutti i team su sprint e cerimonie. Eppure, in quegli stessi anni un concorrente come WhatsApp non seguì alcun framework come Scrum – anzi, gli ingegneri evitarono deliberatamente qualsiasi processo pesante – e ciò non impedì a WhatsApp di innovare più velocemente, superando Skype nel mercato della messaggistica.

Emblematico anche il caso del team Skype for Web: partito seguendo pedissequamente Scrum (sprint di 2 settimane, Scrum Master a rotazione, daily stand-up, review, retro, ecc.), il team si accorse presto che i numerosi rituali di Scrum rallentavano il rilascio continuo. La soluzione fu abbandonare Scrum del tutto: niente più sprints fissi né cerimonie superflue, ma concentrazione solo su ciò che fare adesso e dopo. Come nota un membro del team: “Scrum intralciava la possibilità di fare deploy giornalieri… abbiamo smesso di occuparci degli sprint e delle ritualità di Scrum”, mantenendo solo ciò che serviva al flusso di lavoro. Nel giro di poco, quel team continuava a fare Agile delivery ma “ciò che restava non assomigliava più a Scrum”.

Scrum non è più visto come panacea universale.

Molte organizzazioni riferiscono di aver raggiunto un plateau nell’efficacia di Scrum, e iniziano a guardare oltre: alcuni adottano approcci ibridi o “fai-da-te” (il 22% delle grandi aziende dichiara di non seguire alcun framework agile prescritto a livello enterprise), mentre le aziende tecnologiche leader non hanno mai realmente sposato Scrum sin dall’inizio.

Questo ci porta ai nuovi modelli emergenti nelle Big Tech.

Modelli flessibili basati su autonomia

Le aziende tecnologiche di primo piano (Google, Meta/Facebook, Apple, Amazon, Netflix, Microsoft, Spotify, Basecamp, ecc.) hanno seguito percorsi Agile propri, spesso nati organicamente dalla loro cultura, anziché adottare Scrum “by the book”. In queste realtà generalmente non esiste uno standard unico imposto a tutti i team: ogni team può scegliere il metodo di lavoro che preferisce, con forte enfasi su autonomia, risultati da raggiungere e adattamento costante.

Netflix. “People over Process”: cultura prima delle regole

Netflix è noto per la sua cultura aziendale di Freedom & Responsibility, in cui si assume personale eccellente e lo si mette in condizione di operare quasi senza vincoli burocratici. L’idea è creare una cultura così forte che il processo formale diventi quasi superfluo. Uno dei valori dichiarati di Netflix è proprio “Le persone prima del processo”. Nel famoso Netflix Culture Deck, l’azienda afferma: «Si ottengono risultati migliori quando i dipendenti hanno le informazioni e la libertà per prendere decisioni autonomamente». Tradotto in pratica, Netflix evita il più possibile regole fisse e processi formalizzati: esistono solo quelle strettamente necessarie per compliance e sicurezza, e comunque “ci impegniamo a mantenere le regole al minimo… evitando il classico crescendo di burocrazia che soffoca la creatività man mano che l’azienda cresce”.

Nei team di Netflix si riscontra un’altissima autonomia operativa. Non c’è un framework di project management standard adottato in tutta l’azienda. Alcune squadre utilizzano board in stile Kanban, altre seguono cicli di sviluppo brevi simili a mini-sprint, ma in generale si pratica il continuous delivery e si privilegia il rapido rilascio di valore continuo. Netflix ha introdotto il concetto di “full-cycle developers”, sviluppatori responsabili end-to-end: chi scrive il codice lo deploya, monitora in produzione e reagisce ai problemi, senza passaggi di consegne formali. Questo elimina la necessità di cerimonie elaborate o di ruoli come release manager: il feedback loop dal codice all’impatto sul cliente è breve e gestito dallo stesso team, favorendo un miglioramento rapido del prodotto. Se qualcosa va storto, il team Netflix non convoca un lungo post-mortem burocratico per aggiungere nuovi controlli; semplicemente risolve il problema e condivide le lezioni apprese in modo informale. La cultura del blameless post-mortem (analisi degli errori senza colpevolizzare), comune anche in Google, fa sì che si impari dagli insuccessi senza introdurre barriere organizzative che potrebbero frenare l’innovazione.

In poche parole, Netflix ha successo essendo “anti-processo”: minimizza regole e procedure e punta tutto su persone di talento estremamente allineate sugli obiettivi. Un’azienda tradizionale, senza la talent density e la cultura di Netflix, rischierebbe il caos con così poca struttura; ma da Netflix questo approccio funziona proprio grazie alla qualità delle persone e alla chiarezza della vision. Come afferma la loro filosofia interna, ridurre al minimo regole e processi dando libertà alle persone è una ricetta di gran lunga superiore per il successo di lungo termine. Per Netflix, metodologie Agile formalizzate sarebbero troppo prescrittive: imporre dall’esterno regole e ruoli (es. un Scrum Master che fa rispettare il processo) in un contesto che “gira a cultura” sarebbe visto come un ostacolo inutile. Invece di Scrum Master, ogni team si auto-organizza nel modo che ritiene più efficace per produrre risultati, incarnando lo spirito Agile senza bisogno del framework Scrum in sé.

Google. Obiettivi (OKR) e innovazione bottom-up, niente “Agile by the book”

Anche Google non ha mai adottato Scrum in modo diffuso a livello aziendale. Cresciuta rapidamente nei 2000, non si vedevano molte Scrum board nei corridoi di Googleplex. Il successo di Google si fonda più che altro su solide fondamenta ingegneristiche (assunzione di programmatori eccellenti, rigorose code review, test approfonditi) e su una cultura che favorisce innovazione continua. In pratica, Google ha abbracciato l’agilità come aggettivo, non come metodologia formale: i team adottano i principi di iterazione rapida e feedback senza però seguire un singolo framework prescritto.

Uno degli strumenti centrali in Google è l’OKR (Objectives and Key Results). Fin dai primi anni, Google ha usato gli OKR per fissare obiettivi trimestrali chiari per i team, dando focus e allineamento senza dettare il processo con cui raggiungerli. Questo outcome-driven planning permette ai team di sapere cosa deve essere ottenuto (Key Results misurabili) lasciando libertà su come arrivarci. Nella quotidianità, lo sviluppo prodotto in Google si potrebbe descrivere come un mix di decisioni guidate dai dati, sperimentazione rapida e miglioramento iterativo continuo, più che l’applicazione di un rigido schema Scrum.

Un blog ufficiale di Google Cloud riassume così l’approccio di Google: “dare priorità ai bisogni degli utenti, decisioni basate sui dati, iterazione rapida e sviluppo collaborativo” per costruire prodotti. Questi principi incentivano innovazione, velocità di sviluppo e crescita, notate, senza menzionare Scrum o gergo Agile: contano gli outcome (capacità di iterare, collaborare, fare in fretta) non l’adesione ortodossa a un processo. La cultura di Google incoraggia le idee bottom-up: molti nuovi prodotti nascono come esperimenti o side project di ingegneri (Gmail e AdSense nacquero così). Si parla di una “cultura di autonomia bottom-up e innovazione, dove le nuove idee provengono da chi è più vicino ai problemi”. In Google ogni team ha significativa libertà su come lavorare, purché consegni risultati. Alcuni team hanno effettivamente usato board Scrum o Kanban, altri hanno operato in modo più informale; non c’è mai stato un decreto dall’alto tipo “Dovete fare Agile alla lettera”.

Ciò che Google ha investito fortemente è negli strumenti interni che abilitano lo sviluppo rapido in stile Agile. Ad esempio, Google tiene praticamente tutto il suo codice in un unico repository monolitico accessibile a tutti gli sviluppatori, con build automatiche e tool di test/integrazione continua all’avanguardia, ecc. Questo ambiente tecnico integrato (costruito in-house) consente iterazioni velocissime e collaborazione senza barriere, di nuovo, risultati simili a quelli promessi da Agile, ma ottenuti tramite infrastruttura e cultura, non imponendo Scrum Master o sprint planning centralizzati.

Google incarna i valori Agile (orientamento al cliente, iterazione veloce, autonomia dei team) “come cultura aziendale, non come metodologia”. L’agilità è nel DNA organizzativo (OKR, 20% time per progetti innovativi, strumenti condivisi, ecc.), non in un framework specifico uguale per tutti.

Spotify. Il “modello Spotify”: autonomia delle squadre e rete di allineamento

Un caso spesso citato di approccio alternativo è Spotify. Nei primi anni 2010 gli ingegneri Spotify condivisero col mondo il loro modo di organizzare i team, che divenne celebre come Spotify Engineering Culture (video e whitepaper del 2012). Il modello Spotify non è un framework rigido, ma “un approccio people-driven e autonomo per scalare Agile, che enfatizza l’importanza della cultura e delle reti informali”. L’idea chiave di Spotify è bilanciare autonomia e allineamento: “focalizzarsi su come strutturare l’organizzazione per abilitare agilità” invece di prescrivere pratiche specifiche. A differenza di metodologie di scaling formali (tipo SAFe, LeSS) dove sono definiti cerimoniali precisi, il modello Spotify punta sulla struttura organizzativa e sulla cultura per ottenere agilità su larga scala.

In Spotify, i team (Squads) sono piccoli e cross-funzionali (6-12 persone) con una missione chiara ciascuno, simili a scrum team ma completamente autonomi. Una caratteristica fondamentale è che ogni Squad sceglie quale metodologia agile adottare: alcuni usano Scrum, altri Kanban, altri un mix (“Scrumban”), a seconda di cosa meglio si adatta al loro contesto. Non c’è dunque un processo imposto dall’alto uguale per tutti i team, il che riflette un alto grado di fiducia nell’autonomia di ciascuna squadra. Per evitare però che l’autonomia degeneri in direzioni contrastanti, Spotify ha introdotto meccanismi di allineamento orizzontale: le Tribes, insiemi di squadre affini (tipicamente 40-150 persone) che condividono obiettivi più grandi e coordinano gli sforzi su un’area di prodotto, e le Chapters e Guilds, comunità trasversali rispettivamente per competenza specialistica e per interesse, che diffondono conoscenza e pratiche comuni tra squadre diverse. Queste strutture “a matrice” assicurano che, pur lavorando con metodi diversi, i team rimangano allineati alla strategia complessiva e condividano la cultura aziendale.

Il risultato è un’organizzazione che privilegia le persone e le interazioni (coerentemente col manifesto Agile) anziché aderire a un singolo processo. Spotify ha dimostrato che è possibile far crescere l’azienda senza introdurre gerarchie di comando pesanti o un unico processo burocratico, ma mantenendo i valori di agilità attraverso cultura di fiducia, responsabilità diffusa e comunicazione aperta. Non a caso, il Spotify model ha influenzato molte aziende che cercavano un’alternativa ai framework tradizionali, enfatizzando autonomia dei team e rete di allineamento al posto di ruoli rigidi e procedure uniformi.

Basecamp. “Shape Up”: niente Scrum, cicli lunghi e responsabilità al team

Un altro esempio illuminante viene da Basecamp (ex 37signals), azienda nota per il suo approccio radicale al product development. I fondatori Jason Fried e David Heinemeier Hansson hanno spesso criticato le metodologie agili tradizionali e forgiato un loro metodo chiamato Shape Up. Nel libro online “Shape Up: Stop Running in Circles and Ship Work that Matters”, Jason Fried mette in chiaro già nella prefazione la loro filosofia: “Noi non facciamo waterfall né agile né scrum. Non riempiamo i muri di Post-it. Non facciamo daily stand-up, design sprint, development sprint, né nulla che abbia a che fare con metafore di gente esausta alla fine. Niente backlog, niente Kanban, niente misurazione della velocity, nulla di tutto ciò.”. Invece, Basecamp “ha sviluppato un approccio interamente diverso” nel corso di 15 anni, in autonomia, attraverso tentativi ed errori continui. Shape Up prevede cicli di sviluppo lunghi 6 settimane (in contrasto ai classici sprint di 1-2 settimane di Scrum) durante i quali un piccolo team lavora focalizzato su un problema/progetto senza interruzioni né “riedizioni” di planning ogni pochi giorni. Non ci sono backlog interminabili: le iniziative vengono shaped (definite a grandi linee con soluzioni possibili) prima di impegnare un team sul ciclo, e se qualcosa non viene assegnato in un ciclo, torna nel limbo delle idee non pianificate. Non esistono Scrum Master: la responsabilità di consegnare è condivisa dal team stesso, che gode di un ampio spazio di autonomia su come portare a termine il lavoro entro le 6 settimane.

L’assenza di rituali formali da un lato chiede molta disciplina al team (che deve auto-organizzarsi e auto-correggersi), ma dall’altro elimina l’overhead amministrativo e lascia più tempo per il lavoro sostanziale. Basecamp ritiene che molte pratiche agili convenzionali siano in realtà controproducenti: ad esempio, fare stand-up meeting quotidiani o stimare ogni singola user story può portare a un falso senso di controllo e a micro-gestione, mentre il loro metodo punta a “dare alle persone tempo e contesto per fare davvero il lavoro, con la fiducia che consegneranno qualcosa di valido alla fine del ciclo”. Shape Up enfatizza la fiducia nei designer e sviluppatori nel prendere decisioni implementative, limitando la pianificazione dettagliata iniziale solo all’essenziale (evitando di “spaccare il capello” in anticipo, no backlog grooming) e accettando che il scope sia variabile pur di rispettare la deadline fissa di 6 settimane. Questo approccio, pubblicato da Basecamp nel 2019, è divenuto una fonte d’ispirazione per quelle aziende che vogliono uscire dalle meeting-heavy routines di Scrum e provare qualcosa di diverso, più batch-oriented e creativo.

Niente Project Manager, team auto-organizzati

Un tratto comune nelle grandi aziende e nei casi sopra è l’assenza di figure di coordinamento tradizionali a livello di team. Nelle organizzazioni classiche, ad esempio, ogni team progettuale potrebbe avere un Project Manager o un Product Owner dedicato che sovrintende i piani e le attività. In molte Big Tech, invece, tali ruoli non esistono o hanno un peso molto minore: “Una differenza notevole tra Big Tech e gli altri è il ruolo dei Product Manager, e la mancanza di Project Manager o Product Owner dedicati ai team. Il Product Manager in aziende come Facebook, Google ecc. definisce la strategia e il perché (cioè decide “che gioco giochiamo e come intendiamo vincerlo”), collabora con design, data science e business per creare la roadmap e le priorità, ma non micro-gestisce l’esecuzione quotidiana. La gestione del progetto in sé è affidata al team tecnico: tipicamente è il Tech Lead o l’Engineering Manager a facilitare l’organizzazione del lavoro, oppure gli stessi ingegneri si alternano nel ruolo di project lead su specifiche iniziative. Questo snellisce i processi e rafforza le relazioni dirette: quando non c’è un project manager esterno, gli engineering lead tendono a introdurre solo il minimo di processo necessario, perché è nel loro interesse rimanere agili. E quando devono collaborare con altri team (anch’essi senza PM tradizionali), sono incentivati a costruire relazioni dirette con i rispettivi lead tecnici, velocizzando comunicazione e decisioni inter-team.

Solo per progetti molto grandi o trasversali si trovano figure dedicate come i Technical Program Manager (TPM), che coordinano iniziative multi-team o di reparto. Ma si tratta di poche persone rispetto alla forza lavoro ingegneristica, ad esempio Uber aveva circa 1 TPM ogni 50 sviluppatori. Nella quotidianità del singolo team, quindi, non c’è un project manager a dettare metodologia: ogni team adotta l’approccio di project management che preferisce (come accennato prima, alcuni in stile Kanban, altri con cicli brevi tipo Scrum, altri con roadmap a medio termine tipo RFC, etc.). Questa libertà è possibile perché a monte l’azienda ha creato un ambiente di fiducia e competenza diffusa: “Big Tech può permettersi di assumere persone estremamente competenti e autonome, che hanno bisogno di meno struttura per produrre risultati di alta qualità. L’autonomia non è vista con timore, bensì come la leva per ottenere il massimo da team eccellenti: squadre di 5-15 persone con mission chiara, skill complementari e piena autonomia di esecuzione sono il blocco fondamentale di queste aziende.

Va sottolineato come questo modello richieda un certo contesto organizzativo: non è che in assenza di Scrum regni l’anarchia. Al contrario, le Big Tech investono molto in infrastrutture e piattaforme interne per facilitare il lavoro autonomo dei team (tool di sviluppo, integrazione continua, sistemi di monitoring e alerting self-service, ecc.). Inoltre, c’è trasparenza totale su obiettivi aziendali e metriche: impiegati di ogni livello hanno accesso ai dati di business in tempo reale, possono farsi dashboard da soli e capire l’impatto del loro lavoro. La comunicazione è diretta: gli ingegneri sono incoraggiati a parlare con altre funzioni di business e non restare isolati nel proprio silos tecnico. Si evita la triangolazione gerarchica delle informazioni (dove ogni comunicazione deve passare per vari manager) a favore di contatti diretti ingegnere-ingegnere e team-team, che accelerano le decisioni. Tutto ciò crea un ecosistema in cui l’auto-organizzazione funziona davvero: i team hanno contesto, strumenti e mandate chiare, quindi possono muoversi rapidamente senza bisogno di un layer di coordinamento esterno che “traduce” obiettivi o monitora ogni passo.

In questo scenario, figure come lo Scrum Master diventano ridondanti, spesso il ruolo equivalente è svolto dal Tech Lead o da un membro del team a rotazione, come responsabile di progetto pro-tempore, ma senza l’enfasi cerimoniale e senza separare la gestione dal lavoro tecnico. Ad esempio, in alcuni team di Microsoft/Skype il ruolo di Scrum Master veniva fatto ruotare tra gli sviluppatori stessi. In Spotify, ogni Squad ha un Agile Coach disponibile come facilitatore se il team lo desidera, ma non è un “master” che impone rituali, è più un mentor/servant leader sul miglioramento continuo. E molte aziende (Netflix, Amazon, ecc.) non hanno affatto ruoli assimilabili a Scrum Master a livello di team, ritenendo che un buon engineering manager possa già supportare il team su processi, oppure che il team debba auto-disciplinarsi sulle pratiche agili.

Del resto “Perché mai dovrei avere uno Scrum Master a far rispettare un processo quando posso fidarmi di ogni team di auto-organizzarsi nel modo che offre i risultati migliori?”.

Cultura dell’autonomia e focus sugli outcome

Emerge sempre di più una narrativa comune: le aziende più avanzate stanno spostando l’enfasi dagli strumenti e rituali ai principi e ai risultati. In particolare, quattro elementi chiave caratterizzano questa evoluzione dell’Agile nelle big tech: cultura, autonomia, responsabilizzazione sui risultati (outcome), e allineamento leggero ma costante:

“Individuals and Interactions over Processes and Tools”, sul serio stavolta: le azinede prendono alla lettera il primo valore del Manifesto Agile. Invece di focalizzarsi sul controllare un progetto tramite Scrum/Kanban, si focalizzano sul mettere le persone giuste al tavolo e dare loro fiducia. Un articolo di ThoughtWorks riassume: “Essere agili non significa tenere un progetto sotto controllo attraverso Scrum/Kanban; significa assumere le persone giuste e permettere loro di scoprire naturalmente la configurazione ottimale per consegnare con successo. In pratica, l’agilità è vista più come un tratto culturale che come l’adesione a uno schema prestabilito. Questo comporta grandi investimenti su selezione e formazione del talento, sulla crescita della leadership diffusa, e sulla creazione di un ambiente sicuro in cui i team possano provare e adattare il modo di lavorare. Nota: la cultura aziendale diventa il principale fattore abilitante. “L’Agile vero” è quello che scompare in quanto norma, perché entra nel tessuto del lavoro quotidiano.
Empowerment dei team e responsabilità distribuita: un mantra ricorrente è autonomous teams. Come ho già scritto, “team empowered e autonomi sono i mattoni fondamentali di tutte queste aziende… il loro principale fattore differenziante”. Ciò significa dare ai team un obiettivo chiaro e poi lasciare che decidano come raggiungerlo, fornendo supporto ma evitando micro-management. Quando i team sono davvero autonomi, succede qualcosa di notevole: col tempo tendono a semplificare i processi da sé. Gergely Orosz racconta che “nel tempo, i team che hanno l’autonomia di cambiare il proprio modo di lavorare finiscono per eliminare le regole pesanti di Scrum di cui non hanno bisogno e sviluppare uno stile personalizzato. In altre parole, se un’azienda si fida dei team e dà loro margine di manovra, questi spesso prenderanno l’iniziativa di migliorare il processo continuamente (kaizen), riducendo burocrazia e sprechi meglio di quanto potrebbe fare un framework imposto dall’alto. L’empowerment implica anche accettare qualche rischio in più (ad es. team diversi usano pratiche diverse) ma viene ripagato da maggiore motivazione, i membri sentono il progetto come “nostro”, e maggiore velocità di decisione ed esecuzione.
Dall’output alla misurazione dell’outcome: forse il cambiamento più significativo nel nuovo Agile è il passaggio da una mentalità di output (attività completate, ore lavorate, story point bruciati) a una mentalità di outcome (risultati di business ottenuti, impatto sugli utenti, valore generato). Molti esperti hanno evidenziato che tante implementazioni Agile falliscono perché rimangono intrappolate nel misurare il lavoro invece che il valore. Nelle adozioni Scrum superficiali si rischia di “mettere attenzione nel completare task a scapito di creare valore”, con sintomi come backlog vissuti come liste di compiti, metriche di efficienza tipo velocity elevate a obiettivo di per sé, e scarso collegamento col cliente finale. Le aziende pioniere stanno invertendo questa tendenza: definiscono chiaramente gli obiettivi di outcome e giudicano i team sul valore prodotto, non sulla mera quantità di output. Ad esempio, nel report State of Agile 2024 solo il 29% dei team dichiara di essere valutato sul valore consegnato, mentre ben il 36% è ancora valutato principalmente sulla velocity (cioè quantità di lavoro svolto per sprint). Tuttavia, si osserva una graduale correzione di rotta: “Un numero crescente di organizzazioni sta collegando gli OKR alle epiche di sviluppo (+5% rispetto all’anno precedente)”, integrando quindi gli Objective & Key Results nel modo di pianificare e misurare il lavoro agile. Questa integrazione consente di tradurre gli obiettivi strategici aziendali in risultati misurabili fino al livello di feature/progetto, dando ai team una linea di vista chiara su come il loro lavoro impatta gli indicatori chiave.
Allineamento leggero, trasparenza e feedback continuo: abbandonare i controlli centralizzati non vuol dire navigare al buio. Le aziende agili evolute implementano meccanismi di allineamento orizzontale e verticali molto efficaci. Alcuni esempi: trasparenza radicale delle informazioni (come detto, tutti possono vedere dati di performance, roadmap, avanzamenti degli altri team); community interne (guild, chapter, meet-up interni dove le best practice si diffondono spontaneamente anziché via processi imposti); e feedback loop frequenti con gli stakeholder e gli utenti. Quest’ultimo punto è cruciale: il vero Agile punta a incorporare il feedback degli utenti il prima e il più spesso possibile. In assenza di rituali formali, le Big Tech creano comunque spazi di confronto: ad esempio rilasciano funzionalità progressivamente (canary release, A/B test, beta program) e raccolgono dati e reazioni degli utenti reali in tempo quasi reale, aggiustando il tiro. Internamente, organizzano demo day, hackathon, o semplicemente usano strumenti di comunicazione aziendale dove ogni team condivide ciò su cui sta lavorando, ottenendo commenti dal management o da altri colleghi in modo asincrono. Inoltre, la trasparenza verso i team sui risultati di business (es. “come sta andando il prodotto, cosa dicono i clienti, etc.”) crea motivazione e allinea naturalmente le priorità senza dover tenere meeting strategici continui. In sintesi, queste imprese coltivano una cultura in cui l’apprendimento e l’adattamento costante guidano il processo, al posto di piani fissi a lungo termine.

Un vantaggio non indifferente di questo approccio culturale è che l’agilità diventa antifragile: mentre un framework rigido può funzionare bene in un contesto e fallire se cambiano le condizioni, una cultura agile sa adattarsi alle novità. Ad esempio, durante la pandemia molte aziende hanno faticato a mantenere i rituali Scrum in remote working, mentre aziende con cultura agile forte (es. GitHub, Netflix) hanno reagito meglio, avendo già pratiche di comunicazione distribuita e team abituati a gestirsi in autonomia.

Intelligenza artificiale e Product Operating Model

Il passaggio da framework a cultura non avviene in un vuoto tecnologico. Oggi, uno dei principali catalizzatori di questo cambiamento è rappresentato dall’Intelligenza Artificiale. Non tanto perché sostituisca processi umani, quanto perché trasforma profondamente ciò che è possibile, ciò che è misurabile e ciò che è anticipabile.

In molte aziende, le cerimonie Agile sono state mantenute solo per sopperire a inefficienze informative o decisionali. Ma quando i team hanno accesso a insight in tempo reale, assistenti AI che sintetizzano dati, scrivono ticket, generano analisi e supportano la prioritizzazione, molti dei passaggi di coordinamento rituale perdono la loro funzione. L’AI sta quindi accelerando l’abbandono delle forme e spingendo verso una nuova sostanza: una organizzazione che apprende, anticipa e agisce per impatto.

Questo shift è sempre più associato alla nascita dei cosiddetti Product Operating Model (POM): modelli operativi che mettono il prodotto e il valore che genera al centro dell’organizzazione, superando le divisioni tra funzione, processo e struttura. A differenza dell’Agile “a silos”, dove ogni team lavora secondo un proprio metodo ma con metriche scollegate, il Product Operating Model cerca di orchestrare il lavoro su base pervasiva, con team multidisciplinari, allineamento continuo sugli outcome, feedback loop potenziati dall’AI e una forte cultura del prodotto.

In questo modello:

AI supporta il decision-making distribuito, fornendo insight predittivi, analisi comportamentali, cluster dinamici di utenti e validazione in real time delle feature.
Il design organizzativo è adattivo, orientato non solo a consegnare, ma a sperimentare e apprendere velocemente.
I team agiscono come unità semi-autonome collegate da scopi condivisi e metriche impattanti, spesso espresse in termini di outcome e misurate grazie all’infrastruttura dati e AI.

In pratica, il Product Operating Model non è un framework, ma una visione operativa che integra tecnologia, cultura e autonomia in modo coerente e fluido. Non sostituisce Agile: lo evolve, lo distribuisce e lo rende “invisibile” nei comportamenti quotidiani.

L’AI non “uccide Agile”. Ma uccide il bisogno di mantenerne le apparenze, restituendo centralità a ciò che davvero conta: persone competenti, contesto chiaro, metriche visibili e capacità di adattarsi velocemente.

Come evolvere verso questi modelli

Come possono le aziende più tradizionali o quelle che oggi sono bloccate in un Agile di facciata trarre spunto dai modelli delle Big Tech? Ecco alcuni spunti pratici e operativi emersi dalle ricerche e case study:

Rimettere i principi al centro: prima di qualsiasi cambio di framework, è utile rileggere i principi Agile e chiedersi sinceramente se si stanno onorando. Individui e interazioni sopra processi e strumenti, stiamo dando fiducia e voce ai team? Prodotto funzionante sopra documentazione esaustiva, stiamo consegnando valore tangibile frequentemente? Collaborazione col cliente sopra negoziazione contrattuale, stiamo coinvolgendo gli utenti/stakeholder continuo? Rispondere al cambiamento sopra seguire un piano , stiamo adattando piani e priorità in base ai feedback reali? Identificare dove l’organizzazione è caduta in una trappola da cargo cult (seguire Scrum meccanicamente perdendo di vista il perché) è il primo passo. Ad esempio, se ci si accorge che si fanno stand-up meeting quotidiani ma le informazioni cruciali non circolano comunque, forse bisogna agire sulla cultura della trasparenza anziché aggiungere un altro meeting.
Coltivare l’autonomia gradualmente: per un’azienda abituata a modelli top-down, passare bruscamente all’auto-organizzazione totale può essere pericoloso. Si può procedere per gradi: empowerment controllato. Ad esempio, iniziative pilota creare uno/due team multifunzionali dedicati a un progetto innovativo, ai quali si concede esplicitamente di non seguire il processo standard ma di sperimentare un proprio modo di lavorare. Questi “team faro” devono però avere anche il giusto supporto: leader pronti a rimuovere impedimenti, accesso diretto ai decision-maker aziendali e magari un coach esperto che li aiuti nelle retrospettive. L’idea è mostrare che risultati producono in un contesto di maggiore autonomia. Se il trial ha successo (es. tempo di delivery dimezzato, miglior qualità, team più motivato), diventa un caso interno per convincere altri ad adottare pratiche simili.
Allentare le pastoie del processo, ma mantenere guardrail chiari: le Big Tech insegnano che liberare i team non significa lasciarli allo sbaraglio. Significa piuttosto spostare i controlli ex-ante in controlli ex-post: invece di prescrivere ogni passo (input), si definiscono chiaramente obiettivi e limiti, e si verifica frequentemente il risultato (output/outcome). Ad esempio, un’azienda potrebbe decidere di abbandonare il rigido ciclo di sprint Scrum per alcuni team, lasciando che pianifichino in modo più fluido; tuttavia potrebbe fissare un guardrail tipo: “rilasciate qualcosa di testabile agli utenti almeno una volta al mese”, oppure “nessun progetto deve durare più di 3 mesi senza essere rivalutato”. Così si incoraggia l’agilità ma si evita il rischio di progetti che si trascinano indefinitamente. Un case study citato da McKinsey racconta proprio questo: un’azienda di prodotto consumer aveva suddiviso un grande progetto in tanti team specializzati, ma con forte controllo centrale, risultato, tutto fermo. La svolta è arrivata quando hanno spostato ogni decisione (anche di budget e architettura) nei team agili, fornendo solo una chiara visione dei risultati clienti attesi e alcune regole di base (es. rilasciare demo funzionanti a intervalli regolari). In pochi mesi, quei team empowered hanno lanciato uno dei migliori prodotti dell’azienda, in tempi record e con personale motivatissimo, proprio grazie a quella libertà entro confini chiari. La lezione: date ai team un obiettivo sfidante, contesto sul perché è importante, e poi fidatevi (con meccanismi di check-in sul cosa si sta ottenendo, non sul come preciso).
Riformare i criteri di successo e le metriche di performance: se continuate a valutare project manager e team solo sul rispetto di tempi/costi e sul numero di funzionalità consegnate, state incentivando la vecchia mentalità output-driven. Occorre inserire metriche di outcome nei dashboard di progetto e nelle valutazioni. Ad esempio: customer satisfaction, tasso di adozione di una nuova feature, riduzione di churn, incremento di vendite, o anche metriche interne tipo tempo medio di risoluzione ticket, frequenza di deploy, ecc., a seconda della natura del team. Un’idea è utilizzare OKR formalmente: far sì che ogni team abbia 1-3 Objectives trimestrali con relativi Key Results misurabili, e valutare i progressi su quelli nelle review di fine periodo. Questo allena tutti a pensare in termini di risultati di business. Anche a livello individuale, potrebbe voler dire premiare un developer non solo perché ha chiuso 30 task, ma perché il modulo su cui ha lavorato ha retto a X utenti in più senza problemi o ha ricevuto feedback entusiasti. Spostare l’attenzione sulle metriche di impatto frena anche quella che McKinsey chiama “fissazione sulla piena occupazione”: in molte aziende tradizionali vige l’idea che un team che non è occupato al 100% su tasks assegnati stia “sprecando tempo”. Ma tenere tutti sempre occupati non è il fine! È preferibile avere momenti di analisi, esperimenti, brainstorming (quindi persone non impegnate su task pre-definiti al 100%) se questo porta a soluzioni più efficaci per il cliente. Come dice un esperto: “focalizzarsi sul tenere tutti occupati rimuove l’opportunità di collaborare per deliverare grandi risultati per il cliente”. Quindi i manager devono abituarsi a chiedere “che valore avete creato?” invece di “quanto siete occupati?”. Un’azione concreta potrebbe essere inserire nei report settimanali non solo i task completati ma anche un breve paragrafo su cosa hanno comportato (ad es. “abbiamo rilasciato la funzione X e 200 utenti l’hanno già utilizzata nelle prime 24h”). Questo sposta pian piano la conversazione.
Re-immaginare il ruolo del management e dei coach: in un modello agile evoluto, il middle management tradizionale (Project Manager, etc.) può sentirsi disorientato. Gartner prevede che entro il 2026 “due terzi dei ruoli e delle competenze dei Project Manager saranno ridisegnati” per adattarsi al nuovo contesto operativo. Ciò significa che queste persone vanno aiutate a trasformarsi da controllori di Gantt a abilitatori di successo del team. Un ex-PM può diventare un Agile Coach interno focalizzato su rimuovere impedimenti, facilitare collaborazione tra team e assicurare che il cliente sia integrato nel processo. Oppure, molti PM stanno evolvendo in Product Manager (orientati alla strategia e al value delivery più che all’amministrazione del progetto). Le aziende dovrebbero investire in training mirato: ad esempio, formare gli ex Scrum Master/PM sui temi di Lean Product Management, Design Thinking, analisi di business, in modo che possano contribuire definendo meglio il perché e il cosa deve essere fatto (outcome), lasciando al team il come. In parallelo, gli Engineering Manager dovrebbero essere formati per assumere alcuni compiti di facilitazione che magari prima erano del PM: come condurre retrospettive efficaci, come leggere i segnali di burnout nel team, come bilanciare l’urgenza di delivery con la necessità di rifattorizzare codice, ecc. In sostanza, si passa da manager di processo a leader servizievoli. Anche la carriera di Agile Coach in sé va reinterpretata: non più garanti di cerimonie Scrum, ma agenti del cambiamento culturale. Questo può voler dire che un Agile Coach lavora più sul livello sistema (aiuta i dirigenti a capire dove la burocrazia sta frenando i team, influenza HR per modificare sistemi di incentivazione, etc.) invece che occuparsi di cronometrare daily stand-up. Infine, un approccio pratico è adottare la filosofia del “teacher/coach/mentor” per i manager di progetto di vecchio stampo: Gartner suggerisce che i PM evoluti dovranno giocare principalmente tre ruoli:
- Teacher (educare team inesperti nell’agilità)
- Coach (allineare stakeholders e guidare l’organizzazione del lavoro agile)
- Leader di innovazione a seconda della maturità dell’organizzazione. Analizzare il proprio PMO (Project Management Office) e identificare chi può ricoprire questi ruoli è un buon esercizio per anticipare il futuro.
Snellire gli strumenti e digitalizzare la collaborazione: molte aziende agili mature hanno costruito tool interni altamente integrati (issue tracker, wiki, sistemi CI/CD, ecc.) per supportare il lavoro dei team. Un’azienda più piccola o tradizionale può prendere ispirazione adottando strumenti moderni più leggeri o customizzando quelli esistenti per rimuovere complessità inutile. Ad esempio, diverse società lamentano che JIRA (pur usatissimo, ~62% delle aziende lo impiega come principale tool Agile) sia diventato sinonimo di overhead burocratico: troppi ticket, troppi campi, workflow rigidi. Un miglioramento può essere semplificare i workflow JIRA (ridurre stati e transizioni all’essenziale) o sperimentare alternative per certi team (es. usare una Kanban board più semplice come Trello, o addirittura soluzioni lightweight come fogli condivisi) per vedere se la velocità e la soddisfazione aumentano. L’importante è capire che lo strumento deve adattarsi al team, non viceversa. Scrum e JIRA tendono ad andare a braccetto, perché JIRA è ottimo per il tracking gerarchico e la reportistica per il management. Ma se l’obiettivo diventa la trasparenza reale e non il controllo, allora spesso bastano dashboard condivisi degli OKR e delle metriche di prodotto per allineare tutti, invece di infiniti ticket.
Digital first: adottare strumenti che favoriscano la collaborazione asincrona (specie con lo smart working) è cruciale, es. documenti condivisi per specifiche al posto di meeting, canali chat dedicati cliente-team, registrazione delle demo e condivisione interna per feedback offline, ecc. Le grandi aziende adottano da anni Slack/Teams con bot automatici che postano aggiornamenti (build riuscite, metriche di ieri, nuovi errori in prod…), creando “ambient awareness” senza dover interrogare un project manager. Anche senza l’infrastruttura di Google, si può replicare questo mindset utilizzando API e integrazioni tra tool esistenti.
Imparare dai dati e dagli esperimenti: non ultimo un consiglio chiave, trattare l’adozione di nuovi modelli come un esperimento Agile esso stesso.
1. Misurate l’impatto delle modifiche organizzative. Ad esempio, se rimuovete la figura dello Scrum Master su alcuni team, osservate per 2-3 mesi metriche come: velocità di delivery, qualità del prodotto (bug in produzione), soddisfazione del team (survey interni), soddisfazione dei clienti. Se migliorano o restano uguali, potete considerare di estendere il modello; se peggiorano, analizzate il retro, forse il team aveva ancora bisogno di quel supporto e va reintrodotto in altra forma. Applicate l’idea di retrospective non solo ai progetti, ma anche al processo di trasformazione organizzativa: ad intervalli regolari, il gruppo dirigente (magari col supporto di coach esterni) dovrebbe rivedere cosa sta funzionando e cosa no nella nuova struttura e pivotare di conseguenza.
2. Non abbiate paura di modificare radicalmente aspetti del processo se non servono. Come disse un coach: “Il nostro obiettivo come agile coach dovrebbe essere renderci superflui, quando una squadra si auto-gestisce e consegna valore senza il bisogno di coach, allora abbiamo avuto successo.” In quest’ottica, anche Scrum non deve essere visto come sacro: se serve come trampolino di lancio, bene, ma poi bisogna saperlo lasciare andare. In molti contesti (soprattutto aziende più piccole o settori non tech) Scrum all’inizio può essere utile per portare disciplina e cadenza dove c’era caos totale. Ma una volta che il team entra in performing, dovrebbe avere la libertà di evolvere il processo. Jeff Bezos di Amazon ha una famosa metafora: “Le aziende devono essere ferme nei principi, ma flessibili nei dettagli”. Applicato all’Agile: teniamo fermi i principi (customer focus, collaborazione, adattabilità) ma siate flessibili su pratiche e ruoli.

L’evoluzione dell’Agile nelle imprese più innovative suggerisce che il futuro non appartiene a un nuovo framework specifico, ma a un nuovo mindset. Un mindset in cui contano la cultura e gli outcome, dove i team sono piccoli centri autonomi di creatività allineati da una vision comune, e dove la metodologia è una conseguenza naturale di questi fattori più che un preludio.

Scrum non scomparirà dall’oggi al domani rimane uno strumento valido in molti contesti (specialmente dove c’è bisogno di introdurre un minimo di ordine e educare l’organizzazione al lavoro iterativo). Ma la sua centralità è destinata a ridursi mano a mano che le aziende maturano verso forme di agile più organiche. Come notato, “scelto il giusto talento e data la giusta autonomia, un team finirà per sviluppare un proprio sistema agile su misura”.

Il compito di chi vuole indirizzare i nuovi progetti e le nuove aziende è quindi creare l’ambiente adatto (cultura aperta, obiettivi chiari, feedback costante, strumenti adeguati) e poi mettersi al servizio dei team. In questo modo, le aziende potranno evolvere dai rituali alla sostanza, ispirandosi ai modelli vincenti delle Big Tech ma trovando la propria strada unica per essere agili, con la “a” minuscola, come attitudine quotidiana, e non solo fare “Agile” come etichetta.

6 Luglio 2025AI & GENAI

Invisible UX: come l’IA sta cambiando per sempre il volto del design

Per decenni, il design dell’esperienza utente (UX) si è concentrato sull’accompagnare le persone attraverso interfacce visibili: menu, pulsanti, schede, slider. I designer si sono ossessionati per layout, stati e transizioni per aiutare gli utenti a navigare tra le opzioni su schermo. Ma con l’ascesa dell’intelligenza artificiale, sta emergendo un nuovo tipo di interfaccia, una in gran parte invisibile, guidata dall’intento dell’utente piuttosto che da un’interazione esplicita. In questo nuovo paradigma, la migliore UX potrebbe essere proprio quella che si nota a malapena.

Dall’interfaccia visibile all’esperienza invisibile

Tradizionalmente, usare un prodotto significava navigare manualmente un’interfaccia grafica passo dopo passo. Pensa a come ascoltavi musica o prenotavi un soggiorno in passato:

Vecchio modo (UI visibile): apri l’app, sfogli elenchi o menu, applichi filtri, poi scegli tra molte opzioni. Ad esempio, potresti aprire Spotify, scorrere tra i generi, entrare nella categoria “Focus”, poi selezionare una playlist. Oppure cercare su Airbnb, impostare date, ospiti, filtri, e scorrere tra decine di annunci. Questo approccio con interfaccia grafica presenta all’utente varie scelte e menu per ottenere ciò che desidera.
Nuovo modo (UI invisibile): esprimi semplicemente ciò di cui hai bisogno in linguaggio naturale e lascia che sia il sistema a occuparsi del resto. Ora puoi semplicemente dire, “Riproduci musica per concentrarmi” e Spotify avvierà una playlist adeguata. Oppure chiedere, “Trovami una baita vicino a Oslo con una sauna, disponibile il prossimo weekend” e un assistente di viaggio basato su IA può gestire la ricerca e la prenotazione. Nessun menu, nessun tap su schermo, solo intento → risultato.

In altre parole, la UX tradizionale offre opzioni, mentre la UX guidata dall’IA fornisce risultati. Invece di dire “Ecco 12 modi per ottenere ciò che vuoi”, il sistema può dire “Dimmi cosa vuoi e ci penserò io”. Questo cambiamento riguarda la riduzione dell’attrito: progettare sistemi che comprendono l’intento dell’utente, rispondono all’istante e poi si fanno da parte. Le interazioni diventano così fluide e intuitive che l’interfaccia quasi scompare. L’interfaccia non è sparita del tutto; si è dissolta sullo sfondo, emergendo solo quando necessario.

Cos’è la UX invisibile?

L'”UX invisibile” si riferisce a esperienze utente che richiedono una manipolazione minima o nulla di un’interfaccia visibile. Invece di fare affidamento su clic o tocchi espliciti su pulsanti e link, il sistema comprende silenziosamente il contesto dell’utente, prevede il suo intento e agisce di conseguenza. Spesso viene descritta come una transizione da schermi a sistemi, un passaggio in cui le interazioni diventano conversazioni, predizioni o azioni automatiche.

In questo paradigma, meno non è solo di più, nulla può essere tutto. L’obiettivo è un’esperienza così integrata e anticipatoria che l’obiettivo dell’utente viene soddisfatto senza dover navigare una UI complessa. Un mantra diffuso nel design moderno è “la migliore interfaccia è nessuna interfaccia”, che cattura l’idea che la UX ideale sembri non avere alcun intermediario tra l’intento dell’utente e il risultato desiderato.

Questo non significa che le interfacce grafiche scompariranno completamente; piuttosto, molte interazioni verranno gestite tramite assistenza guidata da IA, comandi vocali, sensori e automazioni. Siamo entrati in quella che alcuni chiamano l’era della Zero UI, dove l’interfaccia svanisce e prendono il sopravvento input naturali. Gli analisti di Gartner prevedono che entro il 2028, il 70% dei customer journey si svolgerà interamente tramite interfacce conversazionali o invisibili guidate dall’IA. Allo stesso modo, IDC stima che il 60% di tutte le interazioni utente avverrà tramite sistemi invisibili alimentati da IA entro il 2027. Queste previsioni sottolineano un cambiamento già in corso.

Perché la UX invisibile è importante

La crescita della UX invisibile non è una semplice trovata: rappresenta un cambiamento profondo nel modo in cui le persone si aspettano di interagire con la tecnologia. Ecco alcune delle ragioni per cui questo passaggio è rilevante:

Interazione senza attriti: la UX invisibile riduce l’attrito delle attività composte da più passaggi. Gli agenti AI possono comprimere procedure complesse o flussi decisionali in un’unica interazione fluida. Invece di compiere ogni passo (cliccare, filtrare, navigare), è il sistema a gestire tutto in background. Questo fa risparmiare tempo ed energia, rendendo l’esperienza più naturale.
Risultati invece che opzioni: nelle interfacce tradizionali, l’utente riceve un elenco di opzioni e deve scegliere. Questo può essere faticoso o dispersivo. LA UX alimentata dall’AI ribalta questo schema e punta ai risultati. Come ha detto un designer: “la vecchia UX ti offriva i modi per ottenere ciò che volevi; la nuova UX lo ottiene per te”. Sempre più spesso, i sistemi intelligenti restituiscono il miglior risultato, non un menu di possibilità. In un’esperienza nativa dell’AI, la vera UX non è l’interfaccia: è il risultato finale.
Interazione naturale: gli esseri umani esprimono naturalmente i propri obiettivi tramite linguaggio, parlato o scritto. LA UX invisibile sfrutta questa capacità attraverso interfacce conversazionali e rilevamento dell’intento. Parlare o digitare una richiesta in linguaggio naturale è spesso più intuitivo che navigare un’app sconosciuta. Inoltre, i sistemi di IA possono considerare il contesto (posizione, orario, comportamenti passati) per interpretare le richieste in modo più naturale. Ad esempio, se dici “Ho fame” a un assistente smart, potrebbe proporti ristoranti vicini o ordinare il tuo piatto preferito, senza bisogno di aprire un’app o effettuare ricerche manuali.
Velocità ed efficienza: eliminando i passaggi intermedi, le interazioni invisibili possono essere più rapide. Quando un assistente AI conosce le tue preferenze e il contesto, può saltare direttamente alla soluzione. Questa esperienza “zero clic” o a “zero passaggi” significa meno attese e meno ostacoli tra l’utente e l’obiettivo. Gli studi dimostrano che le persone sono sempre più attratte da esperienze snelle: ad esempio, quasi l’80% degli utenti si affida oggi a risultati diretti (zero-click) per gran parte delle proprie ricerche, segnale del fatto che le persone preferiscono risposte e risultati immediati, piuttosto che navigare tra pagine e link.
Accessibilità e inclusività: la UX invisibile può rendere la tecnologia più accessibile. Le interfacce vocali e gli assistenti intelligenti sono un aiuto concreto per chi ha difficoltà con gli schermi tradizionali o con i dispositivi di input. Una persona con disabilità visive, ad esempio, può beneficiare enormemente di un assistente vocale che svolge compiti senza bisogno di interfacce visive. (Va detto che i progettisti devono garantire che questi sistemi siano fruibili anche da chi preferisce feedback visivi, mantenendo inclusività per tutti.)

La ‘UX invisibile punta a offrire comodità, velocità e personalizzazione a un livello che le interfacce visibili spesso non riescono a eguagliare. Quando è ben progettata, la tecnologia “scompare” per lasciare spazio all’obiettivo dell’utente.

Progettare per l’intento, non per il clic

Spostarsi verso la UX invisibile significa che designer e creatori di prodotto devono ripensare il proprio approccio. In passato, progettare un flusso significava decidere dove collocare i pulsanti, quale schermata seguiva quale, e come guidare passo dopo passo l’utente. Ora, sempre più spesso, i designer stanno progettando per l’intento, costruendo sistemi che possano intuire perché l’utente è arrivato e di cosa ha bisogno, anziché dirgli come ottenerlo.

È un cambiamento radicale. Invece di layout perfetti al pixel, occorre progettare logiche decisionali, consapevolezza del contesto e “circuiti di fiducia” che operano dietro le quinte. Alcuni elementi chiave da considerare nella progettazione di esperienze invisibili o assistite da IA:

Consapevolezza del contesto: il sistema dovrebbe sfruttare dati contestuali (tempo, posizione, interazioni passate, preferenze dell’utente, dati da sensori, ecc.) per anticipare i bisogni. Una buona UX invisibile spesso dà la sensazione che il prodotto “sapesse” cosa voleva l’utente ancor prima che lo chiedesse. Esempio: un calendario smart che ti ricorda di uscire in anticipo se rileva traffico intenso per raggiungere l’aeroporto, senza che tu debba configurare nulla. Progettare per il contesto significa mappare situazioni e segnali in modo che l’IA possa offrire l’assistenza giusta, al momento giusto.

Conversazioni intuitive: quando le interazioni avvengono tramite voce o chat, progettiamo conversazioni piuttosto che schermate. Il sistema potrebbe dover fare domande di chiarimento, ma dovrebbe farlo in modo conversazionale, non rigido. Ad esempio, se dici a un assistente AI “rimanda la mia riunione”, un sistema ideale capirà da solo a quale riunione ti riferisci (in base a calendario, email recenti) e proporrà direttamente la modifica, invece di chiederti di inserire manualmente tutti i dettagli. Progettare questi flussi conversazionali richiede comprensione del linguaggio naturale e capacità di gestire l’ambiguità con grazia.
Assistenza predittiva: una grande UX invisibile è proattiva. Potrebbe suggerire azioni prima ancora che l’utente le chieda. Questo “design anticipatorio” si basa su previsioni alimentate da IA. I designer devono pensare ai percorsi utente in modo non lineare, invece di aspettare input, il sistema potrebbe agire per primo. Esempi: un’app musicale che avvia brani rilassanti quando capisce che è sera, oppure un’app finanziaria che segnala una spesa insolita e prepara un modulo per contestarla. Esperienze così risultano magiche perché eliminano il bisogno di iniziare l’azione.
Risultati, non schermate: l’obiettivo di un agente AI è risolvere il bisogno dell’utente, non mostrare tante schermate intermedie. I designer dovrebbero concentrarsi su come appare la soluzione finale. Un buon mindset è: “Di cosa ha bisogno adesso l’utente, e come possiamo darglielo senza costringerlo a cercare il pulsante giusto?” A volte significa automatizzare un intero flusso; altre volte significa sintetizzare informazioni o dare una raccomandazione da confermare con un tap. L’output del design diventa un servizio, non un artefatto visivo.
Errori gestibili e casi limite: i sistemi invisibili devono essere progettati per gestire bene gli errori e le previsioni sbagliate. Quando l’IA si sbaglia (capiterà), come può l’utente correggerla? Progettare UX invisibile significa anche creare binari di sicurezza invisibili, ad esempio, limiti che impediscano all’IA di agire in modo inappropriato, e opzioni alternative quando il sistema è incerto. Un agente smart, se dubbioso, potrebbe dire “Non sono sicuro di quale playlist vuoi, preferisci Chill o Focus?” invece di fare scelte errate. Fallire con grazia è cruciale per mantenere la fiducia.

Fiducia: il nuovo pilastro della UX

Quando gli utenti affidano più autonomia a un sistema guidato dall’IA, la fiducia diventa il pilastro centrale dell’esperienza. Nei software tradizionali con interfaccia visibile, se qualcosa va storto, l’utente vede cosa succede e può intervenire. Con la UX invisibile, molte azioni avvengono dietro le quinte, e gli utenti devono essere certi che il sistema agisca nel loro interesse.

I designer hanno oggi una nuova responsabilità: progettare per generare fiducia. Questo significa occuparsi di:

Trasparenza: anche se l’interfaccia è minima, il sistema deve fornire feedback su cosa sta facendo e perché. Gli utenti devono comprendere le azioni dell’IA. Se un assistente AI cancella e riprenota un volo per farti risparmiare, dovrebbe spiegarti cosa ha fatto e per quale motivo (es: “Ho trovato una tariffa più bassa e ti ho spostato su un volo più tardi”). Log di attività o riepiloghi possono aiutare a mantenere trasparenza anche in sistemi complessi.
Controllo e possibilità di intervento: gli utenti devono sentirsi in grado di modificare o correggere l’IA quando necessario. UX invisibile non significa perdita di controllo. È importante offrire meccanismi per intervenire: opzioni per annullare azioni, rivedere suggerimenti prima dell’invio, regolare il grado di autonomia. Un sistema domotico, ad esempio, può agire automaticamente ma chiedere conferma prima di bloccare la porta d’ingresso o autorizzare un pagamento.
Privacy ed etica: questi sistemi si basano su molti dati (comportamenti, preferenze, contesto), quindi la loro gestione etica è fondamentale. Gli utenti devono poter fidarsi che i dati siano sicuri, e che le decisioni dell’IA siano corrette e imparziali. Anche un sospetto di abuso può compromettere la fiducia. Per questo, progettazione etica e regole chiare sulla privacy devono essere parte dell’esperienza.
Cicli di feedback: il sistema dovrebbe imparare dai feedback degli utenti. Quando un utente corregge l’IA o fornisce un’opinione, ricevere un riconoscimento del tipo “Perfetto, terrò conto di questa preferenza” costruisce fiducia e percezione di miglioramento. Se nel tempo l’utente nota che l’assistente diventa sempre più utile, la sua fiducia crescerà. In un certo senso, la relazione tra utente e IA è parte della UX invisibile, costruita con comunicazione e affidabilità.

Senza fiducia, l’utente non permetterà mai a un’interfaccia invisibile di gestire attività importanti. Come ha scritto un designer, “nella UX guidata dall’AI, la fiducia è tutto”. Se si rompe, l’esperienza crolla, indipendentemente dall’intelligenza dell’algoritmo.

Il ruolo in evoluzione del designer

Dato questo cambiamento, cosa devono fare i designer UX e i creatori di prodotto? Nell’era della UX invisibile, il ruolo del designer si espande: non si limita più alla progettazione visiva, ma include l’orchestrazione del comportamento di un sistema intelligente. I designer dovranno progettare interazioni senza interfacce tradizionali, il che richiederà nuove competenze e prospettive:

Comprensione dell’intento umano: i designer devono studiare come le persone esprimono obiettivi e bisogni. Questo include ricerca sui modelli conversazionali, sugli indizi contestuali e perfino sulla psicologia. Comprendere le diverse modalità con cui un utente può esprimere la stessa richiesta diventa cruciale. Ad esempio, ci sono decine di modi per dire “metti musica per concentrarmi”, il sistema (e i suoi progettisti) devono anticiparli.
Architettura del prompt: nei sistemi basati su modelli linguistici di grandi dimensioni, il prompt engineering, ovvero guidare il comportamento dell’IA tramite prompt ben strutturati, diventa parte integrante del design. Significa scrivere dialoghi di esempio, definire come l’IA deve rispondere, stabilire tono e personalità. In pratica, il designer orienta il comportamento del modello attraverso regole e testi. L’obiettivo è mantenere chiarezza, utilità e coerenza con la voce del brand.
Binari invisibili: i designer collaborano con gli sviluppatori per definire i limiti entro cui l’IA può agire, per garantire velocità, sicurezza e chiarezza. Questo include decidere cosa l’IA non dovrebbe fare, come segnalare l’incertezza, quando passare la palla all’essere umano. È una combinazione tra design dell’esperienza e progettazione di policy. Ad esempio, un chatbot bancario potrebbe essere progettato per non eseguire mai un bonifico sopra una certa cifra senza conferma aggiuntiva, un binario di sicurezza pensato per tutelare l’utente.
Pensiero sistemico: invece di pensare in termini di schermate, i designer devono pensare in termini di sistemi, flussi di dati e logiche decisionali. Si tratta di progettare la logica e le condizioni in cui certe azioni accadono dietro le quinte. Questo richiede una visione più ampia del percorso utente, degli algoritmi sottostanti e delle regole di business. Come ha detto un esperto: “Progettare l’invisibile significa cambiare punto di vista, dal layout alla logica, dall’estetica all’intenzione”. Nella pratica, spesso richiede collaborazione stretta con data scientist e ingegneri AI.
Apprendimento continuo: i prodotti basati su AI cambiano comportamento nel tempo, man mano che imparano. I designer dovranno monitorare l’interazione e adattare l’esperienza in modo dinamico. Non è più “progetto una volta e via”: il design diventa iterativo, reattivo a come l’utente interagisce e a come si evolve la performance dell’IA.

Importante: le competenze di visual design non diventano obsolete. Ci saranno ancora punti di contatto visivi in molti contesti (persino gli assistenti vocali hanno un’app o una schermata di impostazioni). Ma il focus cambia. La UX del futuro non sarà valutata solo in base a ciò che si vede su schermo, ma in base a quanto efficacemente il sistema soddisfa il bisogno dell’utente con il minimo attrito. Come ha detto MaFisher: “In futuro giudicheremo i sistemi non in base a quanto li usiamo, ma in base a quanto poco dobbiamo usarli per ottenere ciò che vogliamo.”

L’IA come amplificatore, non come sostituto

Un malinteso comune è che l’IA sostituirà completamente le interfacce tradizionali o addirittura i designer stessi. In realtà, l’IA agisce più come un amplificatore dell’intento e delle capacità umane, non come un sostituto totale. L’interfaccia grafica (GUI) non sta scomparendo: sta evolvendo e integrandosi con l’IA. Come osservano i futurologi del design di Microsoft, non è “la fine del sito web” o la morte di tutti gli schermi, piuttosto, le interfacce conversazionali e invisibili stanno integrando e ridefinendo il modo in cui usiamo gli schermi.

Per gli utenti, la UX invisibile significa che i compiti ripetitivi possono essere delegati a un assistente intelligente, liberando attenzione per decisioni più importanti. Per designer e aziende, l’IA può occuparsi della personalizzazione e dell’elaborazione dati, permettendo ai progettisti umani di concentrarsi su sfide creative ed etiche. L’IA potenzia l’esperienza: gestisce micro-decisioni e adatta l’interfaccia in tempo reale, mentre l’essere umano definisce la direzione e garantisce empatia e fiducia. In breve, l’IA non elimina il design, lo eleva.

Un modo utile per pensarci: l’IA è per la UX ciò che il pilota automatico è per l’aviazione. La cabina di pilotaggio (l’interfaccia) è ancora lì, e il pilota (l’utente) ha ancora il comando generale, ma le manovre di routine possono essere gestite dal sistema per rendere il volo più fluido. Il ruolo del pilota diventa quello di supervisore e gestore delle eccezioni. Allo stesso modo, gli utenti in un’esperienza guidata dall’IA mantengono il controllo finale e possono intervenire o guidare il sistema, ma non devono gestire ogni singolo passaggio.

Concependola come amplificatore, garantiamo che la tecnologia rimanga uno strumento al servizio dei bisogni umani, non qualcosa che sostituisce unilateralmente il giudizio o il desiderio umano. I prodotti di maggior successo in questa nuova era saranno probabilmente quelli che fonderanno perfettamente assistenza intelligente e controllo umano intuitivo, offrendo il meglio di entrambi i mondi.

Scenari applicativi e contesti emergenti

LA UX invisibile non è solo un concetto teorico o limitato agli assistenti vocali: si sta manifestando concretamente in molti settori, sotto forme come app predittive, agenti intelligenti o servizi proattivi. Sono parecchi gli ambiti dove l’intervento della UX invisibile si sta facendo strada:

Musica e intrattenimento: Spotify, YouTube o Netflix stanno perfezionando la capacità di curare contenuti automaticamente. Le playlist personalizzate, i comandi vocali e le raccomandazioni basate sullo stato d’animo sono passi verso un’esperienza in cui l’utente esprime solo un’intenzione e il sistema restituisce ciò che serve, senza bisogno di navigare o selezionare.
Smart home e IoT: i sistemi domotici anticipano le esigenze, regolano il riscaldamento in base al comportamento, spengono le luci automaticamente, suggeriscono ricette o accendono il forno quando si avvicina l’ora di cena. L’interfaccia, in questi casi, si riduce a una notifica o a un segnale vocale. L’ambiente reagisce proattivamente.
Viaggi e ospitalità: piattaforme di viaggio stanno sperimentando concierge AI. Invece di cercare manualmente voli, hotel, noleggi, l’assistente prenota tutto sulla base di una semplice richiesta (“organizza un viaggio economico a Parigi il prossimo mese”). Alcune compagnie aeree già riorganizzano automaticamente i voli in caso di cancellazioni, avvisando l’utente senza bisogno d’azione.
E-commerce e retail: si passa da “sfoglio decine di prodotti” a “dimmi cosa cerchi e lo trovo io”. Già oggi, servizi come Amazon e Instacart propongono riacquisti automatici e anticipano i bisogni. Il futuro è uno shopping guidato da intenzioni, non da filtri.
Industria e azienda: nella manutenzione predittiva, i sistemi AI monitorano i macchinari e programmano autonomamente gli interventi. Nel knowledge work, copilot AI suggeriscono documenti rilevanti o completano contenuti. L’utente riceve assistenza senza neanche richiederla.
Sanità: dispositivi indossabili monitorano i parametri vitali e avvisano in caso di anomalie, prima ancora che il paziente si accorga di qualcosa. L’assistente sanitario AI può anche suggerire azioni preventive o contattare un medico in caso di rischio rilevato.

In tutti questi casi, il tema è lo stesso: intelligenza contestuale, esperienza orientata all’esito, interfaccia minima. L’umano resta nel ciclo, ma il carico cognitivo e operativo si riduce.

A cosa dobbiamo fare attenzione

Pur offrendo enormi vantaggi, la UX invisibile introduce nuove complessità che designer e sviluppatori devono gestire:

Interpretazione errata dell’intento: nessun sistema è perfetto. Quando l’IA sbaglia, è fondamentale prevedere percorsi di recupero e opzioni per correggere. Senza meccanismi di fallback, si rischia frustrazione e perdita di fiducia.
Bias e imparzialità: l’AI si basa su dati. Se questi sono distorti, anche i risultati lo saranno, spesso senza che l’utente se ne accorga. Decisioni invisibili possono rafforzare pregiudizi se non monitorate. Serve vigilanza continua.
Perdita di competenze: se tutto è automatizzato, gli utenti potrebbero perdere familiarità con i processi. Un sistema invisibile deve offrire trasparenza e possibilità di apprendere come funziona, per evitare disempowerment.
Debugging e supporto: “Non ha fatto quello che volevo”, ma cosa è successo? Serve nuova strumentazione per monitorare e spiegare le scelte dell’IA, anche a fini di assistenza e accountability.
Sicurezza: se un agente autonomo può eseguire azioni (pagamenti, accessi), vanno implementati meccanismi di verifica forti. L’autenticazione biometrica e i sistemi di conferma sono fondamentali.
Tocco umano: automatizzare non deve significare spersonalizzare. Il design deve mantenere empatia, calore e sensibilità, anche in assenza di un’interfaccia visibile.

Nel futuro della UX invisibile

L’arrivo della UX invisibile non è solo un’evoluzione tecnologica: è una transizione culturale. Serve un cambio di mentalità per diventare davvero data-driven e AI-augmented. Leader, designer e stakeholder devono rimettere al centro l’obiettivo dell’utente, ridefinendo l’idea stessa di interfaccia.

La rivoluzione non chiede di abbandonare tutto ciò che sappiamo sul design, ma di alzare il livello della conversazione. La domanda non sarà più “come rendere questa schermata più intuitiva?”, ma “serve davvero una schermata qui o possiamo far sì che il sistema agisca in modo trasparente?”

Il futuro della UX, come molti stanno dicendo, non si vedrà. Si sentirà.

Sarà misurato in fluidità, fiducia, capacità di ottenere ciò che serve con il minimo sforzo.

Benvenuti nell’era della UX invisibile.

9 Maggio 20259 Maggio 2025AI & GENAI

ROT: il Return on Trust, cosa e come implementarlo

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

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

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

AI amplificatore (o erosore) di relazioni

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

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

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

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

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

Che cos’è il ROT (Return on Trust)?

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

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

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

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

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

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

La domanda che giustamente mi è stata posta è

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

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

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

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

Implementare il ROT in azienda: modello operativo

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

Mappatura iniziale della fiducia: prima di tutto, è necessario misurare lo stato attuale. Questo significa condurre un’analisi del clima e della fiducia esistente, tramite survey interne, focus group, interviste aperte, come è già in alcuni contesti applicato.
È fondamentale ascoltare le persone a tutti i livelli per capire dove la fiducia è forte e dove presenta criticità. In questa fase si possono usare strumenti consolidati (alcuni descritti più avanti, come il Trust Index o questionari sulla sicurezza psicologica) per ottenere un baseline. Tipicamente l’HR insieme ai team di organization development o consulenti esterni specializzati in clima aziendale hanno responsabilità di questa fase.
Definizione di obiettivi e governance del ROT: sulla base della mappatura, il top management, in prima persona, deve definire cosa significhi fiducia per la propria organizzazione e fissare obiettivi chiari di miglioramento. Una idea, spesso discussa, potrebbe porsi di aumentare dell’X% l’engagement o di ridurre il tasso di turnover legato a scarsa fiducia nel management.
È utile istituire una sorta di cabina di regia del ROT: un team interfunzionale (HR, Comunicazione, IT, Legal, ecc.) guidato da un executive sponsor (ad esempio il Direttore HR o il CEO stesso) che sovrintenda alle iniziative. Assegnare ruoli e responsabilità è cruciale: i leader di funzione devono essere ambasciatori della fiducia nei propri team, l’IT deve garantire che gli strumenti di AI siano affidabili e trasparenti, la funzione Legal/Ethics assicura conformità e uso etico dei dati, e così via.
Progettazione di iniziative “trust-driven”: in questa fase si passa alla messa a terra, disegnando interventi pratici per migliorare la fiducia. Parliamo di formazione e coaching per i manager sulla leadership empatica e inclusiva (imparare a dare feedback costruttivi, riconoscere gli errori, comunicare vulnerabilità quando serve, il tutto per far sentire i team al sicuro).
Si introducono pratiche di trasparenza nelle decisioni: per esempio è importante a mio avviso condividere le ragioni dietro cambiamenti organizzativi o spiegare il funzionamento degli algoritmi AI che affiancano le persone, visto che molto spesso i cambiamenti sono semplicemente una comunicazione top-down e gli strumenti decisionali sono blackbox i cui razionali sono noti a pochi.
Tra le attività che a mio avviso sono necessarie ci sono i programmi di mentoring interno (colleghi esperti che guidano i meno esperti, instaurando fiducia trasversale, indistintamente da età o ruolo, e non necessariamente su hard skills) e creare spazi di dialogo aperto (town hall meeting regolari, canali anonimi per domande difficili, ecc.). Un’altra leva operativa è rivedere i processi per assicurarsi che siano “trust-friendly”: semplificare policy troppo burocratiche che segnalano mancanza di fiducia, oppure introdurre workflow che richiedono collaborazione interfunzionale (rompendo silos e costruendo fiducia reciproca tra team). Su questo i modelli per esempio che stiamo studiando con Boundryless vanno esattamente in questa direzione. Ogni iniziativa va disegnata coinvolgendo attivamente i destinatari, co-creare soluzioni con i dipendenti aumenta sia la fiducia che la probabilità di successo.
Integrazione della fiducia nelle tecnologie AI: dato che l’adozione dell’Intelligenza Artificiale è spesso il fattore scatenante del ROT, un passo operativo specifico è assicurarsi che le soluzioni AI implementate siano degne di fiducia. Questo implica adottare principi di AI etica e “explainable AI” durante lo sviluppo o l’acquisto di sistemi: modelli che sappiano spiegare le proprie decisioni, audit algoritmici per eliminare bias discriminatori, rispetto della privacy dei dati.
Il team IT/AI deve collaborare con esperti di dominio, HR (dove necessario) e rappresentanti degli utenti finali per validare che l’AI venga percepita come alleata e non come “scatola nera” imprevedibile. Per capirci, se in un’azienda che introduce un sistema AI per suggerire decisioni ai manager riguardo valutazioni di percorso e carriera, potrebbe essere utile inizialmente affiancare suggerimenti dell’AI a spiegazioni su perché quella raccomandazione viene data, e raccogliere il feedback dei manager su quanto la ritengono affidabile, così come rendere trasparente il processo anche al valutato. In questo modo si affina il sistema e si costruisce gradualmente fiducia nell’interazione uomo-macchina.
Misurazione continua e adattamento: come ogni approccio gestionale, ciò che non si misura non si migliora. Il ROT richiede di stabilire KPI di fiducia e monitorarli nel tempo. Questo significa, ad esempio, ripetere survey di clima periodiche per vedere l’evoluzione dei punteggi di fiducia o engagement, analizzare i tassi di adozione delle nuove tecnologie (quanti dipendenti usano attivamente il nuovo tool AI, segno di fiducia in esso), monitorare indicatori come il turnover volontario o l’assenteismo (spesso correlati con la rottura della fiducia). I dati vanno discussi apertamente nel team di governance ROT e col management, individuando aree di miglioramento.
Il modello è iterativo: in base ai risultati, si adattano o rafforzano le iniziative. Se ad esempio una particolare unità aziendale mostra ancora basso livello di sicurezza psicologica, ci si può focalizzare con azioni mirate (workshop, ascolto dedicato, cambi di leadership se necessari). Implementare il ROT è un percorso continuo di apprendimento organizzativo. La responsabilità ultima di questa fase è sia del team di progetto che di ogni manager: creare un rito di accountability dove periodicamente si discute “come stiamo andando sulla fiducia” allo stesso modo in cui si discutono i numeri di vendita.

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

KPI e metriche per misurare la fiducia oggi

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

Trust Index: è l’indice di fiducia utilizzato, ad esempio, nei questionari di Great Place to Work. Si basa su survey ai dipendenti con una serie di affermazioni che esplorano 5 dimensioni chiave dell’esperienza lavorativa: Credibilità, Rispetto, Equità, Orgoglio e Coesione. Le prime tre dimensioni (Credibilità, Rispetto, Equità) misurano la fiducia dei collaboratori nel management, vale a dire quanto i leader comunicano in modo trasparente, mantengono le promesse, trattano le persone con equità e le rispettano.
Le ultime due (Orgoglio e Coesione, detta anche Camaraderie) valutano invece il rapporto dei dipendenti con il proprio lavoro e i colleghi, indicando il livello di identificazione positiva e di spirito di squadra. Il Trust Index fornisce un termometro del clima aziendale: un punteggio alto segnala un ambiente in cui c’è fiducia verticale (verso i manager) e orizzontale (tra pari), oltre a un forte senso di appartenenza. Molte aziende lo usano annualmente per capire se sono un “great place to work” e dove intervenire sul clima.
Psychological Safety Score: la sicurezza psicologica è un concetto reso celebre dalle ricerche di Amy Edmondson e dal progetto Aristotle di Google. Indica il grado in cui le persone si sentono sicure nel prendere rischi interpersonali in un team: ad esempio ammettere un errore, esprimere un’idea controcorrente, o fare una domanda “sciocca” senza paura di conseguenze negative. Edmondson la definisce come “la convinzione condivisa che non si verrà puniti o umiliati per aver espresso idee, domande, preoccupazioni o errori”. In pratica è la misura della fiducia interna al team: fiducia che l’ambiente sia supportivo e non giudicante.
Molte aziende valutano la sicurezza psicologica attraverso questionari specifici, chiedendo ai membri di indicare il loro accordo con frasi tipo “Nel mio team posso fare domande senza essere deriso” oppure “Il mio superiore accoglie bene gli errori come opportunità di apprendimento”. Da queste survey si ricava un punteggio medio di sicurezza psicologica (Psychological Safety Score) per team o reparto. Un PSI (Psychological Safety Index) alto è spesso correlato con team più innovativi e performanti, proprio perché le persone osano di più quando c’è fiducia reciproca. Al contrario, un punteggio basso è un campanello d’allarme: segnala barriere di paura che ostacolano la comunicazione onesta (e quindi frenano anche il miglioramento e l’innovazione).
eNPS (Employee Net Promoter Score): adattamento del famoso Net Promoter Score usato verso i clienti, l’eNPS misura quanto i dipendenti promuoverebbero la propria azienda come buon posto di lavoro. Viene tipicamente calcolato con una domanda molto diretta: “Con quale probabilità consiglieresti la tua azienda come luogo di lavoro a un amico o conoscente?”, da rispondere su una scala 0-10.
I risultati sono classificati in Promotori (chi risponde 9-10, entusiasta), Passivi (7-8) e Detrattori (0-6); sottraendo la percentuale di detrattori da quella dei promotori si ottiene l’eNPS.
Un valore alto (es. +30) indica che la maggior parte delle persone parlerebbe positivamente dell’azienda all’esterno – segnale di fiducia nell’organizzazione, di engagement e di soddisfazione generale.
Valori negativi invece indicano prevalenza di detrattori interni (molti sconsiglierebbero l’azienda, indice di problemi di fiducia o clima).
L’eNPS ha il pregio di essere semplice e immediato, fornendo uno “score” sintetico dello stato d’animo collettivo. Tuttavia è anche una misura abbastanza grezza (dice cosa pensano i dipendenti ma non perché). Per questo spesso viene usato in combinazione con survey più approfondite: l’eNPS come segnale generale di allerta o successo, e altre domande per diagnosticare le cause (ad esempio domande sulla fiducia nel management, sulle opportunità di crescita, ecc., che influenzano quel punteggio).
Altre metriche di clima e engagement: oltre ai tre indicatori citati, le aziende monitorano diversi altri KPI relativi alla salute organizzativa che intercettano dimensioni di fiducia. Ad esempio, molte imprese fanno survey di engagement più articolate, che includono domande sull’affidabilità del management, sulla chiarezza nella comunicazione dei vertici, sul livello di coinvolgimento nel cambiamento percepito dai dipendenti.
Esistono indici compositi come l’Organizational Trust Index o il Climate Index nelle indagini di clima, che combinano vari item per dare un punteggio globale di fiducia interna. Alcune organizzazioni utilizzano metriche di open feedback (quante idee o segnalazioni vengono spontaneamente inviate dai dipendenti verso l’alto – indice di fiducia nell’essere ascoltati) o analizzano il tasso di adozione di nuovi programmi/progetti (un’adesione elevata spesso riflette fiducia nell’iniziativa e nei suoi promotori).
Anche il tasso di turnover volontario e il tasso di assenze vengono letti come indicatori indiretti: un aumento improvviso in specifici reparti può suggerire un calo di fiducia o problemi relazionali con un manager. In sintesi, già oggi non mancano strumenti per misurare aspetti della fiducia in azienda; il valore del concetto di ROT è semmai di riunire questi vari indicatori sotto un’unica lente strategica, evidenziandone il peso complessivo nelle trasformazioni organizzative.

Ed i nuovi indicatori da includere nel ROT

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

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

Metriche relazionali interne: la fiducia si manifesta nella qualità delle relazioni. Possiamo quindi misurare, ad esempio, il grado di connessione e collaborazione tra reparti. Strumenti di Organizational Network Analysis potrebbero rilevare l’ampiezza e la forza delle reti informali: quanti scambi avvengono tra team diversi? Chi sono i trust broker che collegano funzioni altrimenti silos? Un aumento delle interazioni trasversali dopo un intervento organizzativo potrebbe indicare maggiore fiducia e apertura.
Anche i programmi di mentoring o cross-training possono fornire dati: il numero di coppie mentor-mentee attive o di collaborazioni interfunzionali avviate volontariamente può essere un indicatore di fiducia reciproca crescente (le persone si affidano a colleghi di altre aree per imparare, cosa che soprattutto nelle grandi aziende, per un tema di “tifoseria” non succede). Un’altra metrica relazionale potrebbe essere un indice di coesione del team calcolato tramite survey sociali interne: chiedere fino a che punto ci si sente parte di una “famiglia lavorativa” o se si percepisce supporto dai colleghi; punteggi alti riflettono fiducia nel gruppo.
Segnali comportamentali e culturali: qui parliamo di tracce indirette che il comportamento organizzativo lascia. La frequenza di condivisione della conoscenza, ossia quante volte al mese un dipendente pubblica una best practice sulla intranet o tiene una sessione formativa per i colleghi? Un aumento suggerisce un clima di fiducia (ci si sente al sicuro nel condividere ciò che si sa, senza timore di perdere il proprio “vantaggio” personale).
Oppure, il tasso di segnalazione di problemi/criticità: in un ambiente fiducioso le persone evidenziano errori o rischi prima che diventino grossi guai, perché si fidano che segnalare non comporterà punizioni. Dati dal sistema di ticketing interno, o dalle hotline etiche, potrebbero essere letti in questa chiave (un basso numero di segnalazioni non è sempre positivo, se la gente teme ritorsioni, potrebbe non parlare!).
Un altro segnale comportamentale: la partecipazione volontaria a workshop, community interne, gruppi di miglioramento. Quando c’è fiducia nell’azienda, i dipendenti tendono a impegnarsi attivamente oltre il minimo, dando tempo ed energie extra. Monitorare quante persone si candidano spontaneamente per iniziative interne o quanti partecipano a sondaggi facoltativi può dare insight sulla fiducia/engagement. Persino l’analisi del tone of voice nelle comunicazioni interne (ad esempio usando tecniche di sentiment analysis su intranet o Slack aziendale) può fornire un termometro: parole positive, scherzi, ringraziamenti pubblici tra colleghi indicano una cultura aperta; al contrario prevalenza di toni formali o assenti può suggerire distacco e poca fiducia nel dialogo informale.
Dati di percezione e segnali emotivi: la fiducia ha anche una dimensione percettiva e emotiva, che possiamo cercare di catturare. Implementando delle pulse survey frequenti e brevi, dove ogni settimana o mese i dipendenti rispondono anonimamente a poche domande sul loro stato d’animo: “Mi sento motivato e fiducioso questa settimana?”, “Mi fido delle decisioni prese dal management di recente?”. Queste rilevazioni continue creano un indicatore dinamico di fiducia (un Trust Pulse?) che può essere correlato temporalmente ad eventi (es. dopo l’annuncio di una riorganizzazione, il sentiment di fiducia cala? dopo un town hall chiarificatore risale?).
Anche i colloqui periodici con campioni di dipendenti (employee focus group) possono essere codificati in metriche: ad esempio assegnando uno score alla “qualità percepita delle relazioni” in azienda sulla base delle parole chiave che emergono. In ottica ROT, potremmo includere metriche come un indice di fiducia percepita nella leadership, misurato chiedendo “quanta fiducia hai nel fatto che il tuo leadership team prenda decisioni nel tuo migliore interesse?”. Se questo indice migliora nel tempo, è un chiaro ritorno positivo. Sul fronte clienti/partner, dati di percezione raccolti tramite sondaggio NPS o analisi reputazionali online (review, social listening) possono completare il quadro: ad esempio un incremento di commenti dove i clienti definiscono l’azienda “affidabile” o “trasparente” è un segnale che le iniziative interne di trust si riflettono anche all’esterno.
Indicatori di collaborazione uomo-macchina: dato il focus sull’AI, un modello ROT deve includere anche metriche che valutino la fiducia nelle soluzioni AI e la qualità della collaborazione ibrida. Questo è un campo nuovo, e non c’è dubbio che siamo ancora prima degli albori, ma i temi vanno affrontati per tempo e non come pezza di recupero, per cui credo che si possano ideare alcune misure.
La percentuale di adozione delle raccomandazioni AI: se un algoritmo fornisce suggerimenti a un operatore, è pensabile monitorare in che percentuale questi suggerimenti vengono effettivamente seguiti vs. ignorati. Un tasso di adozione alto indica che l’utente si fida dell’AI (o quantomeno la trova utile), mentre se molti suggerimenti vengono scartati c’è forse diffidenza o scarsa utilità percepita.
Un altro potrebbe essere il tasso di override umano: in sistemi dove l’AI può agire autonomamente ma l’umano ha facoltà di intervenire (pensiamo a sistemi di autopilota con supervisione umana), misurare quante volte gli umani intervengono per correggere l’AI. Se il valore è estremamente alto, significa che l’AI non gode di fiducia o non è ancora all’altezza (quindi le persone sentono spesso il bisogno di disabilitarla); se è moderato e decrescente nel tempo, sta crescendo la fiducia nel lasciar fare alla macchina routine operative.
Possiamo anche considerare indici compositi come un Human-AI Trust Index, rilevato tramite survey interne specifiche: chiedendo agli utenti di un software AI quanto si fidano delle sue analisi in scala 1-5, e monitorando l’evoluzione media.
Nella valutazione delle performance dei team ibridi, oltre a metriche classiche di produttività/errore, sarebbe utile introdurre misure della qualità dell’interazione tra umano e AI. La ricerca accademica sul tema suggerisce di guardare a come vengono prese le decisioni in coppia con l’AI, non solo a cosa si ottiene. Si può tracciare il tempo medio speso a spiegare al collega umano le decisioni dell’AI (segno che l’AI è trasparente e l’umano partecipa attivamente) oppure misurare la fiducia calibrata: quante volte l’operatore conferma l’esito dell’AI quando questo è corretto vs. quante volte lo conferma quando era errato (idealmente in un sistema fidato ma con supervisione attiva, l’operatore confermerà spesso decisioni corrette e correggerà quelle sbagliate – segno di fiducia calibrata, non cieca).

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

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

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

Dall’“effetto oracolo” all’etica hacker

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

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

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

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

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

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

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

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

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

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

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

Fiducia chiama fiducia

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

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

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

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

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

Ma questa è solo una parte del percorso.

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

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

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

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

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

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

8 Maggio 20258 Maggio 2025DIGITAL CULTURE

Mentoring, AI e Return of Trust (ROT): dall’ROI alle relazioni nell’era digitale

Ieri sera, 7 maggio 2025, ho avuto il piacere di partecipare, grazie all’invito di Ruggero Parrotto e di iKairos, alla tavola rotonda “Intelligenza Artificiale, Mentoring ed Economia Sociale”, all’interno del ciclo Il mondo che vorrei.

Un momento di confronto aperto e stimolante, che ha messo insieme visioni ed esperienze diverse, dalla filosofia alla cybersecurity, dalla pubblica amministrazione al mondo dell’innovazione , per affrontare uno dei nodi più rilevanti del nostro tempo: cosa accade quando l’intelligenza artificiale incontra le persone e le relazioni?

Ho condiviso il tavolo con Mario De Caro, Concettina Cassa, Gerardo Costabile, Emanuele Gentili, Pietro Pacini e con altri contributi trasversali, in un dialogo che si è mosso fin da subito su una domanda fondamentale:

L’AI può diventare davvero uno strumento accessibile, equo e umano-centrico? E soprattutto, come si allena la fiducia in un contesto sempre più mediato da sistemi intelligenti?

Proprio il tema della fiducia è stato il filo conduttore della mia riflessione.

In un passaggio del mio intervento ho affermato che «l’AI è al tempo stesso catalizzatore e stress-test della fiducia: smonta certezze consolidate e ci obbliga a ridefinire le grammatiche delle nostre relazioni, prima tra persone e tecnologia, poi tra persone stesse». Ed è da questa consapevolezza che nasce il concetto che ho proposto come chiave di lettura per leggere il cambiamento in atto: il ROT – Return on Trust.

ROT – Return on Trust: la fiducia come nuovo valore misurabile

Il ROT è un acronimo che ho introdotto per sottolineare un punto che ritengo cruciale: se il ROI (Return on Investment) è da sempre la metrica dominante per valutare progetti e strategie, e ancora più oggi quando si parla di AI, oggi serve forse affiancargli un nuovo indicatore, capace di misurare qualcosa di meno tangibile ma altrettanto determinante: la fiducia generata.

Ogni nuova tecnologia, ogni riorganizzazione interna, ogni scelta manageriale ha impatto sulla fiducia.

Fiducia tra colleghi, tra leader e team, tra azienda e clienti, tra esseri umani e macchine. E se questa fiducia viene meno, se non viene coltivata, progettata, mantenuta, anche l’innovazione più performante rischia di fallire nel medio periodo. Al contrario, un ambiente in cui la fiducia circola e cresce è un contesto dove le persone collaborano meglio, si sentono ascoltate, imparano di più e innovano con maggiore libertà.

Le ricerche lo confermano. In aziende ad alto tasso di fiducia si registrano, rispetto a quelle a bassa fiducia, il 74% in meno di stress, il 106% in più di energia, il 50% in più di produttività, il 76% in più di engagement e molti altri valori incredibili.

Numeri che parlano chiaro.

E che ci dicono una cosa semplice: la fiducia è un moltiplicatore di valore. Il ROT, quindi, non è solo una provocazione lessicale che ho portato ma un tema centrale. È una metrica da costruire, un approccio per ridare centralità alla qualità delle relazioni nei processi di innovazione.

AI gentile & Mentoring inclusivo

Nel mio intervento ho portato una riflessione sul tema dell’AI gentile e del mentoring come leva per l’inclusione. L’intelligenza artificiale, se progettata con cura, può diventare uno strumento che affianca, e non sostituisce, il ruolo del mentore. Ho usato un’espressione a cui tengo molto

“l’AI non sostituirà il mentore, ma può diventarne la cassetta degli attrezzi”

Pensiamo a un’AI in grado di supportare percorsi formativi personalizzati, rispondere a domande semplici, suggerire materiali su misura, liberando così tempo prezioso per il mentore umano. Il tempo “ritrovato”, abilitato dal delegare agli agenti AI azioni ripetitive, può essere dedicato a ciò che fa davvero la differenza: ascolto, orientamento, accompagnamento emotivo.

È questo lo “spazio relazionale” che l’AI può contribuire ad allargare, rendendo il mentoring più accessibile, scalabile e inclusivo, ma senza snaturarne l’anima profondamente umana.

Il mentoring, se integrato con strumenti digitali pensati con empatia e trasparenza, può guidare l’adozione dell’AI nelle organizzazioni. Può aiutare chi è meno esperto a comprendere non solo come usare questi strumenti, ma soprattutto perché. E può farlo con una pedagogia gentile, che smonta paure, costruisce competenze e restituisce alle persone il ruolo di protagonisti.

Verso l’organizzazione aumentata

Un altro passaggio chiave che ho trattato è stato quello dell’organizzazione aumentata, tema che da un po’ di tempo tratto. Ho voluto introdurre questo concetto per descrivere un nuovo modello organizzativo in cui persone e agenti AI collaborano nella definizione e nell’esecuzione dei processi, ma soprattutto ho parlato di organizzazioni che nei prossimi anni si troveranno a rivedere completamente l’organizzazione e l’organigramma integrando umani e macchine.

Ci troviamo già immersi in un contesto in cui l’AI prende decisioni operative, gestisce task, propone soluzioni. Questo impone un cambiamento di paradigma: non possiamo più immaginare l’AI come uno strumento esterno, ma come parte integrante dei team. Tre concetti chiave che ho portato alla discussione:

Competenze ibride, dove la capacità tecnica si unisce a pensiero critico, empatia e lettura del contesto.
Ruoli fluidi, perché con l’automazione cambiano le attività e serve maggiore adattabilità.
Leadership diffusa, dove ogni membro del team può contribuire, supportato da insight e dati intelligenti.

Ho richiamato in questo contesto alcuni principi del libro “L’etica hacker” (2001) di Pekka Himanen: passione, apertura, condivisione del sapere, tensione al miglioramento continuo. Una cultura che può ispirare i team aumentati, rendendoli non solo efficienti ma anche creativi e resilienti.

Naturalmente, tutto questo apre anche interrogativi e ho citato un libro che a me ha compito molto: Helga Nowotny, in Le macchine di Dio, mette in guardia dall’effetto oracolo: quando l’AI diventa troppo autorevole, c’è il rischio che le persone si appiattiscano sulle sue risposte e smettano di interrogarsi. Ecco perché serve un equilibrio continuo tra automazione e arbitrio umano, tra dati e valori, tra velocità ed empatia.

Mentoring come cerniera tra strategia e talento

In un mondo che cambia così velocemente, il mentoring può fare da cerniera tra strategia e talento. Permette di tradurre la visione dell’organizzazione in esperienze concrete di crescita, e al tempo stesso consente alle persone di influenzare la strategia portando idee, energie, domande.

Il mentoring non è solo trasferimento di competenze. È anche (e forse soprattutto) trasmissione di fiducia, di valori, di visione. È il luogo dove si può sbagliare, dove si può imparare, dove si costruisce senso. E questo è il terreno ideale per far maturare il ROT.

ROI + ROT: ripensare le metriche della trasformazione

Ttorno alla frase che ha guidato tutto il mio intervento e che, spero, continui a stimolare riflessioni anche oltre questo evento:

“Nell’era dell’AI, invece di pensare solo al ROI, impariamo a misurare anche il Return on Trust.”

Perché la vera trasformazione non si misura solo in efficienza, ma nella qualità delle relazioni che lascia, nella fiducia che costruisce, nella capacità di rigenerare apprendimento e collaborazione nel tempo.

Ringrazio ancora Ruggero, l’associazione iKairos, i relatori e tutte le persone che hanno partecipato. È stato un confronto aperto, utile, e soprattutto necessario. Perché è da qui, da queste conversazioni, che passa la possibilità concreta di costruire un futuro in cui l’intelligenza, anche quella artificiale, sia davvero un bene comune.

Sul tema del Rot ci tornerò con un approfondimento sulla misurazione e come implementarlo.

2 Maggio 20252 Maggio 2025AI & GENAI

RAG o CAG, Cercare o Ricordare, questo è il dilemma? No.

Certe domande nascono per caso, durante una call tecnica o nel mezzo di una demo. “Ma se il modello avesse già tutto in memoria, servirebbe ancora il retrieval?”

È cominciata così, tra una riflessione sul design di un assistant interno e l’analisi delle performance di risposta. Da lì, il passo è stato breve: fare un po’ di ricerca, testare e confrontare due approcci che stanno ridefinendo il modo in cui i modelli conversano con la conoscenza.

RAG (Retrieval-Augmented Generation) e CAG (Cache-Augmented Generation). Due strategie diverse per un obiettivo comune: aumentare la capacità dei modelli generativi di rispondere meglio, più velocemente, con più contesto. Una cerca, l’altra ricorda. Una si connette al mondo, l’altra se lo carica dentro.

Da un lato, RAG arricchisce dinamicamente le risposte di un modello cercando informazioni esterne al volo. Immaginiamolo come un instancabile bibliotecario digitale: ad ogni domanda, va a consultare un archivio vastissimo e riporta i documenti più pertinenti da fornire al modello. Dall’altro, CAG pre-carica il sapere necessario prima ancora che la domanda venga posta. È più simile a uno studente preparato che, avendo studiato e memorizzato tutto in anticipo, può rispondere all’istante senza sfogliare manuali durante l’esame.

Ho fatto un po’ di approfondiremo sul funzionamento di entrambi gli approcci, confrontandone vantaggi e limitiper capire come RAG e CAG possano essere usati in modo complementare, persino combinati, per ottenere il meglio da entrambi. Pronti a immergervi in questo viaggio tra retrieval e cache?

Procediamo con ordine, iniziando dalle basi.

Cos’è RAG (Retrieval-Augmented Generation)

Retrieval-Augmented Generation (RAG) è un paradigma in cui un modello di linguaggio estende la propria conoscenza ricercando informazioni aggiuntive al momento della generazione della risposta. Il flusso tipico di RAG coinvolge diversi step:

Embedding della query: la domanda dell’utente viene convertita in una rappresentazione vettoriale (embedding), catturandone il significato semantico.
Ricerca nel database vettoriale: questo vettore di query viene usato per cercare similarità all’interno di un database di conoscenza pre-indicizzato (spesso un vector store contenente documenti rappresentati a loro volta come vettori). Si identificano così i documenti più rilevanti rispetto alla query. In pratica, il sistema fa una ricerca semantica: non cerca solo parole chiave, ma contenuti dal significato affine alla domanda.
Recupero dei documenti pertinenti: i migliori risultati di questa ricerca – tipicamente alcuni paragrafi o frammenti di documenti – vengono recuperati. Per migliorare la qualità, spesso si applicano algoritmi di re-ranking (riordinamento) per filtrare e ordinare i documenti in base alla loro effettiva rilevanza. Questo riduce il “rumore” e assicura che il modello riceva solo informazioni utili, mitigando il rischio di allucinazioni (ovvero dettagli inventati dovuti a contesto fuorviante).
Costruzione del prompt con contesto: i documenti recuperati vengono poi aggiunti al prompt del modello, tipicamente formulando qualcosa come: “Ecco alcuni contenuti rilevanti: [documenti]. Ora rispondi alla domanda: [query utente]”. In questo modo, il modello dispone di conoscenza fresca e mirata mentre genera la sua risposta.
Generazione della risposta: il modello di linguaggio (LLM) elabora il prompt aumentato dal contesto e produce una risposta che integra sia le informazioni apprese durante l’addestramento sia i dettagli pertinenti appena recuperati. In altre parole, RAG fa sì che l’LLM abbia sempre informazioni aggiornate e contestuali: il modello funge da “cervello”, mentre il modulo di retrieval funge da “memoria esterna” a cui attingere all’occorrenza.

Questo processo permette ai sistemi RAG di essere dinamici e aggiornati. Se domandiamo a un assistente RAG qualcosa su un evento accaduto dopo il periodo di addestramento del modello, esso può cercare in tempo reale tra le fonti più recenti e includerle nella risposta. In tal senso, RAG “collega” il modello a un motore di ricerca specializzato. I risultati sono spesso impressionanti: risposte contestualizzate e ricche di dettagli puntuali.

RAG però non è privo di sfide e possibili problematiche. Ogni ricerca introduce una certa latenza, poiché bisogna eseguire query sul database esterno, aspettare i risultati e comporre il prompt: la qualità finale dipende in larga misura da ciò che viene recuperato. Se il modulo di retrieval sbaglia mira (ad esempio selezionando un documento non pertinente o obsoleto), anche la risposta del modello ne risente. Gestire un sistema RAG significa mantenere sia il modello linguistico sia l’infrastruttura di ricerca: un’architettura più complessa, con componenti da indicizzare, aggiornare e monitorare.

Cos’è CAG (Cache-Augmented Generation)

Cache-Augmented Generation (CAG) è un approccio recente che cerca di semplificare e velocizzare l’integrazione di conoscenza nei modelli linguistici, sfruttando i loro contesti estesi e una sorta di “memoria interna” cache. L’idea di fondo è: perché andare a cercare informazioni ogni volta (come fa RAG) se possiamo caricare tutto in anticipo?. Con CAG, si mette “in cache” la conoscenza rilevante, in modo che il modello ce l’abbia già a disposizione al momento del bisogno.

Ecco come funziona, per step:

Pre-caricamento del contesto: prima che l’utente ponga una domanda, si raccolgono tutti i documenti e le informazioni che potrebbero servire a rispondere in un dato dominio. Questa collezione di conoscenza (chiamiamola D) viene curata e ridotta a una dimensione gestibile, in modo che possa rientrare nella finestra di contesto del modello. Ad esempio, se stiamo costruendo un assistente per il supporto clienti di una certa azienda, potremmo raccogliere il manuale dei prodotti, le FAQ e le linee guida di assistenza. L’insieme D deve essere sufficientemente ristretto e rilevante (non includiamo tutto Wikipedia, ma solo ciò che serve per le query previste) e statico (cioè non cambia di continuo).
Creazione della cache KV (Key-Value): i documenti pre-caricati vengono forniti al modello in un’unica grande sessione di inferenza. In pratica, si effettua una chiamata all’LLM passando tutto il testo di D (formattato opportunamente, ad esempio come contesto in un prompt di sistema). Il modello processa questo lungo contesto e, così facendo, costruisce delle rappresentazioni interne – i cosiddetti Key-Value pairs (KV) dell’attenzione trasformazionale – che catturano lo stato di conoscenza derivato da D. Queste KV, che sono essenzialmente i “ricordi compressi” del modello su D, vengono salvate come cache. È come se avessimo congelato lo stato mentale del modello dopo aver “letto” tutti i documenti rilevanti.
Utilizzo della cache in inferenza: a questo punto il sistema è pronto a rispondere alle domande. Quando l’utente pone una query Q, non c’è bisogno di effettuare una ricerca esterna. Si prende la domanda, la si inserisce nel modello insieme alla cache precomputata, e si avvia la generazione. Tecnicamente, il modello riceve Q come input successivo ai documenti D già elaborati (la cache funge da contesto persistente). Poiché il modello ha “in mente” tutta la conoscenza caricata, può rispondere immediatamente attingendo a quella base di conoscenza interna. La latenza si riduce drasticamente: l’LLM deve solo concentrarsi sul reasoning (ragionamento) e la formulazione della risposta, non sull’assimilazione di nuovi dati in quel momento.
Reset/aggiornamento della cache: col passare del tempo o dopo diverse domande, la cache potrebbe crescere (ad esempio includendo anche le query già poste come parte del contesto interno). CAG prevede meccanismi per resettare o aggiornare la cache quando serve. Ad esempio, si può troncare la cache per rimuovere i turni di domanda-risposta passati e fare spazio a nuove query, senza dover ricaricare da zero tutti i documenti statici. Se cambia la base di conoscenza (D), bisognerà rigenerare una nuova cache aggiornata – operazione comunque eseguita di rado, ad esempio caricando il nuovo manuale se esce una versione aggiornata.

In poche parole CAG elimina completamente la fase di retrieval dinamico. Il modello opera come se sapesse già tutto ciò che gli serve, perché glielo abbiamo già fatto leggere in anticipo. Questo approccio è diventato praticabile grazie ai recenti LLM capaci di gestire contesti lunghissimi (si pensi ai modelli con finestre di 32K, 100K o persino milioni di token). Questi contesti estesi permettono di inserire decine e decine di pagine di conoscenza direttamente nel prompt. Ad esempio, Llama 3.1 70B supporta fino a 64K token e modelli come Claude 2 arrivano a 200K – abbastanza per contenere documentazione aziendale, log di supporto o database di FAQ in un colpo solo.

I benefici immediati sono evidenti: zero latenza di retrieval (non c’è attesa perché nulla viene cercato al momento), architettura semplificata (non serve un motore di ricerca interno né pipeline di indicizzazione), minori errori di contesto (si evitano problemi di selezione dei documenti, perché il contesto è predefinito e controllato). In scenari dove la base di conoscenza è relativamente stabile e circoscritta, CAG può risultare sorprendentemente efficace e coerente. Esperimenti e studi recenti hanno mostrato che, su certi benchmark di QA, CAG può eguagliare se non superare RAG in accuratezza, proprio perché elimina gli errori dovuti a retrieval sub-ottimali.

Il rovescio della medaglia è che CAG richiede che l’intero corpo della discussione stia nel contesto del modello e sia definito a priori. Se una query esula dal perimetro di quella conoscenza pre-caricata, il modello non potrà recuperare altro e potrebbe fallire (ad esempio, chiedendo qualcosa non contenuto nei documenti caricati, l’LLM finirà per inventare o ammettere di non sapere). Inoltre preparare la cache KV ha un costo computazionale non banale, anche se lo si fa solo una tantum. CAG brilla quindi in casi statici e ripetitivi, mentre è meno adatto in scenari dove i dati cambiano di continuo o la varietà di domande possibili è molto ampia rispetto al contesto pre-caricato.

Confronto tra RAG e CAG: vantaggi e svantaggi

Entrambi gli approcci presentano punti di forza e debolezze. La scelta dipende dal contesto d’uso e dai vincoli del progetto (dimensioni della conoscenza, necessità di aggiornamenti, requisiti di latenza, ecc.). Ecco un confronto diretto che aiuta a comprendere meglio quando conviene usare RAG o CAG.

Gestione della conoscenza:
- RAG: Recupera conoscenza in tempo reale da fonti esterne ampie. Ideale per attingere a database enormi o in continuo aggiornamento (es. notizie, documenti in evoluzione) senza doverli caricare integralmente nel modello. La conoscenza resta esterna al modello e viene integrata “on demand”.
- CAG: Richiede di pre-selezionare e caricare in blocco tutti i dati rilevanti. Funziona meglio quando il dominio informativo è ben definito e limitato in dimensioni, così che tutto ciò che serve possa essere messo in cache nel modello. La conoscenza diventa parte del contesto interno del modello durante l’inferenza.
Velocità e latenza:
- RAG: Introduce una latenza aggiuntiva per via della fase di ricerca e recupero. Ogni domanda può richiedere centinaia di millisecondi (o più) solo per il retrieval, prima ancora di generare la risposta. In applicazioni real-time questo può essere un collo di bottiglia, soprattutto se le query sono frequenti.
- CAG: Offre risposte quasi istantanee poiché elimina completamente il passaggio di ricerca. In alcune implementazioni, CAG risulta decine di volte più veloce di RAG proprio grazie all’assenza di overhead di retrieval. È indicato per applicazioni dove la rapidità è critica e non si può attendere il risultato di una query esterna.
Accuratezza e affidabilità:
- RAG: La correttezza della risposta dipende dall’efficacia del motore di ricerca sottostante e dal ranking dei documenti. Se vengono recuperate informazioni non pertinenti o superate, il modello potrebbe fornire risposte scorrette o incoerenti con la query. C’è inoltre il rischio di mescolare contesti diversi se la query attiva documenti eterogenei (“frammentazione della conoscenza”).
- CAG: Utilizza un contesto predefinito e validato, riducendo la probabilità di errori dovuti a informazioni irrilevanti. Le risposte tendono a essere più consistenti, perché il modello lavora su un blocco di conoscenza coeso e pensato ad hoc. Di contro, se la base pre-caricata contiene inesattezze o manca di qualche informazione, tutti gli output ne risentiranno (il modello non può “uscire” da quella conoscenza).
Complessità del sistema:
- RAG: Richiede un’architettura più articolata. Bisogna predisporre un indice (ad es. un database vettoriale), gestire l’aggiornamento dei documenti, implementare meccanismi di ricerca e ranking, oltre a orchestrare il tutto con il modello generativo. Questa complessità si traduce in maggiori costi di sviluppo e manutenzione: c’è più che un semplice LLM da tenere in funzione.
- CAG: Snellisce l’architettura eliminando del tutto il modulo di retrieval. Servono certamente risorse computazionali robuste per gestire contesti estesi, ma la pipeline concettuale è più lineare (carica contesto una tantum → genera risposte). Meno componenti significa anche meno punti di guasto: ad esempio, un sistema CAG non rischia errori dovuti a un indice non aggiornato o a una chiamata API esterna fallita.
Casi d’uso ideali:
- RAG: È la scelta obbligata quando la base di conoscenza è enorme, volatile o in costante crescita – pensiamo a motori di ricerca web, assistenti su contenuti di attualità, o knowledge base aziendali con migliaia di documenti che cambiano ogni giorno. RAG eccelle anche quando il modello deve poter rispondere a domande completamente nuove attingendo da fonti eterogenee non prevedibili a priori. In breve, ogni volta che non possiamo caricare tutto il sapere dentro il modello, RAG viene in nostro soccorso.
- CAG: Brilla in scenari con conoscenza delimitata e relativamente stabile. Ad esempio, un chatbot di supporto per un prodotto specifico, dove l’insieme di possibili domande è noto e coperto da un manuale di poche centinaia di pagine; oppure un assistant interno che deve fare riferimento a un corpus statico (policy aziendali, procedure interne, manuali tecnici) che viene aggiornato raramente. In tali casi, pre-caricare queste informazioni e tenerle in cache consente risposte rapidissime e affidabili, senza l’onere di mantenere un sistema di ricerca complesso.

Praticamente non c’è un “vincitore” assoluto: RAG e CAG sono due strumenti diversi per esigenze diverse. Anzi possono (ed in molti casi devono) persino lavorare insieme in architetture ibride.

Esempi pratici d’uso

Per concretizzare le differenze che ho descritto (e nemmeno tutte), ho buttato giù alcuni esempi di applicazione su cui ultimamente ho lavorato differenziando l’utilizzo di RAG o CAG (o entrambi) e come possano essere utilizzati.

Chatbot su knowledge base statiche: un assistente virtuale per le FAQ di un sito web o il manuale di un elettrodomestico. Le domande degli utenti rientrano tipicamente in un ambito ristretto (il dominio del prodotto). Qui CAG è una scelta eccellente: il manuale e le FAQ possono essere caricati interamente nel contesto del modello, che fornirà risposte immediate e precise senza dover cercare altrove. La coerenza è alta, perché il modello risponde solo in base a informazioni ufficiali pre-caricate, eliminando deviazioni. Se però la knowledge base è in continuo aggiornamento, si potrebbe adottare un approccio ibrido: rigenerare la cache CAG ogni giorno con le nuove informazioni, o integrare una componente RAG per gestire eventuali domande fuori scope.
Assistenti interni aziendali: un assistente AI che aiuta i dipendenti a reperire procedure, policy HR, linee guida legali, ecc. In un’azienda grande, questi documenti possono essere numerosi e aggiornati periodicamente. Si può adottare RAG per mantenere l’assistente sempre aggiornato: ogni volta che un dipendente chiede qualcosa, l’LLM recupera gli ultimi documenti rilevanti dal repository aziendale (intranet, database documentale) e formula la risposta. Ciò garantisce che anche se ieri è uscita una nuova procedura, oggi l’assistente la possa già citare. In aziende più piccole, o per ambiti specifici (es. documentazione di onboarding), CAG può invece fornire maggiore velocità: caricando in anticipo tutto il manuale dipendente e le policy, l’assistente risponde in un lampo, risultando molto reattivo nelle conversazioni.
Code assistant (assistenti per programmatori): un assistente AI che aiuta a scrivere codice o risolvere bug. Deve poter accedere a documentazione API, esempi di codice, e magari al codice base del progetto. Due strategie emergono: con RAG, l’assistente potrebbe effettuare ricerche nel repository del codice per trovare le funzioni o i file pertinenti alla domanda (es. “cerca dove è definita questa classe e includi quel snippet come contesto”). Oppure cercare nella documentazione ufficiale online per fornire dettagli sull’uso di una libreria. Con CAG, se il progetto è di dimensioni moderate, si potrebbe precaricare l’intero codice (o i componenti chiave) nella finestra di contesto: l’LLM avrebbe così “letto” tutto il codice base e potrebbe ragionare sulle domande del programmatore conoscendo già l’architettura del software. In pratica, diventerebbe un collega sviluppatore che conosce a memoria il codice. In casi reali, una combinazione è ideale: RAG per cercare informazioni su librerie esterne o porzioni di codice molto grandi, e CAG per mantenere in cache i file fondamentali con cui l’assistente interagisce continuamente.
Knowledge base dinamiche (news, ricerche scientifiche, ecc.): per assistenti personali che ti aggiornano sulle notizie quotidiane, o un sistema che risponde a domande su ricerche scientifiche recentissime, la conoscenza è troppo ampia e in costante rinnovo. Qui RAG è praticamente d’obbligo. Un assistant sulle news userà RAG per cercare gli articoli del giorno relativi alla domanda posta (es. “ultimi sviluppi del mercato X”) e offrirà un riassunto pescando da più fonti. Un sistema CAG in questo scenario rischierebbe di essere obsoleto non appena la cache viene caricata, a meno di aggiornarla ogni minuto (cosa impraticabile). D’altro canto, RAG ben progettati possono includere tecniche di re-ranking e filtri temporali per assicurare che le fonti recuperate siano rilevanti e recenti. L’utente finale ottiene così risposte attuali e dettagliate, con la consapevolezza delle fonti utilizzate.

Modelli ibridi e tecniche emergenti

È chiaro che RAG e CAG non si escludono a vicenda, come ho detto, anzi possono essere usati in tandem per sfruttare il meglio di ciascuno. Immaginiamo, per esempio (già descritto brevemente sopra), un assistente intelligente per una grande azienda: il volume di conoscenza totale intranet, documenti, wiki, ecc.) è enorme, ma un singolo dipartimento ha una documentazione specifica più limitata. Un approccio ibrido potrebbe funzionare così: il sistema usa RAG per fare una prima selezione di documenti rilevanti tra migliaia (es. cerca tutte le policy attinenti alla domanda dell’utente), poi prende questi risultati (diciamo i top 5 documenti trovati) e li pre-carica in un contesto esteso facendone una sorta di mini-cache CAG per quel turno di conversazione. In seguito, l’LLM risponde sfruttando questa cache locale, magari permettendo anche domande di follow-up senza dover rifare la ricerca da zero. In pratica, RAG fornisce il perimetro del sapere e CAG offre il ragionamento veloce all’interno di quel perimetro. Questo può essere utile anche per il multi-hop reasoning: se per rispondere a una domanda servono informazioni provenienti da diversi documenti, RAG li recupera tutti e CAG – avendoli in memoria contemporaneamente – può sintetizzare una risposta unitaria, cosa difficile se le fonti fossero usate una alla volta.

Un altro ambito di complementarità è la gestione sessione in chatbot conversazionali. Un sistema potrebbe usare RAG per recuperare conoscenza all’avvio di una conversazione o al primo quesito su un certo argomento; dopodiché le informazioni chiave vengono mantenute nel contesto (cache) per i turni successivi, evitando ulteriori query a meno che non si cambi argomento. Questo approccio misto riduce le chiamate di retrieval e quindi la latenza, senza rinunciare alla flessibilità di attingere a nuovi dati quando necessario.

Oltre alla combinazione RAG+CAG, vale la pena menzionare alcune tecniche emergenti che rafforzano questi sistemi:

Re-ranking avanzato: Già citato in ambito RAG, il re-ranking si sta evolvendo con modelli di apprendimento dedicati (es. cross-encoder neurali) che ordinano i documenti non solo per somiglianza con la query ma per effettiva probabilità di contenere la risposta. Questo migliora drasticamente la qualità del contesto fornito al modello generativo. Un RAG con un buon re-ranking può permettersi di recuperare più documenti (per sicurezza) sapendo poi filtrare quelli utili. Anche in sistemi ibridi, un re-ranking può selezionare quali documenti passare alla fase CAG.
Segmented summarization (riassunto segmentato): Quando si hanno testi lunghissimi, una strategia è segmentarli in parti più piccole, riassumere ciascuna parte separatamente, e infine combinare i riassunti. Questa tecnica è preziosa se la finestra di contesto del modello non è abbastanza grande da contenere tutto il testo originale. In un pipeline ibrido, si potrebbe usare un modulo RAG o un modulino di summarization per accorciare i documenti (pur mantenendo i concetti chiave) prima di caricarli nella cache CAG. Così, anche se un documento eccede i limiti, il sistema lo condensa e riesce comunque ad includerlo. Inoltre, la summarization segmentata aiuta a mantenere la coerenza: suddividendo per argomento, ci si assicura che ogni parte sia compresa bene dal modello, riducendo il rischio che informazioni importanti vadano perse o che il modello si confonda a causa di dettagli superflui. È una specie di divide et impera applicato alla comprensione di testi lunghi.
Modelli ibridi neuro-simbotici: Uno scenario in esplorazione è combinare le capacità neurali dei LLM con strutture più simboliche o basi di conoscenza strutturate. Ad esempio, un sistema potrebbe usare RAG per interrogare una base di conoscenza grafica o un database SQL per informazioni factuali precise, mentre usa CAG per mantenere nel contesto altri dati testuali. Oppure, come proposto da alcuni ricercatori, utilizzare RAG per la conoscenza e un modello specializzato separato per la reasoning chain, orchestrando i due. Anche se andiamo oltre lo scopo di questo articolo, queste idee mostrano come RAG e CAG siano tasselli componibili in architetture più complesse, non silos isolati.

La complementarità tra RAG e CAG apre possibilità interessanti. Possiamo progettare sistemi su misura, scegliendo di volta in volta l’approccio più adatto o fondendoli in soluzioni multi-fase. Ad esempio, un assistant potrebbe usare RAG per “documentarsi” su un argomento e poi passare in modalità CAG per discussioni approfondite su quanto appreso, fornendo sia freschezza di informazioni che fluidità conversazionale.

Cercare o Ricordare, questo è un dilemma? No.

Il Retrieval-Augmented Generation e il Cache-Augmented Generation rappresentano due elementi interessanti di progettazione dei sistemi AI conversazionali e di question answering: da una parte la potenza di un modello linguistico connesso a un vasto mondo di informazioni esterne (RAG), dall’altra l’efficienza di un modello che porta con sé, nel proprio “zaino” contestuale, tutto il sapere necessario (CAG).

Questi approcci, lungi dall’essere mere sigle, incarnano a mio avviso filosofie diverse: cercare vs ricordare. RAG eccelle , come abbiamo visto, nel permettere ai modelli di restare aggiornati e versatili, ampliando continuamente i propri orizzonti tramite il retrieval. CAG, al contrario, trae forza dalla continuità interna, trasformando un LLM in una sorta di enciclopedia specialistica portatile, rapida e focalizzata. I loro vantaggi e svantaggi si bilanciano a vicenda – dove uno è debole, spesso l’altro è forte. Per questo, più che competere, RAG e CAG possono collaborare: uniti in architetture ibride, promettono sistemi AI capaci sia di imparare all’istante sia di rispondere in un lampo.

Ci deve implementare deve aver chiaro quindi il punto: non esiste una soluzione unica per l’generazione aumentata da AI. Bisogna valutare la natura dei dati e delle domande del proprio dominio, il processo e il risultato atteso. Se il vostro assistant deve sapere sempre l’ultima novità, RAG sarà il vostro alleato fedele. Se invece avete un tesoro di conoscenza ben delineato da sfruttare fino in fondo, CAG vi darà prestazioni sbalorditive. E se volete il meglio dei due mondi, sperimentate con approcci ibridi, re-ranking intelligente e tecniche di summarization – i mattoni ci sono, tocca a voi combinarli con creatività.

La sinergia tra recupero e memoria interna sta ridisegnando il modo in cui i modelli dialogano con la conoscenza. Siamo solo agli inizi di progetti di questo tipo. Proprio come un bravo artigiano digitale, possiamo ora scegliere se dare al nostro modello un potente motore di ricerca, una memoria enciclopedica pre-caricata, o magari entrambi. Il futuro dell’AI conversazionale sarà scritto da chi saprà orchestrare al meglio queste possibilità, creando esperienze utente sempre più fluide, informate e straordinariamente veloci. In fondo, che si tratti di sfogliare un libro al volo o di ricordare tutto a memoria, l’obiettivo finale è lo stesso: fornire all’utente la miglior risposta possibile, nel minor tempo possibile. RAG e CAG sono due strade diverse per raggiungere questa vetta – sta a noi decidere quale sentiero, o combinazione di sentieri, prendere.

1 Maggio 202530 Maggio 2025AI & GENAI

Prompt-Chaining: tagliare (il prompt) l’elefante a pezzi e ragionare per passi

Negli ultimi mesi ho seguito e condiviso con attenzione il lavoro di Nicola Mattina, che attraverso l’implementazione del progetto #Serena (di cui vi parlerò ancora), sta esplorando in modo sperimentale continuo l’interazione uomo-macchina: il prompt chaining.

I suoi post, in particolare uno degli ultimi che riporto qui, mi hanno spinto a riflettere sul fatto che il prompt chaining non è solo una tecnica per “istruire meglio” l’AI, ma può diventare una vera e propria architettura cognitiva. Un modo per strutturare il pensiero delle (e con le) macchine, in modo simile a come strutturiamo il nostro.

Da questo spunto nascono le seguenti righe che condivido qui sotto, ad integrazione del lavoro di Nicola, ossia una breve riflessione sulle potenzialità del prompt chaining, in particolare nella progettazione di contenuti educativi, ma con uno sguardo più ampio su cosa può rappresentare per chi, come molti di noi, lavora con strumenti generativi in contesti strategici o formativi.

Prima di tutto cos’è il Prompt Chaining

In parole semplici, prompt chaining significa collegare insieme più prompt in sequenza, facendo sì che l’output di un prompt diventi l’input del successivo . Invece di chiedere a un modello linguistico di svolgere un compito complesso tutto in una volta, lo si scompone in passi più piccoli e gestibili, rendendo più efficiente l’elaborazione, l’accuratezza ed il consumo sottostante che viene impiegato per elaborare la richiesta.

Per capirci, come succederebbe nella relazione umana, invece di dire ad un copywriter “Scrivimi l’articolo sull’AI” creando la condizione per cui l’interlocutore deve decidere a cosa dare priorità, su quali argomenti soffermarsi e ottimizzare il tempo a disposizione, si chiede qualcosa di più specifico, più nel dettaglio, progressivamente sempre più in profondità, raffinando il concetto.

Ogni prompt nella catena dei prompt si concentra su un sotto-compito specifico, mantenendo il contesto e guidando il modello passo dopo passo . Questo processo iterativo permette all’AI di affrontare compiti complessi in modo più efficace, migliorando accuratezza e coerenza delle risposte .

“Eh, ma Chat è stupido…”

Quando mi sento dire “Eh ma Chat è stupido, mi risponde con testi banali“, spesso rispondo che è normale perchè cosicome esistono principi di LIFO, FIFO e via dicendo, nell’ai più che mai esiste anche il MIMO ossia Merd-In Merd-Out (o come direbbero i fighi Shit-in Shit Out).

Se chiediamo all’AI di scrivere un intero report in un solo prompt, otterremo con molta probabilità un risultato superficiale, disorganizzato o incoerente. Perché? Perché il modello deve fare tutto in una volta sola: strutturare, scrivere, sintetizzare, scegliere priorità, tono e contenuti, senza una guida chiara. È come chiedere a qualcuno di cucinare una cena gourmet mentre corre una maratona. Serve ordine, energia e tempo – ma se tutto viene concentrato in un colpo solo, il risultato ne risente.

Con il prompt chaining, invece, possiamo scomporre il compito in step successivi. Prima chiediamo un elenco dei punti chiave, poi sviluppiamo ciascun punto in un paragrafo, infine rivediamo e affiniamo il testo. Ogni fase prepara la successiva, mantenendo un filo logico chiaro. Questo approccio non solo aiuta l’IA a produrre contenuti migliori, ma ottimizza anche il modo in cui consuma le sue risorse.

Ogni interazione con un modello AI, infatti, utilizza dei token: piccole unità che rappresentano parole, punteggiatura e spazi. Ogni prompt e ogni risposta consumano token, e ogni modello ha un limite massimo oltre il quale inizia a “dimenticare” o a perdere contesto: è la cosiddetta finestra di contesto. Se proviamo a incastrare troppa roba in un solo prompt, superiamo questo limite e il modello rischia di produrre un risultato povero o scollegato.

Qui si nota una differenza concreta tra chi usa la versione Free di ChatGPT (basata su GPT-3.5, con un limite di circa 4.000 token, cioè poche pagine di testo complessivo) e chi ha attivato la versione Plus, che usa GPT-4-turbo, in grado di gestire fino a 128.000 token – l’equivalente di un libro intero. Con GPT-4, quindi, possiamo costruire catene di prompt molto più lunghe, mantenendo la coerenza del discorso e una memoria estesa.

È come viaggiare con un’auto che ha un serbatoio piccolo (GPT-3.5) o con una che può contenere molta più benzina (GPT-4): entrambe ti portano a destinazione, ma nel primo caso dovrai fermarti spesso e ridurre il carico, nel secondo puoi affrontare tragitti più lunghi, con meno compromessi e migliori prestazioni.

Oltre l’ingegneria dei prompt

Il prompt chaining non è solo un modo “furbo” di scrivere prompt, ma si avvicina a una forma di architettura cognitiva. In pratica stiamo progettando la struttura del ragionamento dell’IA. Come un architetto progetta l’organizzazione di un edificio, chi utilizza il prompt chaining progetta come l’IA suddivide e affronta un problema. Ricorda il modo in cui noi umani affrontiamo compiti complessi: li dividiamo in step, li risolviamo uno per uno, e infine uniamo tutto. Allo stesso modo, il chaining fa sì che il modello di AI “pensi ad alta voce” attraverso passaggi intermedi, mimando un processo cognitivo umano .

Non a caso, ricercatori e sviluppatori vedono queste catene di prompt come elementi di agenti AI più evoluti. In diversi studi e articoli si nota che aggiungere flussi di controllo interni come il prompt chaining ai modelli linguistici porta a una nuova generazione di “agenti” IA, capaci di ragionare e interagire in modo più strutturato . In altre parole, concatenare prompt è un modo per orchestrare la cognizione dell’AI: stiamo dando al modello un percorso da seguire, un po’ come una scaletta mentale. Questo approccio apre le porte a sistemi AI più affidabili e “pensanti”, anziché limitarsi a mere scatole nere che sputano fuori una risposta senza farci capire il come e il perché.

Scomporre i problemi per soluzioni migliori

“Perché spezzettare un compito aiuta l’AI a produrre risultati migliori?” mi chiedono spesso in aula. I motivi sono intuitivi. Innanzitutto, ogni parte del problema riceve attenzione dedicata: affrontando un passo alla volta, il modello può dedicare più risorse cognitive a ciascun aspetto, senza essere sopraffatto dalla complessità generale . Questo porta a risposte più complete e approfondite su ogni sotto-tema, migliorandone la qualità complessiva .

In secondo luogo, il prompt chaining aumenta la coerenza e il mantenimento del contesto: ogni prompt successivo eredita le informazioni dai precedenti, evitando che l’AI “dimentichi” dettagli importanti lungo il percorso . Questo è cruciale, ad esempio, quando si crea una narrazione o un progetto articolato, perché garantisce che tutte le parti “parlino la stessa lingua” e si integrino bene.

Un altro vantaggio è la maggiore trasparenza del ragionamento. Richiedendo all’AI di mostrare passo dopo passo il processo (ad esempio elencando ragionamenti o calcoli intermedi), diventa più facile per noi umani seguire il filo logico e capire come si è arrivati a una certa conclusione. Questa tracciabilità (tema che affronterò in modo dedicato in un altro post) non solo aumenta la fiducia nell’output — possiamo vedere perché l’AI suggerisce X invece di Y — ma ci consente anche di individuare eventuali errori logici in itinere.

Infatti, suddividendo il problema, possiamo correggere il tiro a metà strada se notiamo che l’AI sta deviando: il chaining facilita l’isolamento di quale passo ha generato un errore, semplificando interventi e debug. È lo stesso principio su cui si basano i nuovi modelli di AI avanzati, come GPT-4 o Claude Opus, che stanno iniziando a integrare forme esplicite di reasoning interno, strutturato in catene di pensiero (chain-of-thought reasoning), per spiegare le decisioni che prendono. Il prompt chaining è oggi uno strumento manuale per ottenere ciò che i modelli di domani inizieranno a fare da soli: pensare per passaggi visibili e controllabili (e quindi revisionabili).

Infine, questo approccio metodologico aiuta a mitigare i limiti pratici dei modelli. I modelli linguistici hanno una finestra di contesto limitata (una quantità massima di testo che possono gestire alla volta); fornire tutte le istruzioni in un unico prompt lungo può essere inefficace o impossibile. Con una catena di prompt, in sinstesi, si alimenta gradualmente l’informazione restando nei limiti, senza perdere il contesto e allo stesso tempo, si riduce il rischio di allucinazioni fuori tema, mantenendo il modello concentrato su un sub-compito alla volta e reintegrando il contesto ad ogni passo.

Praticamente in questo modo abbiamo una AI sempre “sul pezzo” e le facciamo evitare divagazioni fantasiose.

Progettare un corso con l’AI passo dopo passo

Per rendere concreto tutto questo, immaginiamo di utilizzare il prompt chaining per un compito manageriale comune: progettare un corso di formazione o creare contenuti didattici strutturati.

Invece di chiedere subito all’AI “Scrivi il programma dettagliato di un corso su X”, potremmo procedere per fasi:

Definire l’obiettivo e il pubblico: In un primo prompt, chiediamo al modello di delineare gli obiettivi formativi del corso X e di identificare il pubblico target (es. principianti, livello avanzato, ecc.). Questo stabilisce il contesto e la direzione generale.
Creare un elenco di moduli/lezioni: Con gli obiettivi chiari, un secondo prompt potrebbe chiedere una struttura a moduli o lezioni chiave del corso. L’AI proporrà, ad esempio, 5-10 moduli tematici in sequenza logica.
Dettagliare i contenuti di ciascun modulo: Per ogni modulo individuato, possiamo generare a catena un ulteriore prompt che ne chiede i dettagli: concetti da coprire, esempi pratici, esercitazioni o casi di studio da includere.
Sviluppare materiali o approfondimenti: Una volta approvata la struttura, ulteriori prompt possono concentrarsi sulla creazione di contenuti specifici – ad esempio, “Genera una dispensa introduttiva per il Modulo 1” o “Suggerisci 3 domande quiz per verificare l’apprendimento nel Modulo 2”. Così, gradualmente, si popola l’intero corso.
Revisione e rifinitura: Infine, si può usare un prompt conclusivo per fare un check generale, ad esempio “Rivedi il syllabus completo del corso e verifica che il linguaggio sia adatto a [pubblico target] e coerente in tutti i moduli”. Oppure chiedere un riepilogo executive da presentare al team.

Ad ogni passo, l’output dell’AI alimenta il passo successivo. Il risultato finale è molto più ricco e strutturato di quello ottenibile con un singolo prompt generico. Chi ha sperimentato questo approccio nota che “pensare in catene, anziché tentare il colpo grosso con un solo prompt di quelli da fanta-guru-brillante, ha segnato un punto di svolta e ha raggiunto un goal in modo più preciso” . In altre parole, il prompt chaining aiuta l’AI a seguire un filo logico simile a come lo seguirebbe un istruttore umano, con il vantaggio di poter generare rapidamente contenuti per ogni punto del programma.

Questo approccio non è utile solo per corsi ovviamete: qualunque progetto che richieda output complessi e ben organizzati (dai piani strategici, alla stesura di rapporti articolati, fino alla ricerca di mercato) può trarre beneficio da una suddivisione in prompt sequenziali. Il bello è che il controllo rimane all’utente umano: possiamo intervenire tra uno step e l’altro, aggiustare il tiro o inserire input aggiuntivi, guidando l’IA come faremmo con un collaboratore umano.

Ma non è lo stesso che chiedere “approfondisci”?

Una domanda legittima è: “Ma non è la stessa cosa di quando scrivo un prompt generico e poi chiedo all’AI di approfondire o usare Deep Research”. La risposta è no, non è la stessa cosa — né per approccio, né per controllo, né per qualità del ragionamento.

Quando chiediamo a un’AI “approfondisci questo punto” o “fammi un elenco di motivi”, stiamo delegando completamente al modello la scelta di cosa approfondire, in che ordine e con quale criterio. L’AI fa del suo meglio in base al contesto ricevuto, ma decide lei come interpretare la richiesta e cosa restituire. È un approccio reattivo, utile ma passivo.

Nel prompt chaining, invece, è l’utente a guidare attivamente e intenzionalmente il processo: decide in anticipo i passi, li struttura in modo progressivo e ne controlla coerenza e profondità. Ogni sotto-domanda è pensata come parte di un flusso, e l’output di ciascun passaggio è validato prima di passare al successivo. In altre parole, il chaining costruisce un ragionamento architettato, mentre l’approccio a “prompt singolo + follow-up” si limita a inseguire l’output, senza reale regia.

Questo è il punto di contatto e insieme di differenziazione rispetto ai nuovi modelli con reasoning interno automatizzato, che iniziano a generare da soli le domande intermedie, gli step di verifica o gli scratchpad (una specie di taccuino mentale in cui “annotano” i passaggi logici). In quel caso l’AI sta simulando un flusso cognitivo autonomo, ma resta comunque opaco all’utente se non viene esplicitato. Il prompt chaining, invece, porta alla luce il processo, lo rende trasparente, ispezionabile e — cosa non da poco — intervenibile.

Chiedere “approfondisci” è come affidare un tema all’AI e sperare che interpreti bene la traccia. Il prompt chaining è come costruire insieme all’AI una scaletta, definire ogni paragrafo e correggere lungo il percorso. È la differenza tra reattività e progettualità.

Strumenti e casi emergenti

Il concetto di prompt chaining si è diffuso così rapidamente che sono nati strumenti e framework dedicati. La libreria open-source LangChain ne è un esempio e permette agli sviluppatori di creare facilmente pipeline di prompt collegate, integrando anche memoria esterna e chiamate a strumenti, per costruire agenti AI sofisticati. Esistono anche altre piattaforme più user friendly come Voiceflow e altre soluzioni no-code che offrono interfacce visuali per orchestrare conversazioni multi-turno e flussi di prompt, così che anche chi non programma possa progettare l’interazione step-by-step.

All’inizio del boom di ChatGPT, alcuni esperimenti come AutoGPT hanno mostrato il potenziale di un’AI che autonomamente insegue un obiettivo tramite una sequenza di azioni e sottocompiti. In pratica AutoGPT crea i propri prompt in catena per raggiungere un fine assegnato, simulando un agente quasi “autonomo”. Questi esempi, seppur embrionali, dimostrano la potenza dell’idea: spezzando i problemi e pianificando i passi, l’AI può affrontare anche compiti molto articolati. Non sorprende che aziende come OpenAI, Microsoft e altri stiano investendo in queste direzioni, integrando meccanismi di chaining e ragionamento nei loro sistemi .

Stiamo assistendo ai primi passi di una nuova orchestrazione cognitiva, dove l’intelligenza artificiale non è più vincolata a rispondere istantaneamente a un singolo prompt, ma può elaborare un piano d’azione interno prima di fornire la soluzione. Questo è un cambio di prospettiva entusiasmante, perché avvicina l’operato dell’AI a un processo decisionale più umano e strategico.

Perché oggi tutti dovrebbero interessarsene?

Da un punto di vista manageriale e business, il prompt chaining offre risultati più affidabili e raffinati dalle AI, il che può tradursi in decisioni migliori e contenuti di qualità superiore. Ad esempio, nei team di L&D (Learning & Development) o di content marketing, utilizzare l’AI in modalità “a catena” permette di sviluppare corsi, tutorial, documentazione o white paper in maniera organizzata e coerente, riducendo il lavoro di editing successivo. Si passa da un’AI percepita come scatola magica imprevedibile a un’AI vista come collaboratore logico: un assistente che segue un processo, su cui possiamo intervenire in itinere. Ciò aumenta la fiducia nell’utilizzo e ne amplifica il valore nell’operatività quotidiana.

La trasparenza fornita dai passi intermedi è preziosa per la governance dell’AI in azienda: poter spiegare come una macchina ha elaborato un output (grazie ai ragionamenti esposti nella chain) può essere fondamentale per conformità, auditing o semplicemente per convincere gli stakeholder dell’affidabilità di una soluzione AI. In ambito educativo o formativo, come già notato, l’approccio step-by-step “alla insegnante” migliora l’attenzione ai dettagli e l’efficacia pedagogica . Insomma, il prompt chaining unisce il pensiero analitico umano con la velocità di calcolo dell’IA, offrendo il meglio di entrambi i mondi.

Verso un futuro di AI più “umana”

Il prompt chaining rappresenta uno step avanti: da semplici richieste isolate a una collaborazione più strutturata uomo-macchina. Questa metodologia deve farci notare che l’AI può (e deve) essere guidata a pensare per passi, e che spesso la chiave per risultati straordinari sta nel porre le giuste domande nell’ordine giusto. È un campo in rapido sviluppo, con implicazioni che vanno oltre la tecnologia e toccano l’organizzazione del lavoro e la progettazione di conoscenza.